[發明專利]基于卡爾曼濾波和NAR神經網絡組合的車位預測方法

在審

• 申請號: 201810449854.6
• 申請日: 2018-05-11
• 公開（公告）號: CN108648449A
• 公開（公告）日: 2018-10-12
• 發明（設計）人: 周后盤;裘瑞清;吳輝;石敏
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/14
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發明公開了一種基于卡爾曼濾波和NAR神經網絡組合的車位預測方法。首先對泊位歷史數據進行預處理，處理獲得需要的歷史泊位增量數據；再分別用kalman濾波和NAR神經網絡對泊位增量進行預測；然后融合兩組預測結果作為組合結果輸出；最后根據實際泊位數量對泊位預測結果進行矯正，實現了泊位數量的實時性預測。通過本發明，可以對固定區域內的泊位數量做出準確實時的預測。本泊位預測方法具有科學實用、準確度高、穩定性好、可靠性強的優點。

技術領域

本發明屬于區域泊位數據預測領域，涉及了對歷史停車位剩余數量的處理和數學建模的方法，具體涉及一種基于卡爾曼濾波和NAR神經網絡組合的車位預測方法。

背景技術

區域內泊位預測是區域內交通調節和控制的重要前提，是實現停車智能化的關鍵技術。

固定區域內的泊位數量變化預測預警有助于對該區域內遇到來車過多甚至道路堵塞起到提前預知作用，并做出相應應對方案進行緩解，對緩解區域內交通擁堵、有效利用停車位資源有著重要作用。

在目前存在的泊位預測方法中，NAR神經網絡模型可以較好的實現對泊位的短時實時預測，具有易于實現、非線性強等優勢，但是由于NAR神經網絡本身的缺陷，全局性較差，且容易陷入局部最優。Kalman濾波器可以動態修改預測值，通過迭代實現較高精度預測，全局性強但非線性差，在現實預測中當預測值變化非線性較強時，容易產生較大誤差。

發明內容

本發明針對現有技術的不足，提供一種基于卡爾曼濾波和NAR神經網絡組合的車位預測方法。

本發明解決其技術問題所采用的技術方案是：

一種基于卡爾曼濾波和NAR神經網絡組合的車位預測方法，具體包括以下步驟：

步驟1、獲取原始數據并進行預處理

獲取泊位數量歷史數據，并先按照泊位數量的影響因素進行數據分類，并找出與目標預測時間段泊位數量影響因素相同的一組數據；取該組數據中最近幾天的數據，對每一天按照一定時間間隔進行分解，獲取到每個時間間隔的泊位數量變化值。

步驟2、建立基于Kalman濾波器的泊位預測方法模型

根據步驟1的泊位數量變化值，構建基于Kalman濾波器的泊位預測模型；

步驟3、構建基于NAR神經網絡的泊位預測方法模型

選取與步驟二中相同的泊位數量變化值，構建基于NAR神經網絡的泊位預測模型；

步驟4、構建基于Kalman濾波器和NAR神經網絡的泊位預測模型

將Kalman濾波器預測模型結果和NAR神經網絡預測模型結果進行融合，根據歷史預測數據，把兩種預測模型預測準確度進行比較，預測準確度高的次數作為融合結果的權重，計算得出組合模型的預測值，并根據時間序列對預測值進行重組；

步驟5、基于Kalman濾波器和NAR神經網絡的泊位預測的實時泊位校正

獲取進行預測時的真實泊位數量，對基于Kalman濾波器和NAR神經網絡的泊位預測模型的預測值進行反饋校正；以及根據各種影響實時變化因素對泊位數量變化值進行校正，實現區域內泊位的實時預測。

作為優選，所述步驟1中，時間間隔為一小時。

作為優選，所述步驟2中，根據數據處理后的泊位數量變化值，選取最近十組數據作為數據樣本就行預測，分別對每個時間間隔進行Kalman濾波。

基于上述技術方案，本發明具有以下有益效果：