CN103093643B - 一种确定公共停车场泊位数的方法 - Google Patents

一种确定公共停车场泊位数的方法 Download PDF

Info

Publication number
CN103093643B
CN103093643B CN201310007221.7A CN201310007221A CN103093643B CN 103093643 B CN103093643 B CN 103093643B CN 201310007221 A CN201310007221 A CN 201310007221A CN 103093643 B CN103093643 B CN 103093643B
Authority
CN
China
Prior art keywords
data
layer
neural network
public parking
training
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.)
Active
Application number
CN201310007221.7A
Other languages
English (en)
Other versions
CN103093643A (zh
Inventor
郭延永
刘攀
吴瑶
王炜
俞灏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201310007221.7A priority Critical patent/CN103093643B/zh
Publication of CN103093643A publication Critical patent/CN103093643A/zh
Application granted granted Critical
Publication of CN103093643B publication Critical patent/CN103093643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种确定公共停车场泊位数的方法，按如下步骤进行：（1）确定影响公共停车场泊位数的因素并调查上述因素的数据，并将数据分为训练数据组和预测数据组；（2）构建BP神经网络，所述BP神经网络包括输入层、隐层和输出层；（3）将训练数据组的数据进行预处理；（4）将预处理好的训练数据输入到BP神经网络，生成输出层的数据，将输出层的数据与实际值进行比较，调整隐层变量和权重，进行迭代训练，直至误差满足精度要求；（5）将预测数据组的数据输入到BP神经网络处理生成输出层的数据，即为公共停车场泊位数。本发明方法模型简单，参数容易取得，易收敛，实现对大数据的智能处理，在城市建设、大型商业区规划或者小区规划中，获得广泛的应用。

