基于优化LSTM模型的道路停车泊位预测方法技术

本发明专利技术公开了一种基于优化LSTM模型的道路停车泊位预测方法，包括以下步骤：获取目标停车场的历史停车数据，计算目标停车场内每间隔单位时间的停车泊位数得到样本集；将样本集划分为训练集和测试集并分别进行归一化处理；将归一化训练集输入神经网络模型进行训练，得到第一预测结果集，若第一预测结果集中的结果小于第一误差阈值，则将归一化测试集输入至神经网络模型，得到第二预测结果集，将第二预测结果集进行反归一化处理，计算反归一化处理后得到的结果与剩余停车泊位数之间的误差；若误差小于第二预定误差阈值，将第二预测结果集中对应预定时间段的数据输出。本发明专利技术可以更准确的对停车场的剩余停车泊位数进行预测。

【技术实现步骤摘要】
基于优化LSTM模型的道路停车泊位预测方法
本专利技术涉及道路停车场泊位预测领域，更具体地，涉及一种基于优化LSTM模型的道路停车泊位预测方法。
技术介绍
随着我国经济的飞速发展，城市公共停车设施的建设也越来越受到重视,而城市车辆保有量迅速增长，外来车辆大量增加，公共停车设施的严重滞后，停车设施多头分散管理、相互脱钩、缺乏联系与协调使目前的停车愈加困难，尤其是中心商务区的停车难问题日益突出。随着车辆数量的增加，由于缺乏有效的管理，城市道路或城镇道路旁的车辆的乱停乱放的现象越发严重，很多车辆甚至在禁止区域内停车。这种违法停车的现象不仅造成了道路行车的拥堵，而且逐渐演变成为引发交通事故的一个重要原因。当前现有的对停车泊位的预测算法有非线性时间序列分析法、系统模糊分析法、神经网络分析法等，它们存在以下问题：非线性时间序列分析法虽然结合多种影响因素，可对有效停车泊位进行短时预测，但其对数据的波动性处理能力较弱，预测结果的稳定性较差。系统模糊分析法可明显降低采集数据的波动率，并对输出结果进行的处理，但其运算能力具有一定局限性，数据较大情况下准确率会有所下降。神经网络分析法虽具有较高的容错性及鲁棒性，具有拟合非线性复杂系统的预测能力，但由于其对输入数据的处理能力有限，预测容易陷入局部最优，并且预测结果随机波动性较大，预测结果有时稳定性较差。因此亟待设计一种预测结果稳定、预测准确度高的道路停车泊位预测方法。
技术实现思路
有鉴于此，本专利技术提供了一种基于优化LSTM模型的道路停车泊位预测方法，解决了现有技术中对停车场的剩余停车泊位数预测结果不稳定，准确度低的问题。为了解决上述问题，本专利技术提供了一种基于优化LSTM模型的道路停车泊位预测方法，包括：步骤S1：接收停车泊位预测请求，其中，所述停车泊位预测请求用于请求预测目标停车场内预定时间段中每间隔单位时间的剩余停车泊位数；步骤S2：获取所述目标停车场的历史停车数据，其中，所述历史停车数据包括车辆标识、车辆行驶目标和数据记录时间，其中，所述车辆行驶目标为驶入停车场或驶出停车场；步骤S3：根据所述历史停车数据计算所述目标停车场内每间隔所述单位时间的历史剩余停车泊位数得到样本集x(0)＝{x1，x2，…，xk}，其中，xi为第i个所述单位时间时所述目标停车场内剩余停车泊位数，i大于等于1且小于等于k；步骤S4：将所述样本集划分为训练集和测试集，其中，所述训练集包括所述样本集中的前N个剩余停车泊位数，所述测试集包括所述样本集中的第N+1至第k个剩余停车泊位数，N大于1且小于k；步骤S5：对所述训练集和所述测试集进行归一化处理，得到归一化训练集和归一化测试集；步骤S6：将所述归一化训练集输入神经网络模型进行训练，得到第一预测结果集，其中，所述神经网络模型依次包括第一LSTM层、Bi-LSTM层、第二LSTM层、全连接层和输出层，所述神经网络模型用于根据时间序列数据中的第m-(s-1)至第m-1个数据预测第m个数据，s大于1，m大于s-1；步骤S7：判断训练误差是否小于第一预定误差阈值，判断训练次数是否达到预定次数阈值；步骤S8，若所述训练误差小于所述第一预定误差阈值，和/或所述训练次数达到所述预定次数阈值，则将所述归一化测试集输入至所述神经网络模型，得到第二预测结果集，并执行步骤S10；步骤S9，若所述训练误差不小于所述第一预定误差阈值且所述训练次数未达到所述预定次数阈值，则将所述训练次数加1，并返回步骤S6，其中，所述训练次数的初始值为1；步骤S10：将所述第二预测结果集进行反归一化处理；步骤S11：计算反归一化处理后的所述第二预测结果集中的预测结果与所述测试集中对应的剩余停车泊位数之间的误差；步骤S12：判断所述误差是否小于第二预定误差阈值；步骤S13：若所述误差不小于所述第二预定误差阈值，则根据所述误差调整所述神经网络模型的参数，将所述训练次数置为1，并返回步骤S6；步骤S14：若所述误差小于所述第二预定误差阈值，则将所述第二预测结果集中对应所述预定时间段的数据输出。进一步的，所述停车泊位预测请求用于请求预定日期内预定时间段中每间隔单位时间的剩余停车泊位数，所述步骤S2包括：判断所述预定日期为工作日或休息日；若所述预定日期为工作日，则获取所述目标停车场的工作日的历史停车数据；若所述预定日期为休息日，则获取所述目标停车场的休息日的历史停车数据；进一步的，在所述步骤S5中，采用以下公式对所述训练集和测试集中的数据进行归一化处理：xk＝(xk-xmin)/(xmax-xmin)，其中，xmax为所述样本集中的最大值，xmin为所述样本集中的最小值。进一步的，所述步骤S3包括：统计第i个所述单位时间内车辆行驶目标为驶入停车场的车辆的数量Ai：统计第i个所述单位时间内车辆行驶目标为驶出停车场的车辆的数量Bi；根据所述第i个单位时间内车辆行驶目标为驶入停车场的车辆的数量Ai和车辆行驶目标为驶出停车场的车辆的数量Bi计算第i个所述单位时间时所述目标停车场内历史剩余停车泊位数xi。进一步的，所述步骤S3还包括：获取所述历史停车数据中最后一个所述数据记录时间时，所述目标停车场内的剩余停车泊位数作为xk+1；根据所述第i个单位时间内车辆行驶目标为驶入停车场的车辆的数量Ai和车辆行驶目标为驶出停车场的车辆的数量Bi计算第i个所述单位时间时所述目标停车场内历史剩余停车泊位数xi时，采用以下公式进行计算：xi＝xi+1+Ai-Bi。进一步的，所述步骤S3还包括：获取所述历史停车数据中第一个所述数据记录时间时，所述目标停车场内的剩余停车泊位数作为x0；根据所述第i个单位时间内车辆行驶目标为驶入停车场的车辆的数量Ai和车辆行驶目标为驶出停车场的车辆的数量Bi计算第i个所述单位时间时所述目标停车场内历史剩余停车泊位数xi时，采用以下公式进行计算：xi＝xi-1-Ai+Bi。进一步的，在所述神经网络模型中：将输入数据依次输入所述第一LSTM层，得到所述第一LSTM层的输出结果；从所述第一LSTM层接收到的输入数据中的第s-1个数据开始，将所述第一LSTM层的输出结果输入至所述Bi-LSTM层，得到所述Bi-LSTM层的输出结果；将所述Bi-LSTM层的输出结果输入所述第二LSTM层，所述第二LSTM层的输出结果；将所述第二LSTM层的输出结果输入所述全连接层，得到所述全连接层的输出结果；将所述全连接层的输出结果输入所述输出层，所述输出层输出预测结果。进一步的，所述步骤S11包括：计算反归一化处理后的所述第二预测结果集中的预测结果与所述测试集中对应的剩余停车泊位数之间的均方误差。进一步的，所述步骤S13包括：根据所述误差调整所述神经网络模型中每层神经网络神经元的个数、学习率、训练批次和训练数据长度。进一步的，所述全连接层的激活函数为sigmoid函数。与现有技术相比，本专利技术提供的基于优化LSTM模型的道路停车泊位预测方法，至少实现了如下的有益效果：一、本专利技术采用了循环神经网络模型，基于长短期记忆网络LSTM和双向LSTM网络的有效停车泊位组合预测模型，可大幅度减弱有效停车泊位时间序列数据的随机波动性，有效处理和预测时间序列数据中间隔和延迟相对较长的事件；二、通过对每一次第二预测结果集中的预测结果计算预测本文档来自技高网...

