具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供的可用车位预测方法，可应用在如图1的应用环境中，本发明实施例基于联邦学习的应用环境。系统框架100可以包括服务器、参与者服务器以及用户端。其中，服务器101作为中央服务器，参与者103作为参与者参与者服务器与中央服务器进行连接。

其中，用户端通过网络与服务器进行通信。其中，用户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

其中，服务器与参与者服务器之间、服务器与用户端之间通过网络进行连接。网络用以在终端设备和服务器之间提供通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用用户端与服务器交互，以接收或者发送消息等。

用户端102可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture Eperts Group AudioLayer III，动态影像专家压缩标准音频层面3 )、MP4( Moving Picture Eperts GroupAudio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。

需要说明的是，本发明实施例所提供的可用车位预测方法由服务器执行，相应地，可用车位预测装置设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，根据实现需要，可以具有任意数目的终端设备、网络和服务器，本发明实施例中的终端设备具体可以对应的是实际生产中的应用系统。

在一实施例中，如图2所示，提供一种可用车位预测方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤S201至S209。

S201,联邦模型中央服务器接收用户端的停车请求，从停车请求中获取对应的停车场信息；

S202,联邦模型中央服务器基于停车场信息，查询符合用户端预设条件任意一个或多个的停车场，作为目标停车场，其中，目标停车场的数量至少有一个；

S203，联邦模型中央服务器计算用户端与每个目标停车场的行车距离，并基于行车距离，计算得到用户端到达每个目标停车场的预计时间；

S204,联邦模型中央服务器将预计时间发送给对应的目标停车场的停车场服务器；

S205，目标停车场服务器接收联邦模型中央服务器发送的预计时间，将预计时间进行时序特征化处理，形成时间矩阵；

S206，目标停车场服务器查询目标停车场的停车信息，得到当前车位数量信息；

S207，目标停车场服务器将时间矩阵、当前车位数量信息输入到预测模型，通过预测模型计算目标停车场在预计时间后的预测车位数量信息，将当前车位数量信息、预测车位数量信息作为预测可用车位信息；

S208，目标停车场服务器将预测可用车位信息发送至联邦模型中央服务器；

S209，联邦模型中央服务器接收目标停车场的停车场服务器返回的预测可用车位信息，并根据预设的筛选方式，在目标停车场中筛选出推荐停车场，并将推荐停车场的预测可用车位信息发送给用户端，其中，预测可用车位信息包括当前车位数量信息、预测车位数量信息。

在本实施例中，对以上步骤进行进一步说明，如下所述。

S201,联邦模型中央服务器接收用户端的停车请求，从停车请求中获取对应的停车场信息。

具体地，本实施例采用联邦学习的方法进行可用车位预测，联邦学习指多个客户端（如移动设备或整个组织）在一个中央服务器（如服务提供商）下协作式地训练模型的机器学习设置，该设置同时保证训练数据去中心化。

用户端可以是向用户提供停车请求服务的终端设备或者移动设备，用户通过用户端发起自己的停车请求。联邦模型中央服务器作为中央服务器，与用户端连接并接收用户端的停车请求，从停车请求中获取符合用户意见的对应的停车场信息，其中，停车场信息是指用户停车的目的地以及停车的时间，其中，用户停车的目的地具体是指用户想要停车的停车场。

其中，用户想要驾车去A商场，则A商场则是用户的目的地，当用户到达A商场后，将车停在A商场的停车场。进一步，若A商场不提供停车服务，则用户停车的目的地为，以A商场为中心半径B米的地方，其中B米可以由用户设定，此处不作限定。

如图1所示，联邦模型中央服务器与多个参与者服务器交互。在本实施例中，参与者服务器为目标停车场的停车场服务器。目标停车场对本地的样本数据进行计算得到本地参数，并上传到联邦模型中央服务器中，由联邦模型中央服务器进行联邦计算，联邦模型中央服务器经过与目标停车场服务器的多轮通信，联合建模得到预测模型。

联邦模型中央服务器基于联邦模型，对各个目标停车场服务器的数据进行联邦计算，而各个目标停车场服务器不需要分享自身的核心数据也可以得到联合建模后的模型，保证了数据的隐私。

