一种有效停车泊位的预测方法技术

一种有效停车泊位的预测方法，包括：步骤一，根据采集到的停车场的历史信息得到有效停车位的时间序列，并检验序列的完整性，记为第一待预测时间序列；步骤二，将时间序列在高维空间进行重构，实现随机成分与确定成分的分离；步骤三，把得出的低维空间流形坐标映射回原时间序列相空间重构得到的高维嵌入空间中；步骤四，训练集训练LSTM神经网络得到第一LSTM神经网络；训练集训练LSTM神经网络得到第二LSTM神经网络；将第一待预测时间序列训练值输入第一LSTM得到第一预测结果，将第二待预测时间序列训练值输入第二LSTM得到第二预测结果；步骤五，加权组合第一预测结果和第二预测结果，并与原序列的进行相似度检验，从而确定最终结果。

An Effective Parking Prediction Method

An effective parking space prediction method includes: step 1, valid parking space time series is obtained according to the historical information of the collected parking lot, and the integrity of the sequence is tested, which is recorded as the first time series to be predicted; step 2, the time series is reconstructed in high-dimensional space to realize the separation of random components and deterministic components; step 3, the low-dimensional space is obtained. Manifold coordinates are mapped back to the high-dimensional embedded space reconstructed from the phase space of the original time series; step 4, the training set trains LSTM neural network to get the first LSTM neural network; the training set trains LSTM neural network to get the second LSTM neural network; the training value of the first time series to be predicted is input into the first LSTM to get the first prediction result, and the training value of the second time series to be predicted is input into the first LSTM The second LSTM obtains the second prediction result; step 5, weighted combination of the first prediction result and the second prediction result, and similarity test with the original sequence to determine the final result.