【技术保护点】
1.一种基于优化LSTM模型的道路停车泊位预测方法，其特征在于，包括：步骤S1：接收停车泊位预测请求，其中，所述停车泊位预测请求用于请求预测目标停车场内预定时间段中每间隔单位时间的剩余停车泊位数；步骤S2：获取所述目标停车场的历史停车数据，其中，所述历史停车数据包括车辆标识、车辆行驶目标和数据记录时间，其中，所述车辆行驶目标为驶入停车场或驶出停车场；步骤S3：根据所述历史停车数据计算所述目标停车场内每间隔所述单位时间的历史剩余停车泊位数得到样本集x(0)＝{x1，x2，...，xk}，其中，xi为第i个所述单位时间时所述目标停车场内剩余停车泊位数，i大于等于1且小于等于k；步骤S4：将所述样本集划分为训练集和测试集，其中，所述训练集包括所述样本集中的前N个剩余停车泊位数，所述测试集包括所述样本集中的第N+1至第k个剩余停车泊位数，N大于1且小于k；步骤S5：对所述训练集和所述测试集进行归一化处理，得到归一化训练集和归一化测试集；步骤S6：将所述归一化训练集输入神经网络模型进行训练，得到第一预测结果集，其中，所述神经网络模型依次包括第一LSTM层、Bi‑LSTM层、第二LSTM层、全连接层和输出层，所述神经网络模型用于根据时间序列数据中的第m‑(s‑1)至第m‑1个数据预测第m个数据，s大于1，m大于s‑1；步骤S7：判断训练误差是否小于第一预定误差阈值，判断训练次数是否达到预定次数阈值；步骤S8：若所述训练误差小于所述第一预定误差阈值，和/或所述训练次数达到所述预定次数阈值，则将所述归一化测试集输入至所述神经网络模型，得到第二预测结果集，并执行步骤S10；步骤S9：若所述训练误差不小于所述第一预定误差阈值且所述训练次数未达到所述预定次数阈值，则将所述训练次数加1，并返回步骤S6，其中，所述训练次数的初始值为1；步骤S10：将所述第二预测结果集进行反归一化处理；步骤S11：计算反归一化处理后的所述第二预测结果集中的预测结果与所述测试集中对应的剩余停车泊位数之间的误差；步骤S12：判断所述误差是否小于第二预定误差阈值；步骤S13：若所述误差不小于所述第二预定误差阈值，则根据所述误差调整所述神经网络模型的参数，将所述训练次数置为1，并返回步骤S6；步骤S14：若所述误差小于所述第二预定误差阈值，则将所述第二预测结果集中对应所述预定时间段的数据输出。...

