一种基于卷积神经网络的短时剩余车位数量预测方法技术

本发明专利技术公开了一种基于卷积神经网络的短时剩余车位数量预测方法，包括建立短时剩余停车位数量预测模型和下一时段的剩余停车位数量预测两部分，首先，建立样本数据集，利用图像训练卷积神经网络，获得短时剩余停车位数量预测模型；其次，将预测场景下的当前时段二维时间序列图导入模型，即可预测下一时间段停车位剩余数量变化趋势。此外，将趋势图进行数图转化，即可以获得下一时间段剩余停车位数量。相比于其他深度、前馈神经网络，卷积神经网络需要训练的参数更少，且其特殊的空间结构能够利用输入的文本数字化数据转化为可视化的二维图像形式进行特征提取、学习与预测。通过对比分析，模型鲁棒性更好，预测结果精确度更高。

A prediction method for the number of short-term remaining parking spaces based on convolution neural network

The invention discloses a prediction method of short-term remaining parking spaces based on convolution neural network, which includes two parts: establishing prediction model of short-term remaining parking spaces and prediction of remaining parking spaces in the next period. First, establishing sample data set, using image training convolution neural network to obtain prediction model of short-term remaining parking spaces; second, forecasting the number of remaining parking spaces in the scene The current period of two-dimensional time series graph import model, can predict the trend of the remaining number of parking spaces in the next period. In addition, the number of remaining parking spaces in the next period can be obtained by transforming the trend graph into a number graph. Compared with other depth and feedforward neural networks, convolutional neural networks need less training parameters, and its special spatial structure can use the input text digital data to transform into a visual two-dimensional image form for feature extraction, learning and prediction. Through comparative analysis, the model has better robustness and higher accuracy of prediction results.

