一种基于ANN-LSTM的泊位预测方法技术

本发明专利技术公开了一种基于ANN‑LSTM的泊位预测方法，按下述步骤进行：a、在LSTM模型前增加多层采用全连接形式的ANN，并在LSTM模型内加入随机丢弃层，完成ANN‑LSTM模型的构建；b、取目标停车场的停车泊位历史数，并对所述停车泊位历史数进行归一化处理形成数据集，以数据集中60‑90％的数据作为训练集，以数据集中10‑40％的数据作为测试集；c、将训练集输入至ANN‑LSTM模型进行训练；利用训练后的ANN‑LSTM模型进行目标停车场的车辆泊位预测，以测试集验证ANN‑LSTM模型的预测准确性本发明专利技术能够达到预测出停车场的泊位情况的目的，泊位情况的预测准确性高。

A berth prediction method based on ann-lstm

【技术实现步骤摘要】
一种基于ANN-LSTM的泊位预测方法
本专利技术涉及停车场泊位预测
，具体为一种基于ANN-LSTM的泊位预测方法。
技术介绍
随着国内人民消费水平的普遍提高，我国城乡居民机动车保有数量显著增加，停车问题也逐步在人民的日常生活、工作中凸显，在城市中心区域尤为明显。为了缓解机动车泊位供需矛盾问题，许多应用人工智能的机动车泊位预测方法对该问题进行了分析，进而凭借准确的泊位预测，判断机动车附近的泊位供需状况，为驾驶员提供可靠的泊位需求，缓解城乡的停车问题。传统的泊位预测方法主要是单一的网络预测技术或BP神经网络预测方法，通过对停车场的泊位数据进行处理，能够对停车泊位进行有效的短时预测，但对数据的波动性处理能力不足，得到的预测数据稳定性较差。如公开号为CN108648449A的专利技术公开了一种基于卡尔曼滤波和NAR神经网络组合的车位预测方法，根据预测的数据，比较卡尔曼滤波和NAR神经网络两种预测模型的准确度，以准确度高的次数作为两种模型进行组合预测的权重，进而得到该组合模型的预测值。但在许多的停车场中，很难为上述组合模型提供大量的泊位数据进行模型融合的权重选择，使得该模型的实用价值大打折扣，在停车泊位预测的早期阶段该方法并不适用。
技术实现思路
本专利技术的目的在于，提供一种基于ANN-LSTM的泊位预测方法。本专利技术能够达到预测出停车场的泊位情况的目的，泊位情况的预测准确性高。本专利技术的技术方案：一种基于ANN-LSTM的泊位预测方法，按下述步骤进行：a、在LSTM模型前增加多层采用全连接形式的ANN，并在LSTM模型内加入随机丢弃层，完成ANN-LSTM模型的构建；b、取目标停车场的停车泊位历史数，并对所述停车泊位历史数进行归一化处理形成数据集，以数据集中60-90％的数据作为训练集，以数据集中10-40％的数据作为测试集；c、将训练集输入至ANN-LSTM模型进行训练；利用训练后的ANN-LSTM模型进行目标停车场的车辆泊位预测，以测试集验证ANN-LSTM模型的预测准确性。上述的基于ANN-LSTM的泊位预测方法，所述步骤a中停车泊位历史数为某一时间段的目标停车场的泊位数，对所述停车泊位历史数进行归一化处理，将其压缩为0到1之间的实数，其归一化处理的公式如下：x＝d/dmax；其中，d为训练集归一化处理之前的原始数据，dmax为停车场泊位数量总和，x为归一化之后得到的训练集数据。前述的基于ANN-LSTM的泊位预测方法，所述步骤a中，ANN-LSTM模型构建后进行模型的参数调节，所述参数调节包括权重参数的调节和模型超参数调节；所述ANN-LSTM模型的权重参数调节采用BPTT算法进行；所述ANN-LSTM模型的超参数调节采用网格法对参数进行优选，所述的超参数包括随机丢弃层概率n、ANN层的层数k和ANN中小波神经网络层节点数量m；以一定的步长列举所有的超参数组合，计算所有组合方式下ANN-LSTM模型的预测精度，选择其中精度最高的一组数据作为参数优选的最终结果。