【技术实现步骤摘要】
基于优化小波神经网络的停车泊位多步预测方法
本专利技术涉及数据处理
,具体涉及一种基于优化小波神经网络的停车泊位多步预测方法。
技术介绍
汽车的便利、快捷使其成为了生活中不可或缺的重要部分,而伴随着私家车数量的飞速增长,城市原本有限的空间也变得更加的拥挤,相对于每辆车的停放空间也逐渐越来越小。城市的停车问题日趋严重,停车需求量日趋加大,城市的停车问题已经严重阻碍经济的发展。因而停车位的预测对于交通问题的改善具有十分重要的意义。目前有关预测方法主要有:BP神经网络、模糊神经网络、灰色理论、马尔科夫、小波函数、支持向量机、粒子群优化算法、极限学习机等。杨兆升等通过将过去3个时刻的实测数据输入对神经网络进行训练,提出了基于模糊神经网络以及BP神经网络的停车位预测模型,虽然神经网络是适合于具有非线性的时间序列的预测的,但它通过梯度下降法沿着局部改善的方向逐步改善网络参数,易陷入局部极值,并且网络的收敛速度慢,学习周期长,模糊神经网络是将神经网络的学习算法与模糊逻辑结合,通过样本的学习提高神经网络的性能,需要对知识和规则进行推理,不易实现,且由于该模型认定后一时刻的泊位数据取决于由前3个时刻的泊位数据是没有理论依据的,因而具有一定的盲目性,所以导致其预测结果不够精确。为解决上述问题,并使输入的数据有理有据,陈群等采用Elman神经网络和相空间重构的方法确定输入的数据及个数,提出了基于相空间重构和Elman神经网络的停车泊位预测方法,使得预测结果更精准。为进一步提高预测精度,季彦婕等提出了基于Markov模型的小波分析的预测方法,预测结果有一定提高,但预测结果仍 ...
【技术保护点】
一种基于优化小波神经网络的停车泊位多步预测方法,其特征在于,包括如下步骤:S1采集有效停车泊位信息,得到停车场的有效停车泊位的时间序列;S2采用梯度下降法训练小波神经网络的各个参数,得到预测结果与实际结果之间的误差平方和e;S3将步骤S2中得到的误差平方和e作为粒子群算法的适应度函数,然后利用粒子群算法逐步搜索粒子的当前局部最优值和整体的全局最优值,通过逐步迭代更新得到全局最优值;S4将步骤S3中得到的全局最优值作为单隐层前馈神经网络的输入样本,采用ELM算法对步骤S3中得到的全局最优值进行训练,得到输出结果即为有效停车位时间序列的预测结果y;S5将步骤S4中得到的有效停车位时间序列的预测结果y进行累减还原,从而获得有效停车泊位时间序列的最终预测结果Y=y*(max(y)‑min(y))+min(y)。
【技术特征摘要】
1.一种基于优化小波神经网络的停车泊位多步预测方法,其特征在于,包括如下步骤:S1采集有效停车泊位信息,得到停车场的有效停车泊位的时间序列;S2采用梯度下降法训练小波神经网络的各个参数,得到预测结果与实际结果之间的误差平方和e;S3将步骤S2中得到的误差平方和e作为粒子群算法的适应度函数,然后利用粒子群算法逐步搜索粒子的当前局部最优值和整体的全局最优值,通过逐步迭代更新得到全局最优值;S4将步骤S3中得到的全局最优值作为单隐层前馈神经网络的输入样本,采用ELM算法对步骤S3中得到的全局最优值进行训练,得到输出结果即为有效停车位时间序列的预测结果y;S5将步骤S4中得到的有效停车位时间序列的预测结果y进行累减还原,从而获得有效停车泊位时间序列的最终预测结果Y=y*(max(y)-min(y))+min(y)。2.根据权利要求1所述的基于优化小波神经网络的停车泊位多步预测方法,其特征在于,步骤S1具体为:统计在不同时间段i内进入停车场的车辆数Ei和离开该停车场的车辆数Gi,其中,i=1,2,…,N,N为时间段个数,则各个时间段末的有效泊位数为Yi=Yi-1-Ei+Gi,从而得到停车场的有效停车泊位的时间序列T={Y1,Y2,…,YN}。3.根据权利要求1或2所述的基于优化小波神经网络的停车泊位多步预测方法,其特征在于,有效停车泊位的时间序列的时间间隔为5分钟。4.根据权利要求2所述的基于优化小波神经网络的停车泊位多步预测方法,其特征在于,步骤S1中,将T进行归一化,进而得到归一化后的时间序列T′=(T-min(T))/(max(T)-min(T)),以归一化后的时间序列T′作为最终的有效停车泊位的时间序列。5.根据权利要求1所述的基于优化小波神经网络的停车泊位多步预测方法,其特征在于,步骤S2具体为:2.1)利用小波函数作为神经网络隐含层神经元的输出函数,对步骤S1中所求得的有效停车泊位的时间序列进行小波分解与重构,得到尺度为N的低频系数向量LN和N个高频系数向量H1,H2,…,HN,其中尺度数N为整数;2.2)利用rand()函数随机初始化小波神经网络中输入层与隐含层之间的连接权值Wij、隐含层与输出层的连接权值Wjk、Φj的伸缩因子aj和Φj的平移因子bj,Φj为小波基函数,将2.1)中得到的尺度为N的低频系数向量LN和N个高频系数向量H1,H2,…,HN作为隐含层的数据样本输入;2.3)根据得到为隐含层第j个节点的输出结果h(j),xi为输入层节点值,即隐含层的输入;2.4)根据计算小波神经网络的预测值,并与S1中所得到的有效停车泊位的时间序列的对应的实际值进行比较,同时求出实际值与预测值之间的误差平方和:其中,Φj为小波基函数,n为样本总数,Y(k)为第k个样本的实际值,M(k)为第k个样本的预测值;m为输出层节点个数;2.5)根据步骤2.4)中的误差平方和e,按照如下公式来不断地调整小波神经网络的连接权值、伸缩因子以及平移因子,直至误差平方和e达到期望值标准或者迭代次数超过期望状态,并将当前参数作为最优值使用:
【专利技术属性】
技术研发人员:杨有,李田田,尚晋,曾绍华,余平,
申请(专利权)人:重庆师范大学,
类型:发明
国别省市:重庆,50
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。