CN102024343A - 停车场有效泊位占有率短时预测方法 - Google Patents
停车场有效泊位占有率短时预测方法 Download PDFInfo
- Publication number
- CN102024343A CN102024343A CN 201010596142 CN201010596142A CN102024343A CN 102024343 A CN102024343 A CN 102024343A CN 201010596142 CN201010596142 CN 201010596142 CN 201010596142 A CN201010596142 A CN 201010596142A CN 102024343 A CN102024343 A CN 102024343A
- Authority
- CN
- China
- Prior art keywords
- time series
- parking lot
- frequency coefficient
- occupation rate
- predicting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种停车场有效泊位占有率短时预测方法，包括如下步骤：用小波函数对有效泊位占有率时间序列c0进行多分辨率的N尺度的分解，得到一尺度为N的低频系数向量cN和N个不同尺度下的高频系数向量d1，d2，…，dN；对低频系数向量cN和高频系数向量d1，d2，…，dN进行重构，得到N+1个时间序列CN，D1，D2，…，DN；建立加权马尔可夫链预测模型进行预测，得到N+1个预测结果
Description
技术领域
本发明涉及一种停车场有效泊位占有率短时预测方法，属于智能交通系统中智能信息处理技术领域。
背景技术
停车场是否有空余泊位可供停车是驾车者停车选择时最为关注的问题之一。利用停车泊位信息采集技术获得停车场内空余车位的信息并对其进行实时预测是停车诱导信息系统(Parking Guidance and Information System，PGIS)的一项关键技术。比较准确地预测出停车场的空余泊位信息，供系统用户选择停车场时参考，不仅有利于用户合理地安排自己的出行，也有利于交通管理部门对交通的宏观调控。
纳入PGIS的停车泊位主要是指公共停车设施内可供社会车辆停放的车位，被单位或个人长期租用的固定车位不在研究范围之内。因此，本发明采用停车场的有效泊位占有率来直观地描述停车场可供社会车辆利用的泊位情况。停车场的有效泊位占有率，是指正在开放的停车场内未被车辆或其他物品占用，可以用来停放社会车辆的泊位数占总泊位数的比例。
停车场的泊位变化受诸多因素的影响，如停车场类型、所处位置、道路交通流、天气、事件等，多因素的作用造成了有效泊位占有率变化的复杂性和随机性。目前，国内对停车泊位的短时预测大多采用BP神经网络法，虽然该方法具有推导过程严谨、物理概念清晰等优点，但同时存在收敛速度慢，网络参数和训练参数难以确定等缺点。
发明内容
发明目的：针对上述现有存在的问题和不足，本发明的目的是根据停车场有效泊位占有率的短时变化特性，提出一种基于小波分析-加权马尔可夫组合模型的停车场有效泊位占有率短时预测方法。
技术方案：为实现上述发明目的，本发明采用的技术方案为：一种停车场有效泊位占有率短时预测方法，包括如下步骤：
(1)从停车场收费管理系统的数据库中抄录车辆到达和离开的时间，从而可统计出不同时间段内进入停车场的车辆数Ai(i＝1，2，…，m，m为时间段个数)和离开停车场的车辆数Li(i＝1，2，…，m，m为时间段个数)。设停车场总泊位数为R，则各个时间段末的有效泊位数Xi(i＝1，2，…，m)可表示为：Xi＝Xi-1-Ai+Li，各个时段的有效泊位占有率bi(i＝1，2，…，m)为：bi＝Xi/R，从而可以得出停车场有效泊位占有率的时间序列c0＝{b1，b2，…，bm}。
(2)用小波函数对有效泊位占有率时间序列进行多分辨率的N尺度的分解，分解后得到一个尺度为N的低频系数向量cN和N个不同尺度下的高频系数向量d1，d2，…，dN；
由于有效泊位占有率预测中用的是离散的时间序列，故引入离散小波变换(DWT)中的二进正交小波变换，并采用快速二进正交小波变换算法(简称Mallat算法)进行小波分解；Mallat算法表示为：
n＝0，1，2，…，N，式中，H和G分别为低通滤波器和高通滤波器，N为分解尺度，c0为原始时间序列；于是可以将原始时间序列分解为高频系数向量d1，d2，…，dN和低频系数向量cN；
(3)对步骤(2)中的低频系数向量cN和高频系数向量d1，d2，…，dN进行重构，得到N+1个时间序列CN，D1，D2，…，DN：经Mallat算法分解后的序列可以用重构算法进行重构：Cn＝H*Cn+1+G*Dn+1，n＝N-1，N-2，...，0；其中，H*和G*分别H和G的对偶算子；采用上述重构算式可以对d1，d2，…，dN和cN分别进行重构，得到D1，D2，…，DN和CN，它们和原始时间序列的点数一样，且有：C0＝CN+D1+D2+…+DN；
