A method for predicting the remaining parking spaces in indoor parking lots includes the following steps: step 1. obtaining the sequence of spare parking spaces in parking lots and preprocessing the data; step 2. denoising the training set of the initial sequence to get the time series of noise removal, recording it as a smooth sequence, dividing it into test set and training set; training LSTM neural network with the training set of smooth sequence; step 3. The grey residual neural network model is constructed and trained by using the initial sequence. Step 4. The final prediction model is obtained by weighting combination of the two prediction models.
【技术实现步骤摘要】
一种室内停车场剩余车位预测方法
:本专利技术涉及一种停车场剩余车位的预测方法。
技术介绍
:随着人民生活水平日益提高,城市机动车保有量逐年增加,而停车位的数量不能满足需求,停车难日益成为一个大问题。近年来大数据技术在智能交通领域的应用越来越多,很多人工智能算法在泊位数量的预测上颇有成效。目前主流的研究是通过对停车场历史数据分析,进而对停车场的车位信息做出准确的预测,凭借准确的预测结果为用户提供可靠的出行信息,帮助用户做好出行规划,同时减少用户寻找停车位浪费的时间,缓解了城市交通压力。在已有的预测停车场车位数量的研究中,主流方法是获取停车场各个时间段泊位数据,按时间顺序排列为时间序列并对之进行分析研究,研究侧重于预测模型的构建使用,而对于时间序列中去除随机性成分的研究偏少。停车场车位数量时间序列的组成可分为随机过程成分和混沌过程成分组成。随机信号产生于随机系统,具有不可预测的特性,当预测的训练集中存在随机成分时会对预测模型的训练产生负面影响。传统时间序列的去噪包括两类方法:一类是以小波方法和平滑方法为代表的直接去噪方法,目的为消除序列次要运动走向,保留主要趋势;另一类为频域去噪方法,以频域差异为区分标准,保留能量分布较高的频带,消除能量分布较低的频带。这两类方法均是由序列结果层面对序列进行去噪处理,忽略了随机成分产生的机理的复杂性。而且停车场车位时间序列的影响因素较多,噪声的产生机理比较复杂,单一的去噪方法的模型并不能在剔除噪声方面有优势,进行多步预测时会存在较大误差。
技术实现思路
:本专利技术要克服现有技术的上述缺点,提供一种室内大型停车场车位的组合预测方法 ...
【技术保护点】
1.一种室内停车场剩余车位预测方法,包括如下步骤:步骤1.得到停车场空余泊位序列,并进行数据预处理;获取停车场空余泊位历史数据,以5分钟为间隔提取数据,得到停车场空余泊位时间序列,记为X={Xi|i=1,2,…,n},其中Xi为第i时间段的停车场空余泊位数量,n和i取值为自然数,n为时间序列中时间段总数量;对数据的完整性进行检验,查看是否存在缺值;当存在缺值时,采用插值的方法;所得序列记为初始序列;步骤2.对初始序列的训练集进行去噪处理,得到去除噪声的时间序列,记为平滑序列,将其划分测试集与训练集;使用平滑序列训练集训练LSTM神经网络;(21)在初始序列的去噪处理中,采用经遗传算法改进的一阶滞后滤波算法;公式为:
【技术特征摘要】
1.一种室内停车场剩余车位预测方法,包括如下步骤:步骤1.得到停车场空余泊位序列,并进行数据预处理;获取停车场空余泊位历史数据,以5分钟为间隔提取数据,得到停车场空余泊位时间序列,记为X={Xi|i=1,2,…,n},其中Xi为第i时间段的停车场空余泊位数量,n和i取值为自然数,n为时间序列中时间段总数量;对数据的完整性进行检验,查看是否存在缺值;当存在缺值时,采用插值的方法;所得序列记为初始序列;步骤2.对初始序列的训练集进行去噪处理,得到去除噪声的时间序列,记为平滑序列,将其划分测试集与训练集;使用平滑序列训练集训练LSTM神经网络;(21)在初始序列的去噪处理中,采用经遗传算法改进的一阶滞后滤波算法;公式为:其中:cj为本次滤波结果;xj为本次采样值;cj-1为上次滤波结果,j为采样时间段;α为滤波系数,取值为0到1之间,β为误差修正系数,取值为0到1之间;N为每批采样数据的个数;改进一阶滞后滤波算法,每隔N个采样数据,采用遗传算法优化方法对系数α和β进行动态参数选定,将取出的样本数据,经过一阶滞后滤波算法做滤波处理,再更新样本数据;最终得到序列B={bi|i=1,2,…,n},其中bi表示初始序列经过预处理后的待预测序列,记为去噪序列,{}表示集合,n和i取值为自然数,n为时间序列中时间段总数量;(22)对去噪序列进行极差标准化处理,使样本数据处于[0,1]之间;X=Xnor·(Xmax-Xmin)+Xmin(2)其中:Xnor和X为数据转化前后的数据;Xmax与Xmin表示样本中数据的最大值和最小值;(23)用以上方法处理之后的去噪序列按照简单交叉验证法划分为训练集与测试集,前85%组数据作为训练集,余下的15%组数据作为测试集,输入到网络模型中进行训练;(24)所述LSTM神经网络的具体构建参照现有技术,为便于实时提供过程建议如下:步骤24.1:确定输入层、输出层;设置网络输入为每批p个变量作为输入X={Xi|i=1,2,······,n},l个变量作为输出O={Oi|i=1,2,······,m},其中Xi输入层第i个输入变量,Oi表示输出层第i个输出结果;网络经过训练会输出接下来连续的m个时间段的预测值;每批n个数据预测未来m个时间段的泊位占有率,n和m取值为自然数;步骤24.2:隐藏层参数设置;本实施中设定隐藏层数为2层,每层R个神经元;隐藏层神经元的个数确定方法为其中p为输入神经元的个数,l为输出神经元的个数,ψ为待定常数,取值在1到10之间;步骤24.3:预测模型训练过程参数设置;构建LSTM网络预测模型之后,对数据进行训练过程中,由loss损失函数获得网络模型的输出误差,并由梯度下降法寻找最小值,更新权重,最终使模型收敛;loss损失函数选择均方误差,用来衡量网络每一步训练后预测值与真实值的偏差,在运行过程中loss损失函数输出值越来越小,最终趋近与0;优化器算法选择RMSProp法;RMSprop法是对梯度下降法进行的改进,能够自动调节学习速率,以解决深度学习中学习率急剧下降和过早结束的问题,适合处理非平稳目标;步骤24.4:判定预测模型误差;对LSTM网络模型预测结果,采用均方根误差和平均相对误差验证其预测精度;步骤3.使用初始序列构建并训练灰色残差神经网络模型;使用步骤一所得的初始序列构建灰色模型,使用灰色模型进行s步预测;由得到的s步预测结果和实际该时间段的车位数量序列构建残差序列;使用该残差序列训练LSTM神经网络计算得到...
【专利技术属性】
技术研发人员:岑跃峰,李向东,岑岗,张宇来,马伟峰,程志刚,徐昶,孔颖,周扬,林雪芬,徐增伟,王佳晨,
申请(专利权)人:浙江科技学院,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。