CN102867407A - 一种停车场有效泊位占有率多步预测方法 - Google Patents

Abstract

本发明公开了一种停车场有效泊位占有率多步预测方法，包括如下步骤：1）确定停车场有效泊位占有率的时间序列；2）基于有效泊位占有率时间序列设置多步预测步长N；3）进行前n步的有效停车泊位占有率预测；4）得到新的时间序列，然后对新的时间序列相空间重构，得到d维相空间；5）对步骤4）中得到的d维相空间进行后N-n步预测；6）将步骤5）中得到的后N-n步预测值与步骤3）中得到的前n步预测值合并，得到最终N步预测结果。本发明根据停车场有效泊位占有率多步预测前期和后期的不同特性，提出小波神经网络－最大李雅谱诺夫指数方法组合预测模型，使得预测覆盖的时间范围增大，精度和稳定性得到提高。

Description

一种停车场有效泊位占有率多步预测方法

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多步预测的方法，可以实时预测较长时间段内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。

时间序列预测问题，可以分为单步预测和多步预测两种。单步预测（即短时预测），是用历史数据预测下一个时间点上的数据值。多步预测则是多个单步预测的迭代过程，即用历史数据进行单步预测，再将得到的预测值合并入历史数据集，用新的数据集预测下一个时间点上的数值，若依此迭代N次，即称为N步预测。由于混沌效应的存在，多步预测精度不如单步预测高，但可以覆盖更广的时间范围。

目前，国内对停车泊位预测的研究大多集中于单步预测，对于多步预测的研究较少。而在已有的多步预测研究中，一般都采用单一办法，虽然单一的预测方法具有过程清晰、简单易操作等优点，但同时存在预测精度较低、不能充分反映多步预测中前期和后期的不同特性等缺点。小波神经网络能够精确稳定地进行时间序列的短时预测，可用于多步预测的前期；而最大李雅谱诺夫指数方法能够准确反映数据的混沌特性，可用于多步预测的后期。因此本发明提出小波神经网络－最大李雅谱诺夫指数方法组合预测模型，对停车场有效泊位占有率进行多步预测，以提高预测精度。

发明内容

技术问题：本发明提供了一种可以合理描述预测后期的混沌特性，增大预测覆盖的时间范围，提高精度和稳定性的停车场有效泊位占有率多步预测方法。

技术方案：本发明的停车场有效泊位占有率多步预测方法，包括以下步骤：

1）统计出不同时间段内进入停车场的车辆数Ai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x_0i为x_0i=X_i/R，其中R为停车场总泊位数，从而得到停车场有效泊位占有率的时间序列x₀＝{x₀₁,x₀₂,…,x_0M}；

2）基于步骤1）中得到的有效泊位占有率时间序列x₀设置多步预测步长N：若统计时间段间隔为t，需要预测有效泊位占有率时间序列x₀中第M个时间段后T时间内的有效停车泊位占有率，则多步预测步长N为T/t向上取整，同时将多步预测步长N分为前n步和后N-n步，其中N/4≤n≤N/3，且n为整数；

3）基于步骤1）中得到的有效泊位占有率时间序列x₀训练小波神经网络模型，得到训练完成的小波神经网络模型，然后用训练完成的小波神经网络模型进行前n步的有效停车泊位占有率预测，得到前n步预测值y₁={y₁(t)|t=1,2,…,n}；

4）将步骤3）中得到的前n步预测值y₁和步骤1）中得到的有效泊位占有率时间序列x₀合并，即按时间顺序将y₁添加在x₀之后，得到新的时间序列x₁={x₁(t)|t=1,2,…,M+n}，然后用互信息法计算新的时间序列x₁的延滞时间τ，同时用虚假邻域法计算新的时间序列x₁的嵌入维数d，之后用延滞时间τ和嵌入维数d对新的时间序列x₁进行相空间重构，得到d维相空间；

5）使用最大李雅谱诺夫指数方法，对步骤4）中得到的d维相空间进行后N-n步的有效停车泊位占有率预测，得到后N-n步预测值y₂={y₂(t)|t=n+1,n+2,…,N}；

6）将步骤5）中得到的后N-n步预测值y₂与步骤3）中得到的前n步预测值y₁合并，最终得到有效泊位占有率时间序列x₀的步长为N的多步预测结果为：{Y(t)|t=M+1,M+2,…,M+N}。

有益效果：本发明与现有技术相比，具有以下优点：

目前普遍采用的人工神经网络方法会使得有效泊位占有率多步预测在预测后期出现预测值与实际值产生较大偏差的现象，从而影响预测精度。而最大李雅谱诺夫指数方法可以充分反映时间序列的混沌特性，在多步预测后期能够保证较高的预测精度。但最大李雅谱诺夫指数方法在多步预测前期的预测精度不高，且模型的泛化性能不如小波神经网络。鉴于此，本发明将小波神经网络和最大李雅谱诺夫指数方法相结合：利用小波神经网络进行多步预测的前期预测，可以取得较高精度并能对历史数据进行充分的学习；利用最大李雅谱诺夫指数方法进行多步预测的后期预测，可以合理描述预测后期的混沌特性。因此，本发明根据停车场有效泊位占有率多步预测前期和后期的不同特性，提出了小波神经网络－最大李雅谱诺夫指数方法组合预测模型，可以合理描述预测后期的混沌特性，使得预测覆盖的时间范围增大，精度和稳定性得到提高。