前述的基于ANN-LSTM的泊位预测方法，将以一定步长列举所有的超参数组合形成训练集数据Xtr，训练集数据Xtr与ANN-LSTM模型的输出Ytr关系如下：minε(Xtr,Ytr)其中，stepm、stepn、stepk分别代表m、n、k的搜索步长，三个超参数的取值组成一个三维的搜索空间，通过网格搜索的方法寻优；设定kmax的取值10，n的取值为[1,1]，stepn设为0.1，m取值为[10,50]，stepm设为10；搜索过程由内到外为m、n到k；将步长设定为较大的值，遍历3个参数的取值范围，训练并使用ANN-LSTM模型进行预测，保存预测结果精度和对应参数，选择其中最大的精度和对应的参数，得到最优值取值的大致范围；随后进一步缩小步长取值为1，重复上述操作，精准定位最优值所在位置，将最优值确定为模型超参数的取值。前述的基于ANN-LSTM的泊位预测方法，步骤c中，运用训练后的ANN-LSTM模型进行预测，根据预测结果计算出ANN-LSTM模型的预测误差，获得误差序列，再使用误差序列训练极限学习机模型，将误差序列中有一定价值的确定性分量提取出来，引入到ANN-LSTM模型的预测中，用于提高ANN-LSTM模型的预测准确性。前述的基于ANN-LSTM的泊位预测方法，运用训练后的ANN-LSTM模型进行预测，根据预测结果计算出ANN-LSTM模型的预测误差，获得误差序列，再使用误差序列训练极限学习机模型，将误差序列中有一定价值的确定性分量提取出来，引入到ANN-LSTM模型的预测中的具体的步骤为：S1：输入历史停车泊位数据，经过预处理后划分为训练集与测试集，其中训练集的输入为xtr，训练集的输出为ytr，测试集的输入为xte，测试集的输出为yte；使用ANN-LSTM模型对训练集进行训练，在得到经过训练的ANN-LSTM模型后，将权值参数保存下来，记为神经网络模型A；S2:将训练集的输入xtr输入神经网络模型A，输出预测值ya，预测值ya与训练集的输出ytr之间的误差序列为er1，er1＝ya-yte；S3：将er1去噪处理之后，输入极限学习机模型，训练极限学习机模型并保存权值参数，记为神经网络模型B；S4：将测试集的输入xte输入神经网络模型A，输出预测值为yt，预测值yt与测试集的输出yte之间的误差序列为er2，er2＝yt-yte；S5：将误差序列er2经过相空间重构决定分割尺度之后输入已经训练完成神经网络模型B，得到输出值er3，作为实际误差补偿值；S6：使用误差补偿值er3补偿S4步骤中的输出预测值yt，得到ANN-LSTM模型最终输出y,y＝yt-er3,通过上述误差补偿，用于提高ANN-LSTM模型的预测准确性.前述的基于ANN-LSTM的泊位预测方法，所述的误差序列训练极限学习机模型为单隐层前馈神经网络，假设有N个随机样本(Xi,ti)，隐藏层有l个节点，每个节点的输出oj可表示为式中，g(x)为激活函数，Wi为输入权重，βj为输出权重，bj是第j个隐藏层单元的偏置，Wi·Xj表示Wi和Xj的内积。单隐层前馈神经网络学习的目标为输出误差最小，表示为将上式用矩阵形式表示为：Hβ＝T，其中H是隐藏层节点的输出，β为输出权重，T为期望输出；单隐层前馈神经网络的训练过程即为求得其表示方法如下：在极限学习机算法中,一旦输入权重Wi和隐层的偏置bj被随机确定，隐层的输出矩阵H就被唯一确定，训练单隐层前馈神经网络就转化为求解一个线性系统Hβ＝T，并且输出权重可以被确定。前述的基于ANN-LSTM的泊位预测方法，所述步骤c中，利用训练后的ANN-LSTM模型进行目标停车场的车辆泊位预测后，通过对输出预测值进行反归一化处理作为准确的停车场泊位预测数据使用，其反归一本文档来自技高网...

