[發(fā)明專利]一種室內(nèi)停車場剩余車位預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201811317095.4
• 申請日: 2018-11-07
• 公開（公告）號: CN109492808B
• 公開（公告）日: 2022-03-29
• 發(fā)明（設(shè)計）人: 岑躍峰;李向東;岑崗;張宇來;馬偉峰;程志剛;徐昶;孔穎;周揚;林雪芬;徐增偉;王佳晨
• 申請（專利權(quán)）人: 浙江科技學(xué)院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F16/2458;G08G1/01;G08G1/14
• 代理公司: 杭州天正專利事務(wù)所有限公司 33201
• 代理人: 王兵;黃美娟

一種室內(nèi)停車場剩余車位預(yù)測方法，包括如下步驟：步驟1.得到停車場空余泊位序列，并進行數(shù)據(jù)預(yù)處理；步驟2.對初始序列的訓(xùn)練集進行去噪處理，得到去除噪聲的時間序列，記為平滑序列，將其劃分測試集與訓(xùn)練集；使用平滑序列訓(xùn)練集訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)；步驟3.使用初始序列構(gòu)建并訓(xùn)練灰色殘差神經(jīng)網(wǎng)絡(luò)模型；步驟4.加權(quán)組合兩種預(yù)測模型，得到最終預(yù)測模型。

技術(shù)領(lǐng)域：

本發(fā)明涉及一種停車場剩余車位的預(yù)測方法。

背景技術(shù)：

隨著人民生活水平日益提高，城市機動車保有量逐年增加，而停車位的數(shù)量不能滿足需求，停車難日益成為一個大問題。近年來大數(shù)據(jù)技術(shù)在智能交通領(lǐng)域的應(yīng)用越來越多，很多人工智能算法在泊位數(shù)量的預(yù)測上頗有成效。目前主流的研究是通過對停車場歷史數(shù)據(jù)分析，進而對停車場的車位信息做出準(zhǔn)確的預(yù)測，憑借準(zhǔn)確的預(yù)測結(jié)果為用戶提供可靠的出行信息，幫助用戶做好出行規(guī)劃，同時減少用戶尋找停車位浪費的時間，緩解了城市交通壓力。

在已有的預(yù)測停車場車位數(shù)量的研究中，主流方法是獲取停車場各個時間段泊位數(shù)據(jù)，按時間順序排列為時間序列并對之進行分析研究，研究側(cè)重于預(yù)測模型的構(gòu)建使用，而對于時間序列中去除隨機性成分的研究偏少。停車場車位數(shù)量時間序列的組成可分為隨機過程成分和混沌過程成分組成。隨機信號產(chǎn)生于隨機系統(tǒng)，具有不可預(yù)測的特性，當(dāng)預(yù)測的訓(xùn)練集中存在隨機成分時會對預(yù)測模型的訓(xùn)練產(chǎn)生負(fù)面影響。

傳統(tǒng)時間序列的去噪包括兩類方法：一類是以小波方法和平滑方法為代表的直接去噪方法，目的為消除序列次要運動走向，保留主要趨勢；另一類為頻域去噪方法，以頻域差異為區(qū)分標(biāo)準(zhǔn)，保留能量分布較高的頻帶，消除能量分布較低的頻帶。這兩類方法均是由序列結(jié)果層面對序列進行去噪處理，忽略了隨機成分產(chǎn)生的機理的復(fù)雜性。而且停車場車位時間序列的影響因素較多，噪聲的產(chǎn)生機理比較復(fù)雜，單一的去噪方法的模型并不能在剔除噪聲方面有優(yōu)勢，進行多步預(yù)測時會存在較大誤差。

發(fā)明內(nèi)容：

本發(fā)明要克服現(xiàn)有技術(shù)的上述缺點，提供一種室內(nèi)大型停車場車位的組合預(yù)測方法。

本發(fā)明針對單模型預(yù)測精度低、穩(wěn)定性弱的缺點，結(jié)合了一階濾波算法平滑去噪與灰色模型算法弱化序列隨機性的優(yōu)點，提出一種動態(tài)加權(quán)組合模型的預(yù)測方法。

本發(fā)明的一種室內(nèi)停車場剩余車位預(yù)測方法，包括如下步驟：

步驟1.得到停車場空余泊位序列，對數(shù)據(jù)進行初始化處理。

獲取停車場空余泊位歷史數(shù)據(jù)，以5分鐘為間隔提取數(shù)據(jù)，得到停車場空余泊位時間序列，記為X＝{X_i|i＝1,2,…,n}，其中X_i為第i時間段的停車場空余泊位數(shù)量，n和i取值為自然數(shù)，n為時間序列中時間段總數(shù)量，{}表示集合。對數(shù)據(jù)的完整性進行檢驗，查看是否存在缺值。當(dāng)存在缺值時，采用插值的方法。所得序列記為初始序列。

步驟2.對初始序列的訓(xùn)練集進行去噪處理，得到去除噪聲的時間序列，記為平滑序列，并將之劃分為測試集與訓(xùn)練集。使用平滑序列訓(xùn)練集訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)。訓(xùn)練完成得到LSTM神經(jīng)網(wǎng)絡(luò)的優(yōu)化參數(shù)。

步驟3.使用步驟一所得的初始序列構(gòu)建灰色模型，使用灰色模型進行s步預(yù)測，其中s取值為自然數(shù)；由得到的s步預(yù)測結(jié)果和實際該時間段的車位數(shù)量序列構(gòu)建殘差序列；使用該殘差序列訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)計算得到補償序列；使用補償序列補償灰色模型預(yù)測結(jié)果得到灰色殘差神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果。

步驟4.加權(quán)結(jié)合兩種模型進行組合預(yù)測。以平滑序列的測試集作為已經(jīng)訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)的輸入，得到相應(yīng)的輸出結(jié)果，記為L(t),t＝1,2,…,m，其中L(t)為LSTM網(wǎng)絡(luò)模型在t時間段的預(yù)測值，t和m取值為自然數(shù)，m為預(yù)測總步數(shù)，t取值在1到m之間。以初始序列作為灰色殘差神經(jīng)網(wǎng)絡(luò)模型模型的輸入，得到輸出在t時間段的預(yù)測值為G(t),t＝1,2,3,…,m，其中t和m取值為自然數(shù)，m為預(yù)測總步數(shù)。構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)和灰色殘差神經(jīng)網(wǎng)絡(luò)模型的組合模型，兩種模型組合模型的表達(dá)式為：