CN102855773A - 一种停车场有效泊位占有率短时预测方法 - Google Patents

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：1）确定停车场的有效泊位占有率时间序列；2）用小波函数对有效泊位占有率时间序列进行小波分解，得到低频系数向量和高频系数向量，然后对低频系数向量和高频系数向量分别进行小波重构，得到N+1个重构的时间序列；3）对N+1个重构的时间序列分别建立小波神经网络模型进行预测，得到N+1个预测结果；4）累加上述N+1个预测结果，获得对应于有效泊位占有率时间序列的预测结果。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－小波神经网络组合预测模型对停车场有效泊位占有率进行短时预测，提高了预测精度和稳定性。

Description

一种停车场有效泊位占有率短时预测方法

技术领域

本发明属于智能交通系统中智能信息处理技术领域，涉及一种停车场有效泊位短时预测的方法，可以实时预测出停车场的空余泊位信息。

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。

纳入停车诱导信息系统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，但同时存在预测稳定性不高，精度较低等缺点。小波分析在时间序列预测中有较好地应用，而小波神经网络可以更精确稳定地进行时间序列预测，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－小波神经网络组合预测模型，对停车场有效泊位占有率进行短时预测，以提高预测精度。

发明内容

技术问题：本发明提供了一种收敛速度快，预测精度高的停车场有效泊位占有率短时预测方法。

技术方案：本发明的停车场有效泊位占有率短时预测方法，包括如下步骤：

1）统计出不同时间段内进入停车场的车辆数A_i和离开停车场的车辆数L_i，其中i=1，2，…，M，M为时间段个数，则各个时间段末的有效泊位数X_i为X_i＝X_i-1-A_i+L_i，各个时间段的有效泊位占有率c_0i为：c_0i=X_i/R，其中R为停车场总泊位数，从而得到停车场的有效泊位占有率时间序列c₀＝{c₀₁,c_0i2,…,c_0M}；

2）用小波函数对步骤1）中得到的有效泊位占有率时间序列c₀进行N尺度的小波分解，得到一个尺度为N的低频系数向量c_N和N个不同尺度下的高频系数向量d₁，d₂，…，d_N,其中尺度数N为整数且4≤N≤6；然后对低频系数向量c_N和高频系数向量d₁，d₂，…，d_N进行小波重构，得到N+1个重构的时间序列C_N，D₁，D₂，…，D_N；

3）对步骤2）中得到的N+1个重构的时间序列C_N，D₁，D₂，…，D_N分别建立小波神经网络预测模型，然后用小波神经网络预测模型对N+1个重构的时间序列C_N，D₁，D₂，…，D_N进行预测，得到N+1个预测结果C_N′，D₁′，D₂′，…，D_N′；

4）将步骤3）中得到的N+1个预测结果C_N′，D₁′，D₂′，…，D_N′累加，获得有效泊位占有率时间序列c₀的预测结果c_0(M+1)=C_N′+D₁′+D₂′+…+D_N′。

有益效果：本发明与现有技术相比，具有以下优点：

传统方法一般直接对有效停车泊位占有率时间序列进行短时预测，然而原始的时间序列包含了不同尺度的信号，这使得直接预测的收敛速度慢，精度也较低。本发明通过选择合适的小波函数对有效泊位占有率时间序列进行小波分解与重构，将表达有效泊位占有率本质变化趋势的低频信号与反映不确定影响因素的高频干扰信号相分离，然后利用小波神经网络精确稳定的预测特性，对低频信号和不同分辨率的高频干扰信号分别建立小波神经网络预测模型，最后外推出预测结果并进行合成，从而得到有效泊位占有率的最终预测结果，收敛速度快，预测精度高。

附图说明

图1为本发明停车场有效泊位占有率短时预测方法的流程图。

具体实施方式

下面进一步阐明本发明，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同形式的修改均落于本申请权利要求所限定的范围内。

本发明的停车场有效泊位占有率短时预测方法，流程如图1所示，具体步骤如下：

1）得到初始有效泊位占有率时间序列c₀

统计出不同时间段内进入停车场的车辆数A_i（i=1，2，…，M，M为时间段个数）和离开停车场的车辆数L_i（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X_i(i=1，2，…，M)可表示为：X_i＝X_i-1-A_i+L_i，各个时间段的有效泊位占有率c_0i(i=1，2，…，M)为：c_0i=X_i/R，从而可以得出停车场有效泊位占有率的时间序列c₀＝{c₀₁,c_0i2,…,c_0M}。

2）对有效停车泊位占有率时间序列c₀进行小波分解和重构

由于有效泊位占有率时间序列c₀是离散的时间序列，故引入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和重构。

快速二进正交小波变换算法表示为：

$\left\{\begin{array}{c}{c}_{n+1}={\mathrm{Hc}}_n\\ d_{n+1}={\mathrm{Gc}}_n\end{array}\right.n=\mathrm{0,1,2},...,N---\left(1\right)$

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，为整数且4≤N≤6。于是可以将有效泊位占有率时间序列c₀分解为N个不同尺度下的高频系数向量d₁，d₂，…，d_N和一个尺度为N的低频系数向量c_N。