【技术保护点】
1.一种基于ANN-LSTM的泊位预测方法，其特征在于：按下述步骤进行：/na、在LSTM模型前增加多层采用全连接形式的ANN，并在LSTM模型内加入随机丢弃层，完成ANN-LSTM模型的构建；/nb、取目标停车场的停车泊位历史数，并对所述停车泊位历史数进行归一化处理形成数据集，以数据集中60-90％的数据作为训练集，以数据集中10-40％的数据作为测试集；/nc、将训练集输入至ANN-LSTM模型进行训练；利用训练后的ANN-LSTM模型进行目标停车场的车辆泊位预测，以测试集验证ANN-LSTM模型的预测准确性。/n

【技术特征摘要】
1.一种基于ANN-LSTM的泊位预测方法，其特征在于：按下述步骤进行：
a、在LSTM模型前增加多层采用全连接形式的ANN，并在LSTM模型内加入随机丢弃层，完成ANN-LSTM模型的构建；
b、取目标停车场的停车泊位历史数，并对所述停车泊位历史数进行归一化处理形成数据集，以数据集中60-90％的数据作为训练集，以数据集中10-40％的数据作为测试集；
c、将训练集输入至ANN-LSTM模型进行训练；利用训练后的ANN-LSTM模型进行目标停车场的车辆泊位预测，以测试集验证ANN-LSTM模型的预测准确性。


2.根据权利要求1所述的基于ANN-LSTM的泊位预测方法，其特征在于：所述步骤a中停车泊位历史数为某一时间段的目标停车场的泊位数，对所述停车泊位历史数进行归一化处理，将其压缩为0到1之间的实数，其归一化处理的公式如下：
x＝d/dmax；
其中，d为训练集归一化处理之前的原始数据，dmax为停车场泊位数量总和，x为归一化之后得到的训练集数据。


3.根据权利要求1所述的基于ANN-LSTM的泊位预测方法，其特征在于：所述步骤a中，ANN-LSTM模型构建后进行模型的参数调节，所述参数调节包括权重参数的调节和模型超参数调节；所述ANN-LSTM模型的权重参数调节采用BPTT算法进行；所述ANN-LSTM模型的超参数调节采用网格法对参数进行优选，所述的超参数包括随机丢弃层概率n、ANN的层数k和ANN中小波神经网络层节点数量m；以一定的步长列举所有的超参数组合，计算所有组合方式下ANN-LSTM模型的预测精度，选择其中精度最高的一组数据作为参数优选的最终结果。


4.根据权利要求3所述的基于ANN-LSTM的泊位预测方法，其特征在于：将以一定步长列举所有的超参数组合形成训练集数据Xtr，训练集数据Xtr与ANN-LSTM模型的输出Ytr关系如下：
minε(Xtr,Ytr)



其中，stepm、stepn、stepk分别代表m、n、k的搜索步长，三个超参数的取值组成一个三维的搜索空间，通过网格搜索的方法寻优；
设定kmax的取值10，n的取值为[1,1]，stepn设为0.1，m取值为[10,50]，stepm设为10；搜索过程由内到外为m、n到k；
将步长设定为较大的值，遍历3个参数的取值范围，训练并使用ANN-LSTM模型进行预测，保存预测结果精度和对应参数，选择其中最大的精度和对应的参数，得到最优值取值的大致范围；随后进一步缩小步长取值为1，重复上述操作，精准定位最优值所在位置，将最优值确定为模型超参数的取值。


5.根据权利要求1所述的基于ANN-LSTM的泊位预测方法，其特征在于：步骤c中，运用训练后的ANN-LSTM模型进行预测，根据预测结果计算出ANN-LSTM模型的预测误差，获得误差序列，再使用误差序列训练极限学习机模型，将误差序列中有一定价值的确定性分量提取出来，引入到ANN-LSTM模型的预...

【专利技术属性】
技术研发人员：岑岗，王佳晨，岑跃峰，徐增伟，马伟锋，张宇来，程志刚，徐昶，张晨光，蔡永平，吴思凡，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江;33