(4)对步骤(3)中N+1个重构的时间序列分别建立加权马尔可夫链预测模型进行预测，得到N+1个预测结果
预测的具体步骤为：1)进行状态划分：对某一时间序列，应用序列的样本均值
和样本方差S来刻画数值的变化区间，可将时间序列内的数值分为5个状态：E＝{E1，E2，E3，E4，E5}，其中，
α1可在[1.0，1.5]中取值，α2可在[0.3，0.6]中取值，由此可将N+1个重构的时间序列分别划分为N+1个状态空间：ECN，ED1，ED2，…，EDN；2)根据N+1个重构的时间序列估计出马尔可夫链的转移概率，具体估计方法为：用fij表示某个时间序列中从状态Ei经过一步转移到状态Ej的概率，Ei，Ej∈E；由fij组成的矩阵(fij)Ei，Ej∈E称为“转移概率矩阵”；将转移概率矩阵的第i行第j列元素fij除以各行的总和所得的值称为“转移概率”，记为pij，即：于是一步转移概率矩阵可表示为：
由此可以得到N+1个重构的时间序列的一步转移概率矩阵分别为：PCN，PD1，PD2，…，PDN；3)计算各阶自相关系数：各阶自相关系数计算公式为：
，其中，rk表示第k阶(滞时为k个时段)的自相关系数，xt表示第t时段的数值，
表示均值，m表示时间段个数；对各阶自相关系数进行归一化，即：
式中l为按预测需要计算到的最大阶数，并将ωk作为各种滞时(步长)的马尔可夫链的权重；4)对步骤(3)中重构的N+1个时间序列CN，D1，D2，…，DN分别预测出不同步长的状态概率矩阵
L，
k为滞时(步长)，k＝1，2，…，1，即：
i＝CN，D1，D2，…，DN；5)将同一状态的不同步长的状态概率矩阵加权求和作为该状态的预测概率，即：
D1，D2，…，DN；6)最终将N+1个重构的时间序列CN，D1，D2，…，DN分别乘以确定N+1个预测结果
(5)将步骤(4)中得到的N+1个预测结果累加，获得对应于原始有效泊位占有率的预测结果：
有益效果：马尔可夫链可以描绘一个随机变化的动态系统，小波分析在非平稳时间序列的预测中也有较好的应用，本发明根据停车场有效泊位占有率的短时变化特性，提出小波分析-加权马尔可夫组合预测模型，使得收敛速度快，网络参数和训练参数易于确定。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明的具体预测步骤如下：
(1)用离散小波变换(DWT)中的二进正交小波对有效泊位占有率时间序列进行变换，并采用Mallat算法对其进行多分辨率的N尺度的小波分解，分解后得到一个尺度为N的低频系数向量cN和N个不同尺度下的高频系数向量d1，d2，…，dN；
(2)用重构算法分别对经Mallat算法分解后的序列cN和d1，d2，…，dN进行多尺度重构，得到N+1个时间序列CN，D1，D2，…，DN，其中，CN为低频信号，反映有效泊位占有率本质变化趋势，D1，D2，…，DN为高频干扰信号，反映有效泊位占有率的随机变化趋势；
(3)对N+1个重构的时间序列分别建立加权马尔可夫链预测模型，包括状态分类、状态转移概率矩阵的计算、各阶自相关系数的确定等步骤；
(4)使用加权马尔可夫模型进行预测，得到N+1个预测结果
(5)将上述N+1个预测结果累加，获得对应于原始有效泊位占有率的预测结果，即
Claims (3)
1.一种停车场有效泊位占有率短时预测方法，其特征在于包括如下步骤：
(1)用小波函数对有效泊位占有率时间序列c0进行多分辨率的N尺度的分解，分解后得到一个尺度为N的低频系数向量cN和N个不同尺度下的高频系数向量d1，d2，…，dN；
(2)对步骤(1)中的低频系数向量cN和高频系数向量d1，d2，…，dN进行重构，得到N+1个时间序列CN，D1，D2，…，DN；
(3)对步骤(2)中N+1个重构的时间序列分别建立加权马尔可夫链预测模型进行预测，得到N+1个预测结果
(4)将步骤(3)中得到的N+1个预测结果累加，获得对应于原始有效泊位占有率的预测结果：
2.根据权利要求1所述停车场有效泊位占有率短时预测方法，其特征在于：所述步骤(1)中的分解方法为采用离散小波变换中的二进正交小波变换，并采用快速二进正交小波变换算法进行小波分解。
3.根据权利要求1所述停车场有效泊位占有率短时预测方法，其特征在于：所述步骤(3)中进行预测的具体步骤是：
1)将所述步骤(2)中N+1个时间序列分别划分为N+1个状态空间：ECN，ED1，ED2，…，EDN；
2)根据所述N+1个时间序列估计出马尔可夫链的转移概率，并得到所述N+1个时间序列的一步转移概率矩阵分别为：PCN，PD1，PD2，…，PDN；
3)计算得到各阶自相关系数：
其中，rk表示第k阶的自相关系数，xt表示第t时段的数值，
