基于数据挖掘的智能停车场运营数据分析系统

基于数据挖掘的智能停车场运营数据分析系统

引用

CSDN

1.

https://blog.csdn.net/andrew_extra/article/details/125707102

随着大数据分析技术的发展，智慧城市、智慧停车的领域正在发展，智慧停车场可以采集、记录以及存储停车场的运营数据，停车数量与时间的关系可显示停车场的运行状态。本项目基于停车场的运营数据，利用Python实现对智能停车场运行数据的可视化统计分析，对停车时间、停车高峰期时间占比、停车星期比 、每日接待车辆统计、车辆归属地等多个维度进行可视化分析，利用Flask构建Web后台REST接口服务，ECharts实现前端可视化。

1. 项目简介

本项目基于停车场的运营数据，利用Python实现对智能停车场运行数据的可视化统计分析，对停车时间、停车高峰期时间占比、停车星期比 、每日接待车辆统计、车辆归属地等多个维度进行可视化分析，利用Flask构建Web后台REST接口服务，ECharts实现前端可视化。

2. 功能组成

基于数据挖掘的智能停车场运营数据分析系统的主要功能包括：

3. 基于数据挖掘的智能停车场运营数据分析系统

3.1 系统首页和注册登录

3.2 汽车归属地抽取并词云分析

针对汽车的车牌号，抽取出汽车的归属地，并进行词频的统计：

# 排除进入停车场未出停车场的车
data = data.loc[data['timeout'] != 0]
data['timein'] = pd.to_datetime(data['timein'])
data['timeout'] = pd.to_datetime(data['timeout'])
data['h'] = data['timeout'] - data['timein']
# 汽车归属地所在省份
data['province'] = data['cn'].map(lambda x: x[0])
print(data.head())
word_count = {}
for name in tqdm(data['cn'].values):
    word = name[0:2]
    if word in word_count:
        word_count[word] += 1
    else:
        word_count[word] = 1
wordclout_dict = sorted(word_count.items(), key=lambda d: d[1], reverse=True)
wordclout_dict = [{"name": k[0], "value": k[1]} for k in wordclout_dict if k[1] > 0]
# 归属地所在省份
province_count = {}
for pro in data['province']:
    if pro not in province_count:
        province_count[pro] = 0
    province_count[pro] += 1
province_count = sorted(province_count.items(), key=lambda d: d[1], reverse=True)
province = [p[0] for p in province_count]
count = [p[1] for p in province_count]  

3.3 停车场汽车停留时段分布情况

可以看出，大部分汽车停留的时间超过4个小时以上，可能为附近上班人员或居住人员，半个小时的汽车其次。星期六、星期日的停车数量也较多，可能为附近居住人员。

3.4 停车场汽车进入和离开的时序分布情况

可对时序停车数据进行缩放查看细节：

可以看出，停车场汽车的进出存在一定的时序周期性，且驶入和驶出能基本保持一定的平衡，说明停车场的在车辆管理方面较为合理。

3.5 停车场高峰期停车时段分析

4. 总结

本项目基于停车场的运营数据，利用Python实现对智能停车场运行数据的可视化统计分析，对停车时间、停车高峰期时间占比、停车星期比 、每日接待车辆统计、车辆归属地等多个维度进行可视化分析，利用Flask构建Web后台REST接口服务，ECharts实现前端可视化。