[發(fā)明專(zhuān)利]基于卡爾曼濾波和NAR神經(jīng)網(wǎng)絡(luò)組合的車(chē)位預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810449854.6
• 申請(qǐng)日: 2018-05-11
• 公開(kāi)（公告）號(hào): CN108648449A
• 公開(kāi)（公告）日: 2018-10-12
• 發(fā)明（設(shè)計(jì)）人: 周后盤(pán);裘瑞清;吳輝;石敏
• 申請(qǐng)（專(zhuān)利權(quán)）人: 杭州電子科技大學(xué)
• 主分類(lèi)號(hào): G08G1/01
• 分類(lèi)號(hào): G08G1/01;G08G1/14
• 代理公司: 杭州君度專(zhuān)利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于卡爾曼濾波和NAR神經(jīng)網(wǎng)絡(luò)組合的車(chē)位預(yù)測(cè)方法，其特征在于：該方法具體包括以下步驟：

步驟1、獲取原始數(shù)據(jù)并進(jìn)行預(yù)處理

獲取泊位數(shù)量歷史數(shù)據(jù)，并先按照泊位數(shù)量的影響因素進(jìn)行數(shù)據(jù)分類(lèi)，并找出與目標(biāo)預(yù)測(cè)時(shí)間段泊位數(shù)量影響因素相同的一組數(shù)據(jù)；取該組數(shù)據(jù)中最近幾天的數(shù)據(jù)，對(duì)每一天按照一定時(shí)間間隔進(jìn)行分解，獲取到每個(gè)時(shí)間間隔的泊位數(shù)量變化值；

步驟2、建立基于Kalman濾波器的泊位預(yù)測(cè)方法模型

根據(jù)步驟1的泊位數(shù)量變化值，構(gòu)建基于Kalman濾波器的泊位預(yù)測(cè)模型；

步驟3、構(gòu)建基于NAR神經(jīng)網(wǎng)絡(luò)的泊位預(yù)測(cè)方法模型

選取與步驟二中相同的泊位數(shù)量變化值，構(gòu)建基于NAR神經(jīng)網(wǎng)絡(luò)的泊位預(yù)測(cè)模型；

步驟4、構(gòu)建基于Kalman濾波器和NAR神經(jīng)網(wǎng)絡(luò)的泊位預(yù)測(cè)模型

將Kalman濾波器預(yù)測(cè)模型結(jié)果和NAR神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)果進(jìn)行融合，根據(jù)歷史預(yù)測(cè)數(shù)據(jù)，把兩種預(yù)測(cè)模型預(yù)測(cè)準(zhǔn)確度進(jìn)行比較，預(yù)測(cè)準(zhǔn)確度高的次數(shù)作為融合結(jié)果的權(quán)重，計(jì)算得出組合模型的預(yù)測(cè)值，并根據(jù)時(shí)間序列對(duì)預(yù)測(cè)值進(jìn)行重組；

步驟5、基于Kalman濾波器和NAR神經(jīng)網(wǎng)絡(luò)的泊位預(yù)測(cè)的實(shí)時(shí)泊位校正

獲取進(jìn)行預(yù)測(cè)時(shí)的真實(shí)泊位數(shù)量，對(duì)基于Kalman濾波器和NAR神經(jīng)網(wǎng)絡(luò)的泊位預(yù)測(cè)模型的預(yù)測(cè)值進(jìn)行反饋校正；以及根據(jù)各種影響實(shí)時(shí)變化因素對(duì)泊位數(shù)量變化值進(jìn)行校正，實(shí)現(xiàn)區(qū)域內(nèi)泊位的實(shí)時(shí)預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的基于卡爾曼濾波和NAR神經(jīng)網(wǎng)絡(luò)組合的車(chē)位預(yù)測(cè)方法，其特征在于：所述步驟1中，時(shí)間間隔為一小時(shí)。

3.根據(jù)權(quán)利要求1所述的基于卡爾曼濾波和NAR神經(jīng)網(wǎng)絡(luò)組合的車(chē)位預(yù)測(cè)方法，其特征在于：所述步驟2中，根據(jù)數(shù)據(jù)處理后的泊位數(shù)量變化值，選取最近十組數(shù)據(jù)作為數(shù)據(jù)樣本就行預(yù)測(cè)，分別對(duì)每個(gè)時(shí)間間隔進(jìn)行Kalman濾波。