【技术实现步骤摘要】
一种有效停车泊位的预测方法
：本专利技术涉及一种室内停车场车位预测方法。
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，而停车位的数量却往往不能满足需求，停车难日益成为一个严峻的问题。近年来，大数据技术在智能交通领域的应用越来越多，很多研究通过对停车场历史数据进行分析，进而对停车场的车位信息做出较为准确的预测。以此为用户提供准确的出行信息，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，在一定程度上缓解了城市交通压力。在已有的停车场车位预测的研究中，主流思路是按照时间序列的分析进行研究，研究侧重于预测模型的构建使用，但其中对于去除时间序列随机性成分的研究不多。停车场车位时间序列是由随机过程成分和确定过程成分组成，随机过程成分具有随机性，无法直接预测，确定过程成分具有很强的规律性，预测效果较好。随机信号产生于随机系统，不具有可预测性，其存在虽然在短期预测时影响不大，但是在多步预测时会很大影响预测精度。
技术实现思路
：本专利技术要克服现有技术的上述缺点，提供一种室内停车场空余泊位数量预测方法，既保证剔除序列的随机分量，又保证在短期预测的预测精度。一种有效停车泊位的预测方法，用于预测中小型的停车场的有效停车泊位的数量,包括以下步骤：步骤一，根据采集到的停车场的历史信息得到有效停车位的时间序列，并检验序列的完整性，记为第一待预测时间序列，即a＝{ai|i＝1,2,…,n}，其中ai表示第i个时间段的停车场空余泊位数量，n，i为自然数，n为待预测时间序列数量；步骤二，将步骤一得到的时间序列在高维空间进行重构，选取嵌入维度为λ，令ai＝f(ai-λ,ai-(λ-1),…,ai-1),i＝1,2,…,n，利用局部切空间排列方法从重构的高维嵌入空间中提取系统的主流形分布的低维空间，分离序列的随机成分与确定成分的；步骤三，把得出的低维空间流形坐标映射回原时间序列相空间重构得到的高维嵌入空间中，再映射回一维时间序列即得到原序列中确定成分的时间序列，记为第二待预测时间序列，Si＝{Si|i＝1,2,…,n}，其中Si表示原序列确定成分的时间序列中第i个时间段分空余泊位数量；步骤四，将步骤一中的第一待预测时间序列70％划分为第一训练集，30％划分为第一测试集。将步骤三中的第二待预测时间序列70％划分为第二训练集，30％划分为第二测试集。第一训练集用来训练LSTM神经网络得到第一LSTM神经网络模型优化参数；使用第二训练集训练LSTM神经网络得到第二LSTM神经网络模型优化参数；将第一测试集输入到第一LSTM神经网络模型优化参数设置的LSTM神经网络中得到第一预测结果Q，Q＝{Qt|t＝1,2,…,m}，其中Qt为第t步预测结果，t和m为自然数，m为预测结果总数；将第二测试集输入到第二LSTM神经网络模型优化参数设置的LSTM神经网络中得到第二预测结果G，G＝{Gt|t＝1,2,…,m}，其中Gt为第t步预测结果，t和m为自然数，m为预测结果总数。步骤五，加权组合第一预测结果和第二预测结果，并与原序列的进行相似度检验，从而确定最终结果。进一步，所述步骤一中所得序列进行的完整性检验时，当发现缺值时采用插值的方法补充缺值；进一步，所述步骤二中利用主流形式识别方法实现随机成分与确定成分分离具体包括：(1)选取样本点领域。令时间序列重构相空间第i个样本点为xi，选取包括该样本点自身在内的k个距离该样本点最近的点作为邻域，记为Xi＝[xi1,xi2,…,xik]，其中xi1,xi2,…,xik为距离xi最近的k个点，k为大于1的整数，[]表示矩阵符号。(2)局部线性投影变换。计算样本点xi邻域的中心化矩阵，记为其中为邻域中k个点的平均值，lk为长度为k的权值矩阵，T为矩阵转置符号。对中心化矩阵做奇异值求解，将所得的奇异值从大到小排列，取其中前d个奇异值组成矩阵Ri；所得的前d个奇异值对应的奇异向量组成矩阵，记做Vi；其中d为取值在1和k之间的整数；(3)排列局部坐标。构造排列矩阵为其中Ai是满足[x1,x2,…,xn]Ai＝[xi1,xi2,…,xik]的选择矩阵，I为单位矩阵，φ为构造的排列矩阵，ki表示第i个样本点的邻域中取点个数，∑为连加符号。计算矩阵θ奇异值从小到大排序后的前d+1个奇异值对应的奇异向量,记为组成整个样本的低维空间流形，记为进一步，所述步骤三将低维空间流形坐标变换回步骤二得到的高维嵌入空间中。即其中Li为Xi到的转化矩阵，为低维流行中第i个奇异向量，表示i个奇异向量的平均值，yi为变换回高维空间的时间序列。将yi映射回一维序列得到原序列去除随机成分后为Si。进一步，所述步骤四LSTM神经网络的训练中，对网络的权值训练采用正则化优化的方法，以提高LSTM神经网络的泛化能力。具体为：根据隐藏层的输出计算出LSTM的输出值构造LSTM的目标函数，然后对目标函数加入正则项，通过ADAM算法最小化目标函数，并不断更新LSTM中的参数，直到达到阈值。进一步，所述步骤五将步骤四得到的第一预测结果Qt与第二预测结果Gt加权结合，得到最终输出Zt，其中Zt＝wQt+(1-w)Gt,t＝1,2,······,m。其中w为动态权值，取0.0～1.0之间的21个数，间隔0.05，Zt为t时刻的最终预测结果。w首先令为0.0，计算t＝1时刻至t＝21时刻的21个组合模型的预测结果，即得到21个Zt；然后令w的依次取值递增0.05，分别得到21个Zt值；最后选取其中一个w值作为w的最佳取值，记为wop。通过循环计算，输出21组与权值w相关的数据，即得到一组加权集成后的车位预测数据。其中为确定w的最佳取值，采用关联度计算的方法。以的实际值曲线和组合模型预测值Zt的差值大小作为关联度的衡量标准，采用Zt曲线和实际停车场空余泊位数量序列的几何形状的相似程度来判断两者联系是否紧密。关联度计算公式为：其中γ为关联度，ft为实际泊位时间序列中第t个时间段的实际值，为m个ft的平均值，为Zt序列的平均值。当关联度γ为最大时，w的取值为最佳权重，取一组最佳权重记为wop。所以模型在t时刻的预测结果为：Zt＝wopQt+(1-wop)Gt,t＝1,2,······,m。本专利技术的优点是：使用组合模型预测的方法，有效减少干扰，提高预测结果精准程度。附图说明：图1是本专利技术方法的流程图。具体实施方式：下面结合附图进一步阐明本专利技术的技术方案。本专利技术的停车场有效车位数量多步预测方法，具体步骤如下：步骤一：在停车场入口控制系统查询不同时间段的空余车位数量信息，处理得到不同时间间隔(实例取5分钟)的停车场实际占用停车泊位序列。在停车场控制系统获取每个时刻的场内空余车位的数量信息，以5分钟的时间为间隔将得到的数据集划分，从而得到停车场泊位序列a＝{ai|i＝1,2,…,n}，其中ai表示第i个时间段的停车场空余泊位数量，其中n，i为自然数，n为待预测时间序列数量。检查数据集是否有空缺，当存在缺值时用插值的方法补全数据集。步骤二：将序列{ai},i＝1,2,…,n在高维相空间重构。首先选取嵌入维度为λ，令ai＝f(ai-λ,ai-(λ-1),…,ai-1),i＝1,2,…,n那么对时间序列A＝(a1,a2,…,an)相空间重构可得P(j,k)＝ak本文档来自技高网...