附图说明

图1为本发明的停车场有效泊位占有率多步预测方法的流程图。

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多步预测方法，具体步骤如下：

1）得到初始有效泊位占有率时间序列x₀

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x_0i(i=1,2,…,M)为：x_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x₀＝{x₀₁,x₀₂,…,x_0M}。

2）设置多步预测步长N

根据有效泊位占有率时间序列x₀的时间段间隔和期望预测的时间范围设置多步预测步长N，具体方法为：若统计时间段间隔为t，需要预测有效泊位占有率时间序列x₀中第M个时间段后T时间内的有效停车泊位占有率，则多步预测步长N为T/t向上取整。

由于多步预测的后期混沌效应较前期更为显著。本发明进一步将这N步分为前n步（其中，N/4≤n≤N/3，且n为整数）和后N-n步，以在后续步骤中分别对前n步与后N-n步进行预测；

3）利用小波神经网络模型进行前n步预测

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，是一种将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。训练所使用的数据是步骤1）中得到的有效停车泊位占有率时间序列x₀，当神经网络输入节点数为r，隐层节点数为l，输出节点数为m时，依次选取有效数据段[x₁,x₂,…,x_r]=[x_0(i+1),x_0(i+2),…,x_0(i+r)],i=1,2,…,M-r作为输入值，[y(1),y(2),…,y(m)]即为输出的预测值，在短时预测时，m一般取为1，但不限于1。

在输入信号向量为x_i(i=1,2,…,r)时，隐含层输出的计算公式为:

j＝1，2，…，l        （1）

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:

k＝1，2，…，m       （2）

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

$e=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{yn}\left(k\right)-y\left(k\right)---\left(3\right)$

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

${\mathrm{\ω}}_{\mathrm{nk}}^{i+1}={\mathrm{\ω}}_{\mathrm{nk}}^i$

$a_k^{i+1}=a_k^i$

$b_k^{i+1}=b_k^i$

式中，η为学习率。

按照以上训练方法，用步骤1）中得到的有效停车泊位占有率时间序列x₀训练小波神经网络模型，得到训练完成的小波神经网络模型。

用训练完成的小波神经网络模型进行前n步的有效停车泊位占有率预测的过程为：把x₀输入到训练完成的小波神经网络模型中，按照式（1）、（2）计算出预测值y₁(1)，然后将y₁(1)与x₀合并，得到x_0,1＝[x₀,y₁(t)]；再把x_0,1输入到训练完成的小波神经网络模型中得到预测值y₁(2)；依此方法逐个得到下一步的预测值，迭代直至得到第n步预测值y₁(n)后停止，即可得到前n步预测结果y₁={y₁(t)|t=1,2,…,n}；

4）合并前n步预测结果并进行相空间重构

将步骤3）中得到的前n步预测值y₁和步骤1）中得到的有效泊位占有率时间序列x₀合并，即按时间顺序将y₁添加在x₀之后。将合并之后的结果作为新的时间序列x₁={x₁(t)|t=1,2,…,M+n}，然后对新的时间序列x₁，用互信息法计算延滞时间τ，同时用虚假邻域法计算新的时间序列x₁的嵌入维数d，之后用延滞时间τ和嵌入维数m对新的时间序列x₁进行相空间重构，得到d维相空间；

其中新的时间序列x₁的相空间重构的原理和具体方法为：相空间重构的基本原理是延迟嵌入定理，即只要适当选取嵌入维数d和延滞时间τ，原混沌动力系统的几何特征与重构的d维状态空间的几何特征便是等价的，它们具有相同的拓扑结构。即可把将预测问题转换为相空间中的一个短的演化过程来讨论。本发明在这一原理的基础上,对序列动力学因素进行分析,采用延迟坐标状态空间重构法对相空间进行重构。对于前述合并后的新时间序列x₁={x₁(t)|t=1,2,…,M+n}，选取有效数据段x=x₁：

采用互信息法计算延滞时间d，虚假邻点法计算嵌入维数τ，可将x＝{x₁,x₂,…,x_M+n}重构为d维相空间：

z_t＝(x_t，x_t+τ，…，x_t+(d-1)τ)，t＝1，2，…，M+n-(d-1)τ

                                                         (7)