【技术特征摘要】
1.一种基于优化LSTM模型的道路停车泊位预测方法，其特征在于，包括：步骤S1：接收停车泊位预测请求，其中，所述停车泊位预测请求用于请求预测目标停车场内预定时间段中每间隔单位时间的剩余停车泊位数；步骤S2：获取所述目标停车场的历史停车数据，其中，所述历史停车数据包括车辆标识、车辆行驶目标和数据记录时间，其中，所述车辆行驶目标为驶入停车场或驶出停车场；步骤S3：根据所述历史停车数据计算所述目标停车场内每间隔所述单位时间的历史剩余停车泊位数得到样本集x(0)＝{x1，x2，...，xk}，其中，xi为第i个所述单位时间时所述目标停车场内剩余停车泊位数，i大于等于1且小于等于k；步骤S4：将所述样本集划分为训练集和测试集，其中，所述训练集包括所述样本集中的前N个剩余停车泊位数，所述测试集包括所述样本集中的第N+1至第k个剩余停车泊位数，N大于1且小于k；步骤S5：对所述训练集和所述测试集进行归一化处理，得到归一化训练集和归一化测试集；步骤S6：将所述归一化训练集输入神经网络模型进行训练，得到第一预测结果集，其中，所述神经网络模型依次包括第一LSTM层、Bi-LSTM层、第二LSTM层、全连接层和输出层，所述神经网络模型用于根据时间序列数据中的第m-(s-1)至第m-1个数据预测第m个数据，s大于1，m大于s-1；步骤S7：判断训练误差是否小于第一预定误差阈值，判断训练次数是否达到预定次数阈值；步骤S8：若所述训练误差小于所述第一预定误差阈值，和/或所述训练次数达到所述预定次数阈值，则将所述归一化测试集输入至所述神经网络模型，得到第二预测结果集，并执行步骤S10；步骤S9：若所述训练误差不小于所述第一预定误差阈值且所述训练次数未达到所述预定次数阈值，则将所述训练次数加1，并返回步骤S6，其中，所述训练次数的初始值为1；步骤S10：将所述第二预测结果集进行反归一化处理；步骤S11：计算反归一化处理后的所述第二预测结果集中的预测结果与所述测试集中对应的剩余停车泊位数之间的误差；步骤S12：判断所述误差是否小于第二预定误差阈值；步骤S13：若所述误差不小于所述第二预定误差阈值，则根据所述误差调整所述神经网络模型的参数，将所述训练次数置为1，并返回步骤S6；步骤S14：若所述误差小于所述第二预定误差阈值，则将所述第二预测结果集中对应所述预定时间段的数据输出。2.根据权利要求1所述的基于优化LSTM模型的道路停车泊位预测方法，其特征在于，所述停车泊位预测请求用于请求预定日期内预定时间段中每间隔单位时间的剩余停车泊位数，所述步骤S2包括：判断所述预定日期为工作日或休息日；若所述预定日期为工作日，则获取所述目标停车场的工作日的历史停车数据；若所述预定日期为休息日，则获取所述目标停车场的休息日的历史停车数据。3.根据权利要求1所述的基于优化LSTM模型的道路停车泊位预测方法，在所述步骤S5中，采用以下公式对所述训练集和测试集...

【专利技术属性】
技术研发人员：刘菲，沈海南，辛国茂，周永利，郝敬全，
申请(专利权)人：泰华智慧产业集团股份有限公司，
类型：发明
国别省市：山东,37