快速高效的停车场占有率短时预测方法、系统及存储介质技术方案

本发明专利技术属于停车诱导泊位预测领域，为停车场占有率短时预测方法、系统及存储介质，其方法包括：采集多个不同类型的停车场数据，并处理得到每个停车场占有率的时间序列，筛选出用于元学习训练的任务集；构建循环神经网络预测模型，并进行元学习训练以优化模型；从停车场占有率的时间序列中提取停车场占有率变化的趋势特征得到趋势项序列，分析停车场占有率变化的周期性特征拟合得到周期项序列，将两序列差值作为效应项序列，将三个序列作为预测模型的输入，得到目标停车场占有率的预测值。本发明专利技术利用循环神经网络处理多维特征在时间维度的非线性变化来进行预测，提高预测模型的训练速度和学习性能，从而提高预测精度的准确性及稳定性。稳定性。稳定性。

【技术实现步骤摘要】
快速高效的停车场占有率短时预测方法、系统及存储介质


[0001]本专利技术属于智能交通系统中停车诱导泊位预测
，尤其涉及一种停车场占有率短时预测方法、系统及存储介质。

技术介绍

[0002]随着中国经济社会的飞速发展，城市机动车的保有量不断增长，城市“停车难”的问题越来越突出。智能诱导停车是缓解停车难问题的有效手段。现有的智能诱导停车系统大多只能显示实时的停车位信息，这使得驾驶员到达停车场时停车位已经被占用，或者出现多辆车争抢少量停车位的现象，造成停车诱导失败。比较准确的预测出停车场未来一段时间的泊位使用情况，为驾驶者停车选择提供参考，不仅能有利于出行者更合理的规划行程，也有利于交通管理部门对交通的宏观调控。
[0003]停车场占有率是指停车场已占用泊位数占停车场容量的比例，能直观的描述停车场泊位的占用情况。停车场的泊位占用情况受诸多因素的影响，例如停车场管理制度、收费标准、停车场类型、所处地理位置、附近道路的交通流情况、天气、重大事件以及驾驶者的停车选择偏好等诸多因素的影响，使得停车场占有率的变化具有随机性和较复杂的非线性特征，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.快速高效的停车场占有率短时预测方法，其特征在于，包括以下步骤：S1、采集多个不同类型的停车场数据，对停车场数据处理得到每个停车场占有率的时间序列；S2、根据每个停车场占有率的时间序列，筛选出用于元学习训练的训练任务集和测试任务集；S3、构建循环神经网络预测模型；S4、对循环神经网络预测模型进行元学习训练，得到预测模型优化后的初始化参数，并对预测模型进行初始化，得到优化后的预测模型；S5、采用优化后的预测模型对目标停车场占有率进行预测，从停车场占有率的时间序列中提取停车场占有率变化的趋势特征，得到趋势项序列；分析停车场占有率变化的周期性特征，并拟合得到周期项序列；将趋势项序列和周期项序列的差值作为效应项序列，将趋势项序列、周期项序列及效应项序列作为循环神经网络的输入，得到下一个时刻的预测值作为目标停车场占有率的预测值。2.根据权利要求1所述的停车场占有率短时预测方法，其特征在于，步骤S1中停车场数据包括停车场类型、停车场出入记录数据、停车场容量、停车场某一时刻停车泊位占用数量；设置时间间隔将时间划分为不同的时刻，形成时间序列；根据停车场出入记录数据，统计出不同时间间隔内进入停车场的数量I
i
和不同时间间隔内离开停车场的数量O
i
，则各个时间间隔末的停车泊位占用数量为Z
i
＝Z
i
‑1+I
i
‑
O
i
，再根据已知的某一时刻停车场的停车泊位占用数量，得到停车泊位占用数量的序列Z(t)；设停车场容量为C，则各个时间间隔末停车场占有率X
i
＝Z
i
/C，得到每个停车场占有率的时间序列X(t)，其中i＝1,2,
…
n，n为时间间隔数量。3.根据权利要求1所述的停车场占有率短时预测方法，其特征在于，步骤S2的训练任务集中，每个任务均为一种类型的停车场的占有率预测的学习任务，均包含训练数据和测试数据；测试任务集中，目标任务为针对目标停车场的占有率预测的学习任务，均包含训练数据和测试数据。4.根据权利要求1所述的停车场占有率短时预测方法，其特征在于，步骤S3所构建的预测模型包括两层循环神经网络结构；第一层循环神经网络结构的输入为停车场占有率的时间序列X，输出为停车场占有率变化的趋势特征，得到趋势项序列；第二层循环神经网络的输入层设有三个输入，第一个输入为第一层循环神经网络输出的趋势特征序列，第二个输入为利用结构傅里叶级数对停车场占有率变化的周期性特征进行分析和拟合而得到的周期项序列，第三个输入为对趋势项序列和周期项序列求差得到效应项序列，第二层循环神经网络结构用全连接层作为输出层...

【专利技术属性】
技术研发人员：李军，叶威，屈颢颢，
申请(专利权)人：中山大学，
类型：发明
国别省市：