S202,联邦模型中央服务器基于停车场信息，查询符合用户端预设条件的停车场，作为目标停车场，其中，目标停车场的数量至少有一个。

具体地，预设条件是指用户端在输入停车信息时，根据自身需求设置的条件信息，包括但不限于停车处到目的地的步行距离、室内/室外、收费价格等。

作为一种可选方式，若预设条件为目的地所属的停车场，例如，目的地为C商场，用户想要在C商场的停车场停车，但是C商场不提供停车服务，此时，目标停车场的数量为0。

联邦模型中央服务器则将预设条件修改为C商场附近，步行距离200米，再进行查询，即当没有查询到目标停车场时，则基于用户设置的条件优先级对预设条件进行修改，直到查询到目标停车场。

其中，用户设置的条件优先级可以在用户端中设定，比如将室内/室外为第一优先级，步行距离为第二优先级，则根据用户设定的优先级对预设条件进行调整。

联邦模型中央服务器在接收到停车信息以及预设条件后，在数据库中查询符合用户需求的停车场，将查询结果列表作为目标停车场，其中，查询结果列表至少有一个停车场。进一步的，若查询结果中存在一个以上的停车场，基于预设条件对查询结果列表进行排序，具体地，可以按照用户端到每个目标停车场的距离从近到远，目标停车场到目的地的步行距离从近到远等。

S203,联邦模型中央服务器计算用户端与每个目标停车场的行车距离，并基于行车距离，计算得到用户端到达每个目标停车场的预计时间。

具体地，当联邦模型中央服务器在数据库中查询到目标停车场后，需要计算出用户端地理位置到达每个目标停车场的路线距离，其中，路线距离是用户从当前的位置到目标停车场的位置的路程，且根据路程计算出用户到达目标停车场的预计时间，进一步的，在确定用户所需的到达时间的过程中，需要考虑时间以及交通畅通的情况，具体是需要考虑在用户当前位置到目标停车场的路程中，用户等待红绿灯的时间以及因为堵车所消耗的时间等。

S204,联邦模型中央服务器将预计时间发送给对应的目标停车场的停车场服务器。

具体的，计算得到到达每个目标停车场的时间，则将时间发送给对应的目标停车场服务器，目标停车场服务器根据时间进行可用车位的预测，联邦模型中央服务器则接收目标停车场服务器返回的预测可用车位信息。

其中，预测可用车位信息是指当用户到达目标停车场后，该目标停车场还剩余的车位以及车位相关的信息，其中，相关的信息是指车位的位置以及车位的收费信息等。

具体是，用户到达目标停车场A的时间是一小时，一小时后，目标停车场还预测剩有3个车位，则3个车位以及车位相关的信息作为目标停车场A的预测可用车位信息。

S205，目标停车场服务器接收联邦模型中央服务器发送的预计时间，将预计时间进行时序特征化处理，形成时间矩阵。

具体地，目标停车场接收到联邦模型中央服务器发送的预计时间，作为时间信息，并对时间信息进行时序特征化处理，形成时间矩阵。

具体是，将完整的一天（即天文中的一个太阳日）细分为24*60=1440分钟，将停车行为发生的时间进行细化，将停车行为发生的日期拆成年、月、周、星期几和从零点开始具体到分钟的独立的时间周期特征，对时间信息进行周曦性的时序特征化处理，形成时间矩阵。

S206，目标停车场服务器查询目标停车场的停车信息，得到当前车位数量信息。

具体的，目标停车场服务器在数据库中查询目标停车场中的停车信息，从停车信息中获取到空余车位数量，将空余车位数量以及每个车位的位置作为当前车位数量信息。作为一种实现方式，当前车位数量信息包括空余车位在目标停车场中的位置。

进一步的，目标停车场服务器需要将当前车位数量信息返回给联邦模型中央服务器。

S207，目标停车场服务器将时间矩阵、当前车位数量信息输入到预测模型，通过预测模型计算目标停车场在预计时间后的预测车位数量信息，将当前车位数量信息、预测车位数量信息作为预测可用车位信息。

具体地，目标停车场将时间矩阵、当前车位数量信息输入到预测模型中，预测模型通过输入信息，预测当用户到达目标停车场后，该目标停车场还剩余的车位信息，得到预测车位数量信息。

进一步的，将当前车位数量信息以及预测车位数量信息作为预测可用车位信息。

进一步的，预测模型使用GBRT方法进行构建并训练，其中，GBRT（GradientBoostRegression Tree，渐进梯度回归树）是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论叠加起来做最终答案，是一种回归树，每一棵树是从之前所有树的残差中学习。

在本实施例，目标停车场服务器使用GBRT机器学习方法构建预测模型，根据目标停车场的停车数据对模型进行优化，通过加性模型进行逐步推进的优化。进一步的，其中，对预测模型进行更新和优化的过程如下所述：