经快速二进正交小波变换算法分解后的序列可以用重构算法进行小波重构：C_n=H^*c_n+1+G^*d_n+1，n=N-1，N-2，…，0。其中，H^*和G^*分别为H和G的对偶算子。采用上述重构算式可以对d₁，d₂，…，d_N和c_N分别进行重构，得到D₁，D₂，…，D_N和C_N，并且满足：C₀=C_N+D₁+D₂+…+D_N。其中，C_N为低频信号，反映有效泊位占有率本质变化趋势，D₁，D₂，…，D_N为高频干扰信号，反映有效泊位占有率的随机变化趋势。

3）用小波神经网络模型对N+1个重构的时间序列进行预测

本发明中的小波神经网络以三层BP神经网络的拓扑结构为基础，是一种以小波基函数作为隐层节点的传递函数、信号向前传播而误差向后传播的神经网络，网络输入节点数为r，隐层节点数为l，输出节点数为m；在短时预测时，m一般取为1，但不限于1。训练所使用的数据是步骤2）中得到的N+1个重构的时间序列C_N，D₁，D₂，…，D_N。

设小波神经网络的输入信号可以表示为一个一维向量x_i(i=1,2,…,r)，输出信号表示为y(k)(k=1,2,…,m)；在本发明的重构时间序列短时预测实际实施过程中，若输入向量为D₁，则令x_i=D₁。隐含层输出的计算公式为:

式中，h(j)为隐含层第个节点的输出值；ω_ij为输入层i节点和隐含层j节点间的连接权值；

为小波基函数，本发明采用Morlet母小波基函数；b_j为小波基函数的平移因子；a_j为小波基函数的伸缩因子。

小波神经网络输出层预测值的计算公式为:

$y\left(k\right)={\mathrm{\Σ}}_{j=1}^1{\mathrm{\ω}}_{\mathrm{jk}}h\left(t\right),k=\mathrm{1,2},...,m---\left(3\right)$

式中，ω_jk为隐含层j节点和输出层k节点间的连接权值。

本发明中小波神经网络的权值参数修正算法类似于BP神经网络权值修正算法，采用梯度修正法修正网络权值和小波基函数参数，从而使小波神经网络预测输出不断逼近期望输出。其修正过程如下：

计算网络的预测误差

$e=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{yn}\left(k\right)-y\left(k\right)---\left(4\right)$

式中，yn(k)为期望输出；y(k)为小波神经网络预测输出。

根据预测误差e修正小波神经网络权值和小波基函数系数

${\mathrm{\ω}}_{\mathrm{nk}}^{i+1}={\mathrm{\ω}}_{\mathrm{nk}}^i-\mathrm{\η}\frac{\∂e}{{\∂\mathrm{\ω}}_{\mathrm{nk}}^i}---\left(5\right)$

$a_k^{i+1}=a_k^i-\mathrm{\η}\frac{\∂e}{{\∂a}_k^i}---\left(6\right)$

$b_k^{i+1}-b_k^i-\mathrm{\η}\frac{\∂e}{{\∂b}_k^i}---\left(7\right)$

式中，η为学习率。

用D₁，D₂，…，D_N和C_N依次训练小波神经网络，训练完成后得到最终的N+1个小波神经网络模型，然后把N+1个重构的时间序列C_N，D₁，D₂，…，D_N依次输入到对应的模型中，得到N+1个预测结果C_N′，D₁′，D₂′，…，D_N′；

4）合成N+1个预测结果C_N′，D₁′，D₂′，…，D_N′

将步骤3）中得到的N+1个预测结果C_N′，D₁′，D₂′，…，D_N′累加，获得有效泊位占有率时间序列c₀的短时预测结果：c_0(M+1)=C_N′+D₁′+D₂′+…+D_N′。

Claims (1)

1.一种停车场有效泊位占有率短时预测方法，其特征在于，该方法包括如下步骤：

1）统计出不同时间段内进入停车场的车辆数A_i和离开停车场的车辆数L_i，其中i=1，2，···，M，M为时间段个数，则各个时间段末的有效泊位数X_i为X_i＝X_i－1- A_i+ L_i，各个时间段的有效泊位占有率c_0i为：c_0i= X_i /R，其中R为停车场总泊位数，从而得到停车场的有效泊位占有率时间序列c₀＝{c₀₁, c_0i2, ···,c_0M}；

2）用小波函数对所述步骤1）中得到的有效泊位占有率时间序列c₀进行N尺度的小波分解，得到一个尺度为N的低频系数向量c_N和N个不同尺度下的高频系数向量d₁，d₂，…，d_N ,其中尺度数N为整数且4≤N≤6；然后对所述的低频系数向量c_N和高频系数向量d₁，d₂，…，d_N进行小波重构，得到N+1个重构的时间序列C_N，D₁，D₂，…，D_N；

3）对步骤2）中得到的N+1个重构的时间序列C_N，D₁，D₂，…，D_N分别建立小波神经网络预测模型，然后用所述小波神经网络预测模型对N+1个重构的时间序列C_N， D₁， D₂，…，D_N进行预测，得到N+1个预测结果C_N′，D₁′，D₂′，…，D_N′；    

4）将所述步骤3）中得到的N+1个预测结果C_N′，D₁′，D₂′，…，D_N′累加，获得有效泊位占有率时间序列c₀的预测结果c_0(M+1)=C_N′+D₁′+D₂′+…+D_N′。

Images