基于注意力机制的Seq2seq泊位占有率预测方法技术

本发明专利技术公开的基于注意力机制的Seq2seq泊位占有率预测方法，包括接受请求、预处理数据、构建模型、优化模型等步骤，通过双向长短期记忆网络BiLSTM解决长期依赖学习能力不足的问题，通过卷积神经网络CNN捕获时间模式，获得学习序列与目标序列的相关性，以此增强模型局部特征的学习能力。本发明专利技术解决了现有技术中对泊位占有率预测结果不稳定、准确度低的问题。

【技术实现步骤摘要】
基于注意力机制的Seq2seq泊位占有率预测方法
本专利技术属于泊位预测方法
，具体涉及一种基于注意力机制的Seq2seq泊位占有率预测方法。
技术介绍
近年来，随着城市化进程的深入，城市居民私家车保有量急剧增加，停车位的需求量也在不断的增加。通常情况下，街道的停车位有限，人们寻找街道上免费停车位所花费的时间和燃油成本已经超过了停车场付费；同时，在寻找街道上停车位的过程中，也给交通的流畅度和空气质量带来了不利的影响。基于上述现状，提出城市智能化概念，城市智能化的一个主要体现就是通过物联网(InternetofThings，IoT)来解决当前城市所存在的问题，例如停车位紧张问题。其主要思想是通过使用传感器监控城市的交通状况、空气温度、污染水平以及停车场使用率等数据来了解城市的状态。因此，我们可以通过使用物联网监控一个城市停车场中停车位的使用率方法，来解决停车位紧缺问题，从而达到智能化的效果。虽然监控单个停车位的方法难以执行，但是可以通过统计进出非街道停车场的车辆数数据，对未来停车场的入驻率进行分析预测。停车场泊位预测是充分发本文档来自技高网...

【技术保护点】
1.基于注意力机制的Seq2seq泊位占有率预测方法，其特征在于，包括以下步骤：/n步骤1，接收待预测停车场的泊位预测请求，即预测目标停车场设定的固定时间段的泊位占有率，随后采集待预测停车场数据；/n步骤2，预处理步骤1中采集的待预测停车场数据，随后采用最大互信息系数MIC检验待预测停车场数据的相关性，得到数据集；将数据集按照比例4:1划分为训练集和测试集；/n步骤3，构建基于Seq2seq泊位预测模型；/n步骤4，在步骤3的基于Seq2seq泊位预测模型的基础上，构建CNN注意力机制网络层，得到神经网络模型；/n步骤5，步骤2中训练集包括：泊位入驻数Occupancy记为X＝{X

【技术特征摘要】
1.基于注意力机制的Seq2seq泊位占有率预测方法，其特征在于，包括以下步骤：
步骤1，接收待预测停车场的泊位预测请求，即预测目标停车场设定的固定时间段的泊位占有率，随后采集待预测停车场数据；
步骤2，预处理步骤1中采集的待预测停车场数据，随后采用最大互信息系数MIC检验待预测停车场数据的相关性，得到数据集；将数据集按照比例4:1划分为训练集和测试集；
步骤3，构建基于Seq2seq泊位预测模型；
步骤4，在步骤3的基于Seq2seq泊位预测模型的基础上，构建CNN注意力机制网络层，得到神经网络模型；
步骤5，步骤2中训练集包括：泊位入驻数Occupancy记为X＝{X11,X12,ΛX1g}，X1t为(1≤t≤g)时刻的泊位数，g为记录时刻总数；数据记录时刻天气Weather记为Wea＝{W21,W22,ΛW2g}，W2t∈{0,1}(1≤t≤g)，该变量取值为0表示非雨雪天，1为雨雪天气；数据记录时刻的星期数记为WeekdayWee＝{W31,W32,ΛW3g}，W3t∈[1,7](1≤t≤g)，该变量取值表示周一至周日；节假日Vacation记为V＝{V41,V42,Λ,V4g},V4t∈{0,1}(1≤t≤g)，该变量取值为0或1，0为非节假日，1为节假日；将步骤2中的训练集数据输入到步骤4神经网络模型中训练，通过每次计算预测结果与步骤2中测试集的剩余停车泊位数之间的均方误差，调整神经网络模型中参数，每一次训练均根据均方误差调整神经网络模型的参数，并通过均方误差确定迭代次数，训练完成后，得到优化后的神经网络模型。


2.根据权利要求1所述的基于注意力机制的Seq2seq泊位占有率预测方法，其特征在于，所述步骤1中待预测停车场数据包括：记录时间Time，泊位入驻数Occupancy，数据记录时刻天气Weather，数据记录时刻星期数Weekday，数据记录时间是否节假日Vacation。


3.根据权利要求1所述的基于注意力机制的Seq2seq泊位占有率预测方法，其特征在于，步骤2所述预处理包括：采用临近平均值补全缺失数据；剔除无用数据；按照归一化后的数据＝(原始数据泊位数-样本数据泊位入驻数的最小值)/(样本数据中泊位入驻数的最大值-样本数据泊位入驻数的最小值)的计算方式，将归一化后的数据映射到[0，1]区间。


4.根据权利要求1所述的基于注意力机制的Seq2seq泊位占有率预测方法，其特征在于，所述步骤2中采用最大互信息系数MIC进行相关性分析具体步骤为：
首先，给定参数i、j，对待预测停车场数据中任意两个特征变量X、Y构成的散点图进行i列j行网格化，求出最大的互信息值；
其次，对所得的最大的互信息值进行归一化；
最后，选择不同尺度下互信息的最大值作为MIC值。


5.根据权利要求1所述的基于注意力机制的Seq2seq泊位占有率预测方法，其特征在于，所述步骤3中基于Seq2seq泊位预测模型为编码器Encoder-解码器Decoder结构，其中编码器Encoder和解码器Decoder均包含三层BiLSTM，所述BiLSTM包括两条单向LSTM链式结构。


6.根据权利要求5所述的基于注意力机制的Seq2seq泊位占有率预测方法，其特征在于，所述LSTM链式结构具体为：每一个步长t与其对应的输入序列xt＝{x1，x2…xw}(w为滑窗窗口长度)，记忆单元ct通过不同门限控制数据的记忆和遗忘，运算过程如公式(3)-(10)所示：
it＝σ(Wixt+Uiht-1+bi)(3)



ft＝σ(Wfxt+Ufht-1+bf)(5)
ot＝σ(Woxt+Uoht-1+bo)(6)
<...

【专利技术属性】
技术研发人员：王竹荣，薛伟，黑新宏，王战敏，崔颖安，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61