[發明專利]基于MRA-BAS-BP算法的城市商辦綜合體建筑停車需求預測方法

在審

• 申請號: 202110997333.6
• 申請日: 2021-08-27
• 公開（公告）號: CN113705891A
• 公開（公告）日: 2021-11-26
• 發明（設計）人: 湯祥;馬健霄;周順;單天賜
• 申請（專利權）人: 南京林業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G08G1/14;G06N3/04;G06N3/08
• 代理公司: 南京科闊知識產權代理事務所(普通合伙) 32400
• 代理人: 王清義

本發明公開了一種基于MRA?BAS?BP算法的城市商辦綜合體建筑停車需求預測方法，首先是利用MRA模型對停車需求數據與停車需求影響因素數據進行回歸分析，然后運用BAS優化下的BP神經網絡算法對回歸殘差進行訓練和分析，最后將訓練完成的BAS?BP神經網絡殘差值預測模型預測的殘差值反饋至MRA模型并修正。最后將常用的MRA方法和本發明提出的MRA?BAS?BP神經網絡組合算法進行對比，對比結果表明本發明可以提高城市商辦綜合體建筑停車需求的預測精度，可以對城市綜合體建筑的停車配建規模提供更加科學的依據。

技術領域

本發明屬于城市停車設施規劃技術領域，具體涉及一種基于MRA-BAS-BP算法的城市商辦綜合體建筑停車需求預測方法。

背景技術

近年來，城市機動化進程快速加快，隨之而來的是機動車高擁有率、高增長率、高使用率的“三高”問題日益突出，日益加深的停車供需矛盾已成為城市重點關注的“熱點”與“焦點”。隨著城區土地利用的集約與多元化發展，出現了一種集聚商業、辦公類業態的城市綜合體，此類建筑交通吸引能力強、停車需求旺盛，合理地解決城市商辦綜合體建筑停車設施配建問題是緩解日益加劇的停車矛盾、緩解城市交通擁堵的重要課題。停車需求預測是制訂建筑停車配建指標的核心路徑、基本手段，因此開展對商辦綜合體的停車需求預測研究現實意義重大。

傳統的停車需求預測一般采用單一的多元回歸分析(MRA,Multiple RegressionAnalysis)等模型，由于停車需求的影響因素包含線性與非線性的混合特征，利用單一MRA模型很難精準控制和準確預測結果。

發明內容

本發明所要解決的技術問題是針對上述現有技術的不足提供一種基于MRA-BAS-BP算法的城市商辦綜合體建筑停車需求預測方法，具體是一種基于多元回歸分析(MRA，Multiple Regression Analysis)模型、天牛須搜索(BAS，Beetle Antennae Search)算法、BP神經網絡的組合算法在城市商辦綜合體建筑停車需求預測的應用，本基于MRA-BAS-BP算法的城市商辦綜合體建筑停車需求預測方法通過MRA模型、天牛須搜索算法、BP神經網絡的組合算法進行停車需求預測，提升了模型整體的魯棒性與精準度，提高預測的精準度與效率。

為實現上述技術目的，本發明采取的技術方案為：

一種基于MRA-BAS-BP算法的城市商辦綜合體建筑停車需求預測方法，包括：

步驟1：收集城市多個商辦綜合體建筑的停車需求數據與停車需求影響因素數據；

步驟2：將步驟1收集的停車需求數據與停車需求影響因素數據作為MRA模型的訓練樣本，建立商辦綜合體建筑停車需求預測回歸MRA模型，計算商辦綜合體建筑停車需求預測回歸MRA模型預測出的停車需求數據與真實的停車需求數據之間的殘差ε_i；

步驟3：初始化天牛須算法和BP神經網絡中的相關參數；

步驟4：天牛須算法通過迭代更新獲取BP神經網絡的最優初始權值與閾值，建立BAS-BP神經網絡殘差值預測模型；

步驟5：將原始停車需求影響因素數據作為BAS-BP神經網絡殘差值預測模型的輸入值，殘差ε_i作為BAS-BP神經網絡殘差值預測模型的輸出值，進行訓練與預測，并判斷訓練誤差是否達到預設精度，若符合則輸出預測殘差結果ζ_i，得到訓練完成的BAS-BP神經網絡殘差值預測模型，執行步驟6，否則返回步驟4重新進行迭代更新；

步驟6：利用訓練完成的BAS-BP神經網絡殘差值預測模型預測得到的殘差ζ_i對商辦綜合體建筑停車需求預測回歸MRA模型進行修正。