式中，z_t为一个相点，

构成一个d维相空间，可以通过d维相空间的演化轨迹z_t→z_t+1反应原时间序列的演化。

5）使用最大李雅谱诺夫指数方法进行后N-n步预测

使用最大李雅谱诺夫指数方法，对步骤4）中得到的d维相空间进行后N-n步的预测，得到后N-n步预测结果y₂={y₂(t)|t=n+1,n+2,…,N}。

其中，最大李雅谱诺夫指数的定义和计算方法如下：

混沌运动的基本特点是运动对初值条件极为敏感，即两个很靠近的初值所产生的轨道,随时间推移按指数方式分离，李雅谱诺夫指数就是表示系统在多次迭代中平均每次迭代所引起的指数分离中的指数。本发明采用罗森斯坦等人提出的在沃尔夫方法基础上改进的由小数据量算法计算相空间的最大李雅谱诺夫指数，该方法对小数据组比较可靠，且计算量小、易于编程应用。

用最大李雅谱诺夫指数方法对步骤4）中得到的d维相空间进行单步预测，具体步骤如下：

步骤a：设相空间中点z_t=(x_t,x_t+τ,…,x_t+(d-1)τ)，t=M+n-(d-1)τ在P≤ia≤S（其中P是平均周期，S是数据个数）内的最邻近点z_ia=(x_ia,x_ia+τ,…,x_ia+(d-1)τ)；

步骤b：计算最大李雅谱诺夫指数λ₁；

步骤c：由最大李雅谱诺夫指数的定义和计算有：

d(z_t+1，z_t)＝d(z_ia+1，z_ia)exp(λ₁)（8）

于是x_t+(d-1)τ+1的预测值为：

$\begin{array}{c}{y}_{2,t+(d-1)\mathrm{\τ}+1}=x_{t+(d-1)\mathrm{\τ}}\±{[d{(z_{i+1},z_i)}^2-\underset{k=0}{\overset{d-2}{\mathrm{\Σ}}}{(x_{i+k+1}-x_{i+k+1})}^2]}^{\frac{1}{2}}\\ \left(9\right)\end{array}$

令y₂(n+1)=y_{2,t+(d-1)τ+1}，即得到y₂{y₂(t)|t=n+1,n+2,…,N}中t=n+1时的预测值。将y₂(n+1)与步骤4）中新的时间序列x₁合并，得到x_1，n+1＝[x₁,y₂(n+1)]。

按照步骤4）中的方法对x_1，n+1进行相空间重构，得到新的d维相空间，然后用上述步骤a、b、c的方法对新的d维相空间进行预测，得到新的单步预测结果y₂(n+2)。依此方法逐个得到下一步的预测值，迭代计算至得到y₂(N)的值后停止，即可得到后N-n步预测结果y₂{y₂(t)|t=n+1,n+2,…,N}。

6）得到多步预测结果

将步骤5）中得到的后N-n步预测结果y₂与步骤3）中前n步预测值y₁合并，最终得到的有效泊位占有率时间序列x₀的步长为N的多步预测结果为：{Y(t)|t=M+1,M+2,…,M+N}。

Claims (1)

1.一种停车场有效泊位占有率多步预测方法，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x_0i为x_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x₀＝{x₀₁, x₀₂, ···, x_0M}；

2）基于所述步骤1）中得到的有效泊位占有率时间序列x₀设置多步预测步长N：若统计时间段间隔为t，需要预测有效泊位占有率时间序列x₀中第M个时间段后T时间内的有效停车泊位占有率，则多步预测步长N为T/t向上取整，同时将所述多步预测步长N分为前n步和后N-n步，其中N/4≤n≤N/3，且n为整数；

3）基于所述步骤1）中得到的有效泊位占有率时间序列x₀训练小波神经网络模型，得到训练完成的小波神经网络模型，然后用所述训练完成的小波神经网络模型进行前n步的有效停车泊位占有率预测，得到前n步预测值y₁={y₁(t)|t=1,2, ···,n}；

4）将所述步骤3）中得到的前n步预测值y₁和所述步骤1）中得到的有效泊位占有率时间序列x₀合并，即按时间顺序将y₁添加在x₀之后，得到新的时间序列x₁={x₁(t)|t=1,2, ···, M+n} ，然后用互信息法计算所述新的时间序列                                               

的延滞时间τ，同时用虚假邻域法计算新的时间序列

的嵌入维数d，之后用所述延滞时间和嵌入维数d对所述新的时间序列x₁进行相空间重构，得到d维相空间；

5）使用最大李雅谱诺夫指数方法，对所述步骤4）中得到的d维相空间进行后N-n步的有效停车泊位占有率预测，得到后N-n步预测值y₂={y₂(t)|t=n+1,n+2, ···,N}；

6）将所述步骤5）中得到的后N-n步预测值y₂与所述步骤3）中得到的前n步预测值y₁合并，最终得到有效泊位占有率时间序列x₀的步长为N的多步预测结果为：{Y(t)|t= M+1,M+2, ···,M+N}。

Images