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 ...
【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
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。