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，因此难以稳定准确的预测。
[0004]目前，国内外进行停车场占有率预测方式主要有基于统计学的方法和机器学习的方法。基于统计学的预测方法计算复杂度较小，但是预测的精度不高且稳定性不足。基于机器学习的方法比基于统计学的方法预测精度更高，但模型复杂，训练时间较长，计算复杂度较大，并且在不同类型停车场预测精度的稳定性和准确性不足。

技术实现思路

[0005]为解决现有技术所存在的技术问题，本专利技术提供快速高效的停车场占有率短时预测方法、系统及存储介质，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，并利用元学习来优化预测模型，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。
[0006]本专利技术的快速高效的停车场占有率短时预测方法，包括以下步骤：
[0007]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；
[0008]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；
[0009]S3、构建循环神经网络预测模型；
[0010]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；
[0011]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。
[0012]本专利技术的快速高效的停车场占有率短时预测系统，包括：
[0013]数据采集模块，用于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；
[0014]任务集筛选模块，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；
[0015]预测模型构建模块，用于构建循环神经网络预测模型；
[0016]预测模型优化模块，用于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；
[0017]预测模块，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。
[0018]本专利技术的存储介质，其上存储有计算机指令，当计算机指令被处理器执行时，实现本专利技术停车场占有率短时预测方法的各步骤。
[0019]本专利技术与现有技术相比，具有如下优点和有益效果：
[0020]1、利用时间序列特征分解思想和循环神经网络，构建预测模型，并结合元学习方法，对预测模型进行优化，提高了模型的训练速度，并提升了模型预测精度的稳定性和准确性。
[0021]2、训练速度快、预测精度的稳定性和准确性高，该方法综合多维度特征信息，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，并利用元学习来优化预测模型，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。
附图说明
[0022]图1是本专利技术实施例中的停车场占有率短时预测方法的流程图；
[0023]图2是本专利技术实施例中的预测模型结构和元学习训练框架图。
具体实施方式
[0024]下面将结合附图和实施例，对本专利技术技术方案做进一步详细描述，显然所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，本专利技术的实施方式并不限于此。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]循环神经网络能较好的处理时间序列的问题，元学习能很好的改善神经网络模型的学习能力，提高训练的速度。因此，本专利技术利用时间序列特征分解思想和循环神经网络，构建预测模型，并结合元学习方法，对模型进行优化，提高了模型的训练速度，并提升了模型预测精度的稳定性和准确性。
[0026]实施例
[0027]本实施例提供了一种快速高效的停车场占有率短时预测方法，用于对目标停车场的占有率进行预测，如图1所示，包括以下步骤：
[0028]步骤S1、采集多个不同类型的停车场数据，并对所采集的停车场数据进行预处理，对预处理后的停车场数据做进一步处理得到每个停车场占有率的时间序列。
[0029]从停车场管理部门收集不同类型的多个停车场的相关数据，具体收集的数据包括：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。对所收集的数据进行预处理，包括对停车场出入记录数据中的时间记录错误或重复的数据进行删除，对缺失时间记录的数据用插值法进行修复、平滑。
[0030]以某一单位时间长度为时间间隔，将时间划分为不同的时刻，形成时间序列，时间间隔可以根据需求来自行设置，比如：10分钟、半小时或一小时等，本实施例把时间间隔设置为半小时。根据预处理后的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
(i＝1,2,
…
n,n为时间间隔数量)和不同时间间隔内离开停车场的数量O
i
(i＝1,2,
…
n,n为时间间隔数量)，各个时间间隔末的停车泊位占用数量Z
i
(i＝1,2,
…
n,n为时间间隔数量)可计算为Z
i...

【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：