[發(fā)明專利]一種停車場空余停車泊位數(shù)的預測方法

有效

• 申請?zhí)枺?/td>: 201710700629.0
• 申請日: 2017-08-16
• 公開（公告）號: CN107622301B
• 公開（公告）日: 2021-01-05
• 發(fā)明（設計）人: 唐震洲;樊俊凱
• 申請（專利權）人: 溫州大學
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/08;G06N7/08;G06F17/18
• 代理公司: 溫州名創(chuàng)知識產(chǎn)權代理有限公司 33258
• 代理人: 陳加利

1.一種停車場空余停車泊位數(shù)的預測方法，其特征在于，包括步驟：

S1、數(shù)據(jù)準備，所述數(shù)據(jù)包括由已知停車場剩余泊位數(shù)形成的訓練集和預估停車場剩余泊位數(shù)形成的測試集；

S2、采用最大最小法通過公式x_k＝(x_k-x_min)/(x_max-x_min)，對所述訓練集和測試集中的數(shù)據(jù)均進行歸一化處理；

S3、設置種群規(guī)模，最大迭代次數(shù)，果蠅群體初始位置范圍和果蠅的單次飛行范圍；其中，所述果蠅群體初始位置范圍由對應的二維坐標(X_axis,Y_axis)給出，具體為

S4、通過公式計算訓練集中果蠅個體利用嗅覺搜索食物的隨機飛行方向和距離，并通過公式計算訓練集中果蠅個體與原點的距離以及味道濃度判定值，且進一步將味道濃度判定值代入預設的味道濃度判定函數(shù)中，求出訓練集中果蠅個體的味道濃度值；其中，所述味道濃度判定值為所述果蠅個體與原點的距離之倒數(shù)；所述預設的味道濃度判定函數(shù)為Smell_i＝fitness(bestc,bestg,p_train,t_train)，bestc和bestg為參數(shù)，p_train為訓練集對應計算出的味道濃度判定值，t_train為訓練集對應計算出的味道濃度判定值；

S5、將參數(shù)bestc作為懲罰因子和bestg作為核函數(shù)參數(shù)代入預設的支持向量回歸機模型中，確定所述預設的支持向量回歸機模型所得均方誤差為最小時對應的參數(shù)bestc和bestg；

具體過程為，將參數(shù)bestc和bestg帶入支持向量回歸機模型里判斷哪一組c和g能夠使得模型的均方誤差最小，SVR的基本思想是通過一個非線性映射到一個高維的特征空間F中，并在空間F中進行線性回歸，回歸函數(shù)為：

f(x)＝(w·φ(x))+b (6)

式中w為權重向量，b為偏置項；

采用具有稀疏性的ε不敏感損失函數(shù)，則其約束優(yōu)化問題表示為：

式中bestc為懲罰因子，用來平衡回歸模型的平坦度和偏差大于ε的樣本點個數(shù)，ξ_i和為松弛因子，式(7)為典型的凸二次規(guī)劃問題，引入lagrange函數(shù)將其轉換為對偶優(yōu)化問題，在根據(jù)KKT條件求解得到：

將式(8)帶入式(6)中得到回歸函數(shù)為：

其中，k(x_i,x)＝φ(x_i)φ(x_j)為核函數(shù)，它是對稱的正實數(shù)函數(shù)，同時滿足Mercer定理，這里采用徑向基核函數(shù)，

式中bestg0為高斯核的帶寬；

S6、根據(jù)所述確定的參數(shù)bestc和bestg，找出果蠅群體中味道最優(yōu)的個體，并記錄果蠅個體的最佳味道濃度值；

S7、保持最佳味道濃度值和對應果蠅位置信息，群體中的其他果蠅均利用視覺飛向此位置形成新的群聚關系；

具體過程為，保持最佳味道濃度值和對應果蠅位置信息，群體中的其他果蠅均利用視覺飛向此位置，即

Smellbest＝bestSmell

X_axis＝X(bestIndex)

Y_axis＝Y(bestIndex)

S8、重復步驟S4至步驟S7，進行迭代尋優(yōu)直至達到最大迭代次數(shù)為止，得到最終的參數(shù)bestc和bestg；

S9、將測試集中的預估停車場剩余泊位數(shù)以及最終的參數(shù)bestc和bestg代入所述預設的支持向量回歸機模型中，得到最終預測的剩余停車泊位數(shù)。