将训练数据中停车事件发生时间进行时序特征化处理，形成时间矩阵，并将该时间矩阵作为GBRT机器学习方法的特征。

具体是，将完整的一天（即天文中的一个太阳日）细分为24*60=1440分钟，将停车行为发生的时间进行细化，将停车行为发生的日期拆成年、月、周、星期几和从零点开始具体到分钟的独立的时间周期特征，对时间信息进行周曦性的时序特征化处理，形成时间矩阵。

使用最小二乘法对损失函数的最优解进行求解；构建M回归树，例如，根据回归树计算损失函数的负梯度值，将负梯度值作为伪残差值的估计值，可通过如下公式计算伪残差值：

其中，是指第棵树，是伪残差值，利用伪残差值拟合回归树，可根据如下公式计算每棵树的区域选择单独的最佳值：

其中，令j为回归树的叶子并将树的输入划为j个不相交的区域{}。

基于上述步骤，可通过如下公式对回归树进行更新：

其中，为指示函数，定义如下：

多个回归树会构成随机森林，进行并行计算。最终目标停车场服务器的GBRT模型根据如下公式计算：

根据如上步骤计算得到的模型梯度，使用同态加密的方法对计算出的模型梯度进行加密，得到加密的模型梯度，并将加密的模型梯度上传到联邦模型中央服务器。

S208，目标停车场服务器将预测可用车位信息发送至联邦模型中央服务器。

具体地，目标停车场服务器根据停车场的停车数据，预测当用户到达目标停车场后，目标停车场剩余的车位，作为预测可用车位信息发送至联邦模型中央服务器。

S209，联邦模型中央服务器接收所述目标停车场的停车场服务器返回的预测可用车位信息，并根据预设的筛选方式，在目标停车场中筛选出推荐停车场，并将推荐停车场的预测可用车位信息发送给用户端，其中，预测可用车位信息包括当前车位数量信息、预测车位数量信息。

具体地，联邦模型中央服务器接收到每个目标停车场的预测可用车位信息后，根据预设的方法对目标停车场的预测可用车位信息进行筛选，以在目标停车场中筛选出推荐停车场，并即将推荐停车场以及推荐停车场的预测可用车位信息发送给用户端。

具体的，当前车位数量信息是指在用户端发出停车请求时，目标停车场当时的可用车位数量，其中，可以车位是指没有车辆停车的车位。

预测车位数量信息是指从发出停车请求到用户到达目标停车场后，在经过用户到达该目标停车场的预计时间后，目标停车场预计剩余的可用车位数；量。作为一种优选方式，当前车位数量信息包括当前可用车位数量、以及可用车位在目标停车场中的位置。预测车位数量信息包括预计时间后，预测的可用车位数量以及每个车位在目标停车场中的位置。

其中，推荐停车场是指用来推荐给用户端的停车场，在目标停车场中进行筛选，得到的停车场。其中，筛选条件可以根据每个目标停车场的可用车位的数量、目标停车场到达用户的目的地的步行距离等。

本发明实施例提供的可用车位预测方法，通过联邦模型中央服务器获取用户端的停车需求，基于停车需求获取目标停车场，其中，目标停车场至少有一个；计算用户端当前位置到每一个目标停车场的时间，并将每个时间发送到对应的目标停车场的停车场服务器；停车场服务器根据时间预测当用户到达目标停车场后，该目标停车场的剩余可用车位，得到预测可用车位信息，并将预测可用车位信息发送给联邦模型中央服务器，得到推荐停车场，并将推荐停车场推荐给用户端，将停车需求分发到各个目标停车场的服务器，使得不用公开每个停车场的停车数据，同时可以对可用车位进行预测，保证了停车场本地数据的安全性，另外，每个停车场服务器听过预测回归树构建预测模型，提高对可用车位进行预测的准确性。

在本实施例中，作为一种可选的实现方式，步骤S209，根据预设的筛选方式，在目标停车场中筛选出推荐停车场，并将推荐推车场的预测可用车位信息发送给用户端中，还包括如下步骤S2091至S2092，详述如下。

S2091，获取每个目标停车场的预测可用车位信息中的预测车位数量，根据预测车位数量与可靠性分值的对应关系，评估每个目标停车场的预测可用车位信息的可靠性，得到每个目标停车场的可靠性分值。

具体地，预测可用车位信息包括目标停车场在一段时间周期后，停车场的空余车位，将空余车位作为可用车位，从预测可用车位信息获取空余车位的数量作为预测车位数量。每个目标停车场的预测车位数量越多，则该目标停车场越可靠，用户到达目标停车场后可以停车的几率越大。

