【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 ...
【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
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。