表示均值，m表示时间段个数；并对各阶自相关系数进行归一化：
式中l为按预测需要计算到的最大阶数，并将ωk作为各种滞时的马尔可夫链的权重；
4)对所述N+1个时间序列CN，D1，D2，…，DN分别预测出不同步长的状态概率矩阵
k为滞时，k＝1，2，…，1：
i＝CN，D1，D2，…，DN；
5)将同一状态的所述不同步长的状态概率矩阵加权求和作为该状态的预测概率：
i＝CN，D1，D2，…，DN；
6)将所述N+1个时间序列CN，D1，D2，…，DN分别乘以步骤5)中的得到N+1个预测结果
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201010596142 CN102024343A (zh) | 2010-12-20 | 2010-12-20 | 停车场有效泊位占有率短时预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201010596142 CN102024343A (zh) | 2010-12-20 | 2010-12-20 | 停车场有效泊位占有率短时预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102024343A true CN102024343A (zh) | 2011-04-20 |
Family
ID=43865592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201010596142 Pending CN102024343A (zh) | 2010-12-20 | 2010-12-20 | 停车场有效泊位占有率短时预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102024343A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102855773A (zh) * | 2012-09-13 | 2013-01-02 | 东南大学 | 一种停车场有效泊位占有率短时预测方法 |
| CN102867421A (zh) * | 2012-09-24 | 2013-01-09 | 东南大学 | 一种识别有效停车泊位占有率中离群数据的方法 |
| CN102867407A (zh) * | 2012-09-13 | 2013-01-09 | 东南大学 | 一种停车场有效泊位占有率多步预测方法 |
| CN105099759A (zh) * | 2015-06-23 | 2015-11-25 | 上海华为技术有限公司 | 一种检测方法及装置 |
| CN106846891A (zh) * | 2017-03-02 | 2017-06-13 | 浙江大学 | 一种基于序列分解的公共停车场泊位多步预测方法 |
| US9747797B1 (en) | 2016-03-25 | 2017-08-29 | Conduent Business Services, Llc | Method and system for predicting availability of parking spot in parking area |
| CN108010378A (zh) * | 2017-12-20 | 2018-05-08 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
| CN108458716A (zh) * | 2018-02-02 | 2018-08-28 | 北京交通大学 | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 |
| CN108564810A (zh) * | 2018-06-05 | 2018-09-21 | 长沙大京网络科技有限公司 | 一种车位共享系统及其方法 |
| CN109567783A (zh) * | 2018-11-30 | 2019-04-05 | 合肥工业大学 | 一种基于加权马尔可夫模型预测空间位置心磁信号的方法 |
| WO2019119319A1 (zh) * | 2017-12-20 | 2019-06-27 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
| CN110415546A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 泊车诱导方法、装置和介质 |
| CN110930063A (zh) * | 2019-12-09 | 2020-03-27 | 江苏省城镇化和城乡规划研究中心 | 基于共享引力模型的城市居住小区停车供需比分析方法 |