根据预测车位数量以及可靠性分值的函数关系，基于每个目标停车场的预测车位数量，对每个目标停车场进行可靠性打分，得到每个目标停车场的可靠性分值。

S2092，对可靠性分值按照从大到小的顺序进行排序，得到排序结果，并根据预设阈值，在排序结果中筛选出推荐停车场。

具体地，根据每个目标停车场的可靠性分值，根据可靠性分值大到小的顺序对目标停车场进行排序，得到排序结果。基于预测阈值，在排序结果中选择出预设数量的目标停车场，作为推荐结果。

具体是，排序结果如下表所示：

需要在排序结果里选出两个目标停车场作为推荐停车场，则将目标停车场1、目标停车场2作为推荐停车场。

在本实施例中，通过对每个目标停车场的可用车位数量进行打分，得到每个每个目标停车场的可靠性分值，将目标停车场按照可靠性分值从大到小进行排序，以便筛选出推荐停车场推荐给用户，进一步确保用户到达目标停车场后能够停车，提高用户的停车体验度。

进一步地，作为一种可选方式，在步骤S205，在将推荐停车场的预测可用车位信息发送给用户端之后，还包括如下步骤S21至S23。

S21，获取用户端反馈的停车场选择结果和用户端当前位置信息，并获取停车场选择结果中包含的目标停车场标识。

具体地，将推荐停车场作为停车推荐结果发送给用户后，获取用户对推荐停车场的选择结果，即用户选择停车的停车场，获取停车场选择结果中包含的目标停车场标识。其中，目标停车场标识可以是目标停车场的坐标位置或者目标停车场的名字、代号等用以唯一标识目标停车场的符号等。

S22，基于地图规划算法，生成用户端当前位置信息到目标停车场标识对应的停车场位置的行车路线。

具体地，当获取用户选择停车的目标停车场的目标停车场标识，根据目标停车场标识确定该目标停车场的位置，并生成用户端当前位置到该目标停车场的行车路线。

进一步的，地图规划算法是指路径规划算法，是根据起点与终点之间的空间信息，生成从起点到终点的路径法算法。其中，路径规划算法包括但不限于Dijkstra算法（迪杰斯特拉算法）、启发式搜索算法（A^*算法）、反向增量式算法等。

S23，将行车路线发送给用户端。

其中，生成用户端当前位置到用户待停车的目标停车场的行车路线后，将该行车路线发送给用户，以帮助用户进行导航，使得用户可以快速到达将要进行停车的停车场。

在本实施例中，在获取到用户端的停车场选择结果后，则为用户进行从起点到终点的路径规划，提高用户到达目标停车场的效率。

在本实施例中，在将当前可用车位信息输入到预测模型，通过预测模型计算目标停车场在该时间信息后的车位信息，还提供如下步骤S11至S13。

S11，获取停车场历史车位数量信息以及对应的时间信息，将时间信息进行时序化处理，得到时间特征信息；

S12，将停车场历史车位数量信息以及时间特征信息作为训练数据；

S13，基于迭代决策树模型构建预测模型，将训练数据输入到预测模型进行训练，得到预测模型的梯度信息。

具体地，根据GBRT算法构建预测模型，通过训练数据对于预测模型进行训练，得到预测模型的梯度信息。

进一步的，目标停车场服务器生成的预测模型的梯度信息需要采用同态加密算法进行加密后再上传到联邦模型中央服务器。

同态加密算法是一种通过对相关密文进行有效操作，从而允许在加密内容上进行特定代数运算的加密方法。主要由一个四元组组成：

KeyGen表示密钥生成函数，一个密钥生成元g被输入KeyGen，并输出一个密钥对,其中表示用于明文加密的公钥，表示用于解密的密钥。使用对称同态加密，只生成一个密钥。表示加密函数。加密过程会使用公共密钥和明文作为输入，并生成密文。表示解密函数。表示评估函数。评估函数将密文和公共密钥(对于非对称同态加密)作为输入，并输出与明文对应的密文。