【技术实现步骤摘要】
一种基于卷积神经网络的短时剩余车位数量预测方法
本专利技术属于智慧停车领域，涉及一种未来短时剩余车位数量的预测方法。利用先进的卷积神经网络，预测出下一时段停车场的剩余泊位数量。
技术介绍
随着经济的快速发展，人均汽车保有量与日俱增，但停车位需求大于供应且利用率不高，导致城市交通压力与日俱增。因此，能否准确地对停车场有效停车位进行短时预测，提高停车场有效车位利用率已成为交通管理与控制方向的重要问题之一。停车场剩余车位数量变化受停车场类型、位置、天气、节假日等诸多因素的影响，具有时间波动性，空间随机性及资源局限性。利用停车泊位信息采集技术获得停车场剩余车位实时信息与历史数据，建立短时剩余车位数预测模型，能够对停车场下一时段的剩余车位信息进行较为准确的实时预测。剩余车位预测信息可视化发布不仅为车主进行停车场选择时提供参考，方便交通出行，而且有利于交通管理部门对道路车辆进行宏观调控，缓解城市交通压力。近年来，国内外学者建立了多种停车场剩余车位短时预测模型，如时间序列法、模糊神经网络、BP神经网络方法、小波神经网络等。时间序列法能将所有的影响因素都转化为时间因素，但其因素转换效率较低，转化误差导致预测精度降低；BP神经网络法推导过程严谨、物理概念清晰，但收敛速度慢，网络参数和训练参数难以确定；模糊神经网络是将神经网络的学习算法与模糊逻辑结合，可通过样本的学习提高神经网络的性能，但是模糊推理机需要基于知识库中的知识和规则进行推理过程不易实现；小波神经网络能够精确稳定地进行时间序列的短时预测，能够较好应用于多步预测的前期，但对数据的混沌特性反映不佳。因此本专利技术提出利用具有强大特征学习能力的卷积神经网络来预测未来短时剩余车位的数量，相比于用文本数据进行大量数据运算不同，本专利技术拓展到二维图像形式进行特征提取与预测，模型鲁棒性好，预测结果精确度高。
技术实现思路
为了提高现有短时剩余车位数量预测方法预测精度的不足，本专利技术提供一种基于卷积神经网络的短时剩余车位数量预测方法，该方法创新性的综合多种影响停车场使用率的因素，将卷积神经网络应用于剩余停车位预测，利用卷积神经网络先进的图像处理能力与特征学习能力，一定程度上弥补了现有神经网络模型存在的不足，提供了一种用图像去预测图像的新思路，充分获取剩余停车位数量的变化趋势中的隐含规律。本专利技术的技术方案是：一种基于卷积神经网络的短时剩余车位数量预测方法，包括建立短时剩余停车位数量预测模型和下一时段的剩余停车位数量预测两部分：A.建立短时剩余停车位数量预测模型步骤A1：建立样本数据集步骤A2：利用图像训练卷积神经网络，获得短时剩余停车位数量预测模型B.下一时段剩余停车位数量预测将当前时段剩余停车位数据以时间为序列进行排列，进行二维图像转化，即与A1数据集的形式相同，然后输入步骤A2获得的预测模型进行下一时段的剩余停车位趋势，并获得可视化的预测趋势图。所述步骤A1进一步包括以下步骤：步骤A11：停车场历史数据收集与分类；收集不同天气(晴/雨)、不同用地性质和不同日子(假期、周末或工作日)属性的停车场历史数据，由此聚类建立所预测停车场的5个数据库：①工作日-阴/晴天；②工作日-雨天；③周末-阴/晴天；④周末-雨天；⑤每个法定节假日假期(元旦、清明节等)；步骤A12：数图转化；将数字化的文本数据以时间为序列进行二维图像转换，得到不同日子特性条件下每日的“剩余停车位数量走势-时间”图；最后将处理好的图像切分成等数量的训练集和测试集，用于卷积神经网络模型的训练与测试。所述步骤A2进一步包括以下步骤：预测模型结构包含输入层、卷积层、池化层、全连接层和输出层；卷积层使用卷积核进行特征提取和特征映射；池化层进行下采样，对特征图稀疏处理，减少数据运算量；而全连接层通常在卷积神经网络的尾部进行重新拟合，减少特征信息的损失。另外，我们设计反向传播算法，通过确定误差项的递推公式，进行梯度计算与权重更新，提高模型对图片的识别精度。利用链式求导法计算损失函数对每个权重的偏导数(梯度)，然后根据梯度下降算法更新权重；整个算法训练整体上分为三个步骤：步骤A21：前向计算每个神经元的输出值aj，j表示网络的第j个神经元，以下同；步骤A22：反向计算每个神经元的误差项δj，也称为敏感度(sensitivity)，即网络的损失函数Ed对神经元加权输入netj的偏导数，即步骤A23：计算每个神经元连接权重wji的梯度，wji表示从神经元i连接到神经元j的权重，公式为其中，ai表示神经元i的输出；最后，根据梯度下降法更新每个权重并同时进行梯度检验。所述步骤A23进一步包括以下步骤：步骤A231：选择损失函数用于模型的参数估计，使用l2损失函数；步骤A232：建立基线模型，使用普通最小二乘回归OLS法，图片特征(像素数据)具有很少的线性结构，可以被利用来预测log返回，另外OLS基线占用的功能空间远小于其他基线模型；步骤A233：进行参数调优，为了实现更低的损失，调整solver.Prototxt文件中指定的优化参数，包括learningrate,learningrateupdate等参数和优化方式(SGD,Adagrad,Nesterov加速梯度)；本专利技术采用学习率自适应的RMSprop随机梯度下降法，其是对Adagrad算法的改进，主要是解决学习速率过快衰减的问题；将学习速率设置为0.001，在TensorFlow中写为tf.train.RMSPropOptimizer(learning_rate＝learning_rate,momentum＝0.9，decay＝0.9，epsilon＝1e-10)，即设定γ＝0.9，学习率η＝0.001，ε＝1e-10；s←γ*s+(1-γ)*▽θJ2(θ)采用γ＝0.9，η＝0.001，其实这样就是一个指数衰减的均值项，减少了出现的爆炸情况，因此有助于避免学习速率过快下降的问题；步骤A234：测试数据的检验与拟合，对测试数据的误差进行计算分析，以训练时间，样本均方误差MSE的平均值和标准差为测试指标，对模型预测的速度、精度和稳定性进行评价；样本均方误差MSE是指参数估计值与参数真值之差平方的期望值，可以评价数据的变化程度，其计算公式如下所示：式中，N为训练样本数；yn(k)为第k个点的期望输出值；y(k)为第k个点的实际输出值。同时，将本专利技术使用的预测模型与其他模型预测效果进行对比。由于各模型预测效果具有随机性，故对停车场的有效剩余停车位数据可进行多次预测实验，在一定程度上降低偶然性的影响。所述步骤B进一步包括以下步骤：步骤B1：获得上述不同日子特性条件、不同用地性质下各类训练好的模型，根据预测当天日子特性选择相应的卷积神经网络短时剩余车位数量预测模型；步骤B2：将当天当前时段剩余车位数据转化成二本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的短时剩余车位数量预测方法，其特征在于，该方法包括建立短时剩余停车位数量预测模型和下一时段的剩余停车位数量预测两部分：/nA.建立短时剩余停车位数量预测模型/n步骤A1：建立样本数据集；/n步骤A2：利用图像训练卷积神经网络，获得短时剩余停车位数量预测模型；/nB.下一时段剩余停车位数量预测/n将当前时段剩余停车位数据以时间为序列进行排列，进行二维图像转化，即与A1数据集的形式相同，然后输入步骤A2获得的预测模型进行下一时段的剩余停车位趋势，并获得可视化的预测趋势图。/n

