[發明專利]一種基于神經網絡的公共停車場停車需求預測方法

在審

• 申請號: 201910038428.8
• 申請日: 2019-01-16
• 公開（公告）號: CN109886459A
• 公開（公告）日: 2019-06-14
• 發明（設計）人: 蔣盛川;王晨薇;王金棟;杜豫川;張小寧
• 申請（專利權）人: 同濟大學;上海浦東路橋建設股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G08G1/14;G06N3/08
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 蔡彭君

1.一種基于神經網絡的公共停車場停車需求預測方法，其特征在于，包括：

步驟S1：采集各樣本時段的需求特征值和對應的各影響因素的數據，以及待預測時段的各影響因素的數據，其中，所述需求特征值包括停車場泊位平均周轉率、平均停車時長和各時段平均車位占有率；

步驟S2：歸一化處理各影響因素的數據；

步驟S3：將各樣本時段的需求特征值和對應的各影響因素的歸一化數據對預測用神經網絡進行訓練和驗證；

步驟S4：將待預測時段的各影響因素的歸一化數據輸入訓練好的神經網絡，得到待預測時段的需求特征值。

2.根據權利要求1所述的一種基于神經網絡的公共停車場停車需求預測方法，其特征在于，所述影響因素包括周邊500米用地類型、周邊500米范圍就業崗位總數、周邊500米范圍住宅家庭總數、周邊500米范圍家庭平均年收入、周邊1000范圍內停車泊位總數、待預測停車場泊車數量、待預測停車場收費標準、待預測停車場建設類型。

3.根據權利要求2所述的一種基于神經網絡的公共停車場停車需求預測方法，其特征在于，所述神經網絡包括輸入層、隱含層和輸出層，所述輸入層包括8個神經元，所述輸出層包括3個神經元，所述隱含層的激活函數為Sigmoid函數，且隱含層的神經元個數為：

其中：m為輸入層神經元個數，n為輸出層神經元個數，α為常數，取值范圍為1-10。

4.根據權利要求3所述的一種基于神經網絡的公共停車場停車需求預測方法，其特征在于，所述Sigmoid函數為光滑曲線函數，其數學表達式為：

其中：f(x)為隱含層單元的輸出，x為隱含層單元的輸入。

5.根據權利要求3所述的一種基于神經網絡的公共停車場停車需求預測方法，其特征在于，所述步驟S3中神經網絡的訓練過程具體包括：

步驟S31：初始化連接權值；

步驟S32：從訓練集中選取一組樣本，將該樣本時段的需求特征值作為目標樣本，將對應的各影響因素的歸一化數據作為輸入樣本，提供給神經網絡；

步驟S33：用輸入樣本、連接權值及其閾值計算隱含層各單元的輸入，然后通過Sigmoid函數計算隱含層各單元的輸出；

步驟S34：利用神經網絡目標向量和各神經元的響應計算輸出層各單元一般化誤差；

步驟S35：利用連接權值、輸出層的一般化誤差和隱含層的輸出計算隱含層各單元的一般化誤差；

步驟S36：自適應調整學習率；

步驟S37：基于自適應調整學習率修正各連接權值及其閾值；

步驟S38：隨機選取下一組訓練樣本向量提供給網絡，返回到步驟S33，直至網絡全局誤差函數E小于預先設定的值，或者如果迭代次數N達到上限；

步驟S39：輸出各記憶的連接權值，訓練結束。

6.根據權利要求5所述的一種基于神經網絡的公共停車場停車需求預測方法，其特征在于，所述步驟S36具體包括：

步驟S361：計算連接權值的修正值：

其中：ΔW(N)為第N次迭代計算時連接權值的修正值，E_p為實際值與期望輸出的方差，W為連接權值的修正值，η為動量因子，α為學習率，N為當前迭代次數；

步驟S362：計算學習率：

α(N)＝α(N-1)+Δα(N)

其中：Δα(N)為第N次迭代學習時的學習率的增加量，α(N)為第N次迭代學習時的學習率，a為學習率增加量上限，b為學習率增加量系數，α(N-1)為第N-1次迭代學習時的學習率，E(N)為訓練誤差。