S14，将梯度信息发送到联邦模型中央服务器。

具体地，将加密后的梯度信息发送到联邦模型中央服务器，供联邦模型中央服务器进行处理，联邦模型中央服务器使用联邦平均算法对梯度信息进行安全聚合。

联邦平均算法适用于数据集的非独立同分布，数据量不平衡，参与方数量很大、通信链接慢速且不稳定的模型聚合。

本发明中联邦平均算法包括下列有限加和形式的损失函数：

n表示训练数据的数量；表示d维的模型参数。

选取。表示在给定模型参数w上对样本进行预测所得到的损失结果，和分别表示第i个训练数据点及其相关标签。

假设有K个停车场参与方在本系统中，设表示由第k个参与方所拥有的数据集，表示位于客户k的数据点的索引集。设表示的基数。

首先参数p指每一轮中参与计算的停车场客户占比，参数S指在每一轮中，每个停车场客户在本地数据集上进行训练的步骤数。参数M表示停车场客户更新时使用的mini-batch的大小。

设定M=m和S=1来产生一个具有不同大小的mini-batch的SGD形式。本算法在每一次迭代轮次中选取数量占比为p的参与方，并在由这些参与方拥有的数据上进行梯度计算和损失函数计算。对于拥有固定的学习率η的分布式梯度下降，在第t轮更新全局模型时，第k个参与方将会计算,即它在当前模型参数的本地数据的平均梯度，根据以下公式聚合这些梯度。

S15，接收联邦模型中央服务器返回的聚合梯度，对预测模型的梯度信息进行更新，得到训练后的预测模型。

具体地，目标停车场服务器接收联邦模型中央服务器返回的聚合梯度，基于该聚合梯度对预测模型的梯度信息进行更新，得到训练后的预测模型。

在本实施例中，通过联邦学习的方式构建每个目标停车场服务器的预测模型，能够有效帮助多个停车场机构在满足用户隐私保护、数据安全的规则下，进行数据使用和机器学习建模。

进一步的，在步骤S15，在预测模型的梯度信息进行更新，得到训练后的预测模型之后，还提供如下步骤，详述如下。

S151，以时间为变量，对训练后的预测模型进行测试，得到至少两组测试结果。

具体地，以时间为变量，对训练后的预测模型进行测试，得到至少两组测试结果。

例如，以一个停车场为例，在当前时间，测试该停车场在1小时之后、6小时之后、12小时之后的可用车位数量，将以上三个时段的可用车位数量作为三组测试结果。

S152，将测试结果与真实数据进行拟合，得到拟合结果。

具体地，得到1小时后的预测可用车位信息、6小时后的预测可用车位信息以及12小时后的预测可用车位信息作为三组测试数据，并获取该停车场在1小时后的真实可用车位信息、6小时后的真实可用车位信息、12小时后的真实可用车位信息，作为三组真实数据。

分别将1小时后、6小时后、12小时后的测试结果与真实数据进行拟合，得到拟合数据。

S153，基于柯尔莫可洛夫-斯米洛夫检验方法对拟合结果进行验证，得到第一验证结果。

其中，柯尔莫可洛夫-斯米洛夫检验方法（Kolmogorov–Smirnov test，K-S test）是比较一个频率分布f(x)与理论分布g(x)或者两个观测值分布的检验方法。其原假设H0:两个数据分布一致或者数据符合理论分布。D=max| f(x)- g(x)|，当实际观测值D>D(n,α)则拒绝H0，否则接受H0。 KS检验与t-检验之类的其他方法不同是KS检验不需要知道数据的分布情况，可以算是一种非参数检验方法。当然这样方便的代价就是当检验的数据分布符合特定的分布事，KS检验的灵敏度没有相应的检验来的高。在样本量比较小的时候，KS检验最为非参数检验在分析两组数据之间是否不同时相当常用。t-检验的假设是检验的数据满足正态分布，否则对于小样本不满足正态分布的数据用t-检验就会造成较大的偏差，虽然对于大样本不满足正态分布的数据而言t-检验还是相当精确有效的手段。

S154，基于第一验证结果对训练后的预测模型进行准确性验证，得到第二验证结果。

具体的根据第一验证结果对训练后的预测模型进行准确性验证，得到第二验证结果，其中，第二验证结果的形式可以是{0:准确，1：不准确}的形式，及第二验证结果用以验证训练后的预测模型对于可用车位的预测是否准确。

其中，根据第一验证结果确定训练后的预测模型的准确度，若准确度超过了预测阈值，则得到第二验证结果是0。其中，预设阈值可以是98%等，具体数值根据应用场景进行设定，此处不作具体限定。