| CN113344168A (zh) * | 2021-05-08 | 2021-09-03 | 淮阴工学院 | 短期泊位预测方法及系统 |
| CN113821547A (zh) * | 2021-08-26 | 2021-12-21 | 中山大学 | 快速高效的停车场占有率短时预测方法、系统及存储介质 |
| CN115472034A (zh) * | 2022-07-20 | 2022-12-13 | 中国交通信息科技集团有限公司 | 一种分层云架构的停车运营管理系统 |
| WO2024065954A1 (zh) * | 2022-09-28 | 2024-04-04 | 电子科技大学长三角研究院(湖州) | 停车场泊位占用率短时域预测方法、系统、设备及终端 |
-
2010
- 2010-12-20 CN CN 201010596142 patent/CN102024343A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 《Journal of Southeast University(English Edition)》 20071231 Ji Yanjie et al. Available parking space occupancy change characteristics and short-term forecasting model 第604-608页 1-3 第23卷, 第04期 2 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102867407A (zh) * | 2012-09-13 | 2013-01-09 | 东南大学 | 一种停车场有效泊位占有率多步预测方法 |
| CN102867407B (zh) * | 2012-09-13 | 2014-07-09 | 东南大学 | 一种停车场有效泊位占有率多步预测方法 |
| CN102855773A (zh) * | 2012-09-13 | 2013-01-02 | 东南大学 | 一种停车场有效泊位占有率短时预测方法 |
| CN102867421A (zh) * | 2012-09-24 | 2013-01-09 | 东南大学 | 一种识别有效停车泊位占有率中离群数据的方法 |
| CN102867421B (zh) * | 2012-09-24 | 2014-07-09 | 东南大学 | 一种识别有效停车泊位占有率中离群数据的方法 |
| CN105099759A (zh) * | 2015-06-23 | 2015-11-25 | 上海华为技术有限公司 | 一种检测方法及装置 |
| US9747797B1 (en) | 2016-03-25 | 2017-08-29 | Conduent Business Services, Llc | Method and system for predicting availability of parking spot in parking area |
| CN106846891A (zh) * | 2017-03-02 | 2017-06-13 | 浙江大学 | 一种基于序列分解的公共停车场泊位多步预测方法 |
| CN106846891B (zh) * | 2017-03-02 | 2019-05-31 | 浙江大学 | 一种基于序列分解的公共停车场泊位多步预测方法 |
| CN108010378A (zh) * | 2017-12-20 | 2018-05-08 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
| WO2019119319A1 (zh) * | 2017-12-20 | 2019-06-27 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
| CN108458716A (zh) * | 2018-02-02 | 2018-08-28 | 北京交通大学 | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 |
| CN110415546A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 泊车诱导方法、装置和介质 |
| CN108564810A (zh) * | 2018-06-05 | 2018-09-21 | 长沙大京网络科技有限公司 | 一种车位共享系统及其方法 |
| CN109567783A (zh) * | 2018-11-30 | 2019-04-05 | 合肥工业大学 | 一种基于加权马尔可夫模型预测空间位置心磁信号的方法 |