【技术保护点】
1.一种有效停车泊位的预测方法，用于预测中小型停车场的有效停车泊位的数量,包括以下步骤：步骤一，根据采集到的停车场的历史信息得到有效停车位的时间序列，并检验序列的完整性，记为第一待预测时间序列A，A＝{ai|i＝1,2,…,n}，其中ai表示第i个时间段的停车场空余泊位数量，n，i为自然数，n为待预测时间序列数量；步骤二，将步骤一得到的时间序列在高维空间进行相空间重构，利用局部切空间排列方法从重构的高维嵌入空间中提取系统的主流形分布的低维空间，剥离序列中的随机成分，具体包括：(21)选取样本点领域；设时间序列重构相空间中第i个样本点为xi，i为自然数，选取包括该样本点在内的k个距离该样本点最近的点作为邻域Xi，Xi＝[xi1,xi2,…,xik]，其中xi1,xi2,…,xik为距离xi最近的k个点，[]为矩阵符号，k的值为自然数；(22)局部线性投影变换；计算样本点xi邻域的中心化矩阵，记为

【技术特征摘要】
1.一种有效停车泊位的预测方法，用于预测中小型停车场的有效停车泊位的数量,包括以下步骤：步骤一，根据采集到的停车场的历史信息得到有效停车位的时间序列，并检验序列的完整性，记为第一待预测时间序列A，A＝{ai|i＝1,2,…,n}，其中ai表示第i个时间段的停车场空余泊位数量，n，i为自然数，n为待预测时间序列数量；步骤二，将步骤一得到的时间序列在高维空间进行相空间重构，利用局部切空间排列方法从重构的高维嵌入空间中提取系统的主流形分布的低维空间，剥离序列中的随机成分，具体包括：(21)选取样本点领域；设时间序列重构相空间中第i个样本点为xi，i为自然数，选取包括该样本点在内的k个距离该样本点最近的点作为邻域Xi，Xi＝[xi1,xi2,…,xik]，其中xi1,xi2,…,xik为距离xi最近的k个点，[]为矩阵符号，k的值为自然数；(22)局部线性投影变换；计算样本点xi邻域的中心化矩阵，记为其中为邻域中k个点的平均值，lk为长度为k的权值矩阵，T为矩阵转置符号；对所得的中心化矩阵做奇异值分解，将所得的奇异值从大到小排列，取其中前d个奇异值组成矩阵Ri；所得的前d个奇异值对应的奇异向量组成矩阵，记做Vi；其中d为取值在1和k之间的整数；(23)排列局部坐标；构造排列矩阵θ，其中Ai是满足[x1,x2,…,xn]Ai＝Xi条件的选择矩阵，I为单位矩阵，ki表示第i个样本点的邻域中取点个数；计算矩阵θ奇异值从小到大排序后的前d+1个奇异值对应的奇异向量,记为组成整个样本的低维空间流形；步骤三，将上述步骤(23)所得的低维空间流形变换回步骤二所得的高维嵌入空间中，得到高维空间的序列，再将其映射到一维序列得到一维序列S，S＝{Si|i＝1,2,…,n}，记为第二待预测时间序列，其中Si表示一维序列中第i个停车场空余泊位数量，i和n为自然数，n为待预测时间序列数量；步骤四，将步骤一中的第一待预测时间序列70％划分为第一训练集，30％划分为第一测试集；将步骤三...

【专利技术属性】
技术研发人员：岑岗，李向东，岑跃峰，林雪芬，徐增伟，冯天祥，马伟锋，程志刚，张宇来，王建芬，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江,33