在本实施例中，通过K-S test对训练后的预测模型进行测试，以测试预测模型的准确度，如果预测模型的准确度不高，则需要对预测模型进行参数调整以及模型更新，以提高预测模型对预测可用车位的准确度，从而可以保证用户到达目标停车场之后可以停车。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种可用车位预测装置，该可用车位预测装置与上述实施例中可用车位预测方法一一对应。如图3所示，该可用车位预测装置设置在联邦模型中央服务器中，该可用车位预测装置包括停车信息获取模块31、目标停车场获取模块32、路程时间计算模块33、预测可用车位信息接收模块34和信息返回模块35。

停车信息获取模块31，用于接收的停车请求，从停车请求中获取对应的停车信息。

目标停车场获取模块32，用于基于停车信息，查询符合用户端预设条件的停车场，作为目标停车场，其中，目标停车场有多个。

路程时间计算模块33，用于计算用户端与每个目标停车场的距离，并基于距离，计算得到用户端到达每个目标停车场的时间。

预测可用车位信息接收模块34，用于将时间发送给对应的目标停车场的停车场服务器。

信息返回模块35，用于接收所述目标停车场的停车场服务器返回的预测可用车位信息，并根据预设的筛选方式，在所述目标停车场中筛选出推荐停车场，并将所述推荐停车场的预测可用车位信息发送给用户端。

在本实施例中，设置在联邦模型中央服务器的可用车位预测装置还包括如下模块。

可靠性分值计算模块，用于获取每个目标停车场的预测可用车位信息中的可用车位数量，根据可用车位数量与可靠性分值的对应关系，评估每个目标停车场的预测可用车位信息的可靠性分值。

推荐停车场生成模块，用于对可靠性分值按照从大到小的顺序进行排序，得到排序结果，并根据预设阈值，在排序结果中筛选出推荐停车场。

进一步的，本可用车位预测装置还包括如下模块。

目标停车场标识获取模块，用于获取用户端反馈的停车场选择结果和用户端当前位置信息，并获取停车场选择结果中包含的目标停车场标识。

行车路线生成模块，用于基于地图规划算法，生成用户端当前位置信息到目标停车场标识对应的停车场位置的行车路线。

行车路线发送模块，用于将行车路线发送给用户端。

在一实施例中，提供一种可用车位预测装置，该可用车位预测装置与上述实施例中可用车位预测方法一一对应。如图3所示，该可用车位预测装置设置在目标停车场服务器中，该可用车位预测装置包括时间矩阵生成模块36、当前可用车位信息查询模块37、可用车位预测模块38和车位信息返回模块39。

时间矩阵生成模块36，用于接收联邦模型中央服务器发送的时间，将时间进行时序特征化处理，形成时间矩阵。

当前可用车位信息查询模块37，用于查询目标停车场的停车信息，得到当前可用车位信息。

可用车位预测模块38，用于基于时间矩阵、当前可用车位信息，通过预测模型计算目标停车场在该段时间后的可用车位信息，作为预测可用车位信息。

车位信息返回模块39，用于将预测可用车位信息发送至联邦模型中央服务器。

在本实施例中，设置于目标停车场服务器中的可用车位预测装置还包括如下模块，详述如下。

梯度信息获取模块，用于基于迭代决策树模型构建预测模型，将训练数据输入到预测模型进行训练，得到预测模型的梯度信息。

梯度信息发送模块，用于将梯度信息发送到联邦模型中央服务器。

预测模型生成模块，用于接收联邦模型中央服务器返回的聚合梯度，对预测模型的梯度信息进行更新，得到训练后的预测模型。

进一步的，可用车位预测装置还包括如下模块。

测试结果生成模块，用于以时间为变量，对训练后的预测模型进行测试，得到至少两组测试结果。

拟合结果生成模块，用于将测试结果与真实数据进行拟合，得到拟合结果。

第一验证结果生成单元，用于基于柯尔莫可洛夫-斯米洛夫检验方法对拟合结果进行验证，得到第一验证结果。

第二验证结果，用于基于第一验证结果对训练后的预测模型进行准确性验证，得到第二验证结果。

其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。

关于可用车位预测装置的具体限定可以参见上文中对于可用车位预测方法的限定，在此不再赘述。上述可用车位预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储可用车位预测方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种可用车位预测方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中可用车位预测方法的步骤，例如图2所示的步骤S201至步骤S209及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中可用车位预测装置的各模块/单元的功能，例如图3所示模块31至模块39的功能。为避免重复，这里不再赘述。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、视频数据等）等。

所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中可用车位预测方法的步骤，例如图2所示的步骤S201至步骤S209及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中可用车位预测装置的各模块/单元的功能，例如图3所示模块31至模块39的功能。为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。