【技术特征摘要】
1.一种基于卷积神经网络的短时剩余车位数量预测方法，其特征在于，该方法包括建立短时剩余停车位数量预测模型和下一时段的剩余停车位数量预测两部分：
A.建立短时剩余停车位数量预测模型
步骤A1：建立样本数据集；
步骤A2：利用图像训练卷积神经网络，获得短时剩余停车位数量预测模型；
B.下一时段剩余停车位数量预测
将当前时段剩余停车位数据以时间为序列进行排列，进行二维图像转化，即与A1数据集的形式相同，然后输入步骤A2获得的预测模型进行下一时段的剩余停车位趋势，并获得可视化的预测趋势图。


2.根据权利要求1所述的方法，其特征在于，所述步骤A1包括以下步骤：
步骤A11：停车场历史数据收集与分类
收集不同天气、不同用地性质和不同日子属性的停车场历史数据，由此聚类建立所预测停车场的5个数据库：
①工作日-阴/晴天；
②工作日-雨天；
③周末-阴/晴天；
④周末-雨天；
⑤每个法定节假日假期；
步骤A12：数图转化
将数字化的文本数据以时间为序列进行二维图像转换，得到不同日子特性条件下每日的“剩余停车位数量走势-时间”图，最后将处理好的图像切分成等数量的训练集和测试集，用于卷积神经网络模型的训练与测试。


3.根据权利要求1所述的方法，其特征在于，步骤A2所述的预测模型结构包含输入层、卷积层、池化层、全连接层和输出层；
卷积层使用卷积核进行特征提取和特征映射；池化层进行下采样，对特征图稀疏处理，减少数据运算量；而全连接层通常在卷积神经网络的尾部进行重新拟合，减少特征信息的损失；另外，设计反向传播算法，通过确定误差项的递推公式，进行梯度计算与权重更新，提高模型对图片的识别精度；
利用链式求导法计算损失函数对每个权重的偏导数，然后根据梯度下降算法更新权重；整个算法训练整体上分为三个步骤：
步骤A21：前向计算每个神经元的输出值aj，j表示网络的第j个神经元，以下同；
步骤A22：反向计算每个神经元的误差项δj，也称为敏感度，即网络的损失函数...

【专利技术属性】
技术研发人员：万千，彭国庆，李志斌，赵孝进，谷雨航，林初染，宋爱午，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45