| CN109567783B (zh) * | 2018-11-30 | 2021-06-18 | 合肥工业大学 | 一种基于加权马尔可夫模型预测空间位置心磁信号的方法 |
| CN110930063A (zh) * | 2019-12-09 | 2020-03-27 | 江苏省城镇化和城乡规划研究中心 | 基于共享引力模型的城市居住小区停车供需比分析方法 |
| CN110930063B (zh) * | 2019-12-09 | 2023-08-11 | 江苏省城镇化和城乡规划研究中心 | 基于共享引力模型的城市居住小区停车供需比分析方法 |
| CN113344168A (zh) * | 2021-05-08 | 2021-09-03 | 淮阴工学院 | 短期泊位预测方法及系统 |
| CN113821547A (zh) * | 2021-08-26 | 2021-12-21 | 中山大学 | 快速高效的停车场占有率短时预测方法、系统及存储介质 |
| CN113821547B (zh) * | 2021-08-26 | 2023-06-20 | 中山大学 | 快速高效的停车场占有率短时预测方法、系统及存储介质 |
| CN115472034A (zh) * | 2022-07-20 | 2022-12-13 | 中国交通信息科技集团有限公司 | 一种分层云架构的停车运营管理系统 |
| WO2024065954A1 (zh) * | 2022-09-28 | 2024-04-04 | 电子科技大学长三角研究院(湖州) | 停车场泊位占用率短时域预测方法、系统、设备及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102024343A (zh) | 停车场有效泊位占有率短时预测方法 | |
| CN102855773A (zh) | 一种停车场有效泊位占有率短时预测方法 | |
| CN102629418A (zh) | 基于模糊卡尔曼滤波的交通流参数预测方法 | |
| CN108346292B (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
| CN102867407B (zh) | 一种停车场有效泊位占有率多步预测方法 | |
| CN104658252B (zh) | 基于多源数据融合的高速公路交通运行状态的评估方法 | |
| CN101727746B (zh) | 信号灯控制的城市道路机动车动态行程时间估计方法 | |
| CN105513337B (zh) | 一种客流量的预测方法及装置 | |
| CN103903430B (zh) | 一种采用多源同构数据的行程时间动态融合预测方法 | |
| CN102110365A (zh) | 基于时空关系的路况预测方法和系统 | |
| CN110517485B (zh) | 一种基于时段划分的短时交通流预测方法 | |
| CN110047291A (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
| CN106652441A (zh) | 一种基于时空数据的城市道路交通状态预测方法 | |
| CN109934403A (zh) | 基于数学模型的电动汽车居民区域充电负荷分析预测方法 | |
| CN111275971A (zh) | 一种高速公路交通流量预测方法 | |
| CN106327864A (zh) | 一种基于高速公路联网收费数据的交通流估计方法 | |
| CN105512741A (zh) | 一种公交客流组合预测方法 | |
| Shen et al. | Research on traffic speed prediction by temporal clustering analysis and convolutional neural network with deformable kernels (May, 2018) | |
| CN113177657A (zh) | 轨道交通客流预测方法及装置 | |
| CN103632546A (zh) | 一种基于浮动车数据的城市道路交通事故影响预测方法 | |
| CN104361398A (zh) | 公共自行车租赁点自然需求预测方法 | |
| CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
| CN110634292A (zh) | 一种基于路阻性能函数的行程时间可靠性估计方法 | |
| CN102867421B (zh) | 一种识别有效停车泊位占有率中离群数据的方法 | |
| CN105913654B (zh) | 一种智能交通管理系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110420 |