Description

一种确定公共停车场泊位数的方法
技术领域
本发明涉及一种确定公共停车场泊位数的方法，具体涉及一种运用BP神经网络确定公共停车场泊位数的方法，属于城市交通规划和停车场规划领域。
背景技术
随着国民经济的快速增长和城市化进程的加快，我国的城市机动化水平在最近几十年迅速发展，交通需求量急剧增加。然而，由于我国的城市交通基础设施缺乏和滞后，所以，城市机动车的迅猛发展，不仅严重加剧了道路负荷，带来交通阻塞等问题，同时也带来停车设施严重不足，车辆乱停乱放等问题。
社会公共停车场是我国最重要的停车设施之一，如果在社会公共停车场建设前期没有做好其泊位数的预测工作，可能会导致一些严重的问题。一方面如果社会公共停车场较少，会导致停车设施无法满足停车需求，车辆路边违章停车，严重占用道路，甚至会制约社会、经济的发展；另一方面，如果社会公共停车场过多，则会造成停车场利用效率不高，资金和土地的浪费。所以准确的对社会公共停车场泊位数进行预测是合理规划和建设社会公共停车的基础，有着重大的意义。
目前停车需求预测方法有停车生成率模型、用地与交通影响分析模型、多元回归分析预测模型和配建停车需求标准等，但现有的方法并没有考虑人口和经济等因素，同时工程设计人员从模型中获取的拟建停车场规模一是从行业标准中推算得出，二是根据模型回归得出。但获取的停车场规模并不是建立在拟建地区的人口经济等因素基础之上的，是否能够满足拟建地区的停车问题存在异议，另外现有的模型都比较复杂，参数很难获取，并且没有快速收敛的算法，在工程实践中是不适用的。
发明内容
发明目的：本发明的目的在于针对现有技术的不足，提供一种模型简单、参数容易取得并且容易收敛的公共停车场泊位数的确定方法。
技术方案：本发明所述的一种确定公共停车场泊位数的方法，按如下步骤进行：
（1）确定影响公共停车场泊位数的因素，所述因素包括人口、GDP、家庭平均月收入和家庭平均小汽车数；调查上述因素的数据，将经调查的数据分为训练数据组和预测数据组。
（2）构建BP神经网络，所述BP神经网络包括输入层、隐层和输出层，所述输入层包括4个神经元，所述输出层为1个神经元，所述隐层的神经元个数确定方法为其中m是输入层神经元个数；n是输出层神经元个数；α是1~10的常数，通过网络的训练确定。
（3）将训练数据组的数据进行预处理，预处理采用[0，1]数据归一的方法，使训练数据映射到0~1之间。这样转移函数在该区间内变化梯度增大，网络收敛速度提高，网络性能得到改善。
（4）将预处理好的训练数据输入到BP神经网络，每个因素对应BP神经网络输入层的1个神经元，输入层的数据通过双曲正切S型函数的处理生成隐层的数据，隐层数据通过线性转移函数的处理生成输出层的数据，将输出层的数据与实际值进行比较，如果误差不满足精度要求，则调整隐层变量和权重，继续进行训练；如果误差满足精度要求，则训练停止。
图3中变量是指隐藏变量，根据收敛性的要求，Matlab自动生成的一系列的值，根据公式Matlab可自动调整该变量的个数以及其值，并且不断变化，直到BP神经网络收敛为止，该值在操作界面中是看不到的。
（5）将预测数据组的数据输入到BP神经网络，每个因素对应BP神经网络输入层的1个神经元，输入层的数据通过双曲正切S型函数的处理生成隐层的数据，隐层数据通过线性转移函数的处理生成输出层的数据，即为公共停车场泊位数。
所述方法基于Matlab工具进行，步骤（1）通过Matlab工具的BP神经网络工具箱实现，步骤（3）通过Matlab工具的mapminmax命令实现，步骤（4）通过Matlab工具的traingdm命令实现，步骤（4）中隐层变量和权重是一个隐藏性的数值，根据收敛性的要求由Matlab工具自动生成，根据公式Matlab工具自动调整该变量和权重的个数和值，并且不断变化，直到BP神经网络收敛为止。
步骤（4）中调整隐层和输出层权重使用沿着误差的梯度下降法，提高学习过程的效率。
有益效果：本发明所述的一种确定公共停车场泊位数的方法，分析确定了影响公共停车场泊位的因素，构建社会公共停车场泊位数包括输入层、隐层和输出层的3层BP神经网络结构，通过训练和预测确定公共停车场的泊位数，此方法模型简单，参数容易取得，易收敛，实现对大数据的智能处理，在城市建设、大型商业区规划或者小区规划中，获得广泛的应用。
附图说明
图1为本发明所述的一种确定公共停车场泊位数的方法的流程图；
图2为本发明所述的BP神经网络的结构图；
图3为本发明所述的BP神经网络训练方法的流程图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施例：本发明公开的一种确定公共停车场泊位数的方法，通过Matlab工具实现，其流程图如图1所示，按如下步骤进行：
（1）确定影响公共停车场泊位数的因素，所述因素包括人口、GDP、家庭平均月收入和家庭平均小汽车数；调查上述因素的数据，将经调查的数据分为训练数据组和预测数据组。
停车需求是由于车辆的使用引起的，是由于社会经济活动场所的各种出行所形成的，停车需求的影响因素众多。本发明通过对各种资料的总结以及对停车场相关特性的调查，并以相关性强、数据准确、易获取为基本原则，确定影响社会公共停车场需求的因素为4个，即人口、GDP、家庭平均月收入和家庭平均小汽车数。
（2）构建BP神经网络，通过Matlab工具的BP神经网络工具箱实现。BP神经网络的结构图如图2所示，所述BP神经网络包括输入层、隐层和输出层，所述输入层包括4个神经元，所述输出层为1个神经元，所述隐层的神经元个数确定方法为其中m是输入层神经元个数；n是输出层神经元个数；α是1~10的常数，通过网络的训练确定。
（3）将训练数据组的数据进行预处理，预处理采用[0，1]数据归一的方法，使训练数据映射到0~1之间，通过Matlab工具的mapminmax命令实现。这样转移函数在该区间内变化梯度增大，网络收敛速度提高，网络性能得到改善。
（4）对BP神经网络进行训练，训练的流程图如图3所示，将预处理好的训练数据输入到BP神经网络，每个因素对应BP神经网络输入层的1个神经元，输入层的数据通过双曲正切S型函数的处理生成隐层的数据，隐层数据通过线性转移函数的处理生成输出层的数据，将输出层的数据Φ与实际值Y进行比较，如果误差不满足精度要求，则调整隐层变量Wij和权重bij，继续进行训练，调整隐层和输出层权重使用沿着误差的梯度下降法；如果误差满足精度要求，则训练停止。
上述操作通过Matlab工具的traingdm命令实现。
步骤（4）中隐层变量和权重是一个隐藏性的数值，根据收敛性的要求由Matlab工具自动生成，根据公式Matlab工具自动调整该变量和权重的个数和值，并且不断变化，直到BP神经网络收敛为止。
（5）将预测数据组的数据输入到BP神经网络，每个因素对应BP神经网络输入层的1个神经元，输入层的数据通过双曲正切S型函数的处理生成隐层的数据，隐层数据通过线性转移函数的处理生成输出层的数据，即为公共停车场泊位数。
根据本发明一种确定公共停车场泊位数的方法，以某城市为列，进行应用演示。
在社会公共停车场预测前将该城市划分为200个交通小区，其中100个作为BP神经网络训练组，另外100个作为BP神经网络预测组。通过对该城市统计年鉴搜集，获取该城市每个交通小区的人口、GDP、家庭平均月收入和家庭平均小汽车数；同时实际勘察获得训练组100个交通小区中每个交通小区的社会公共停车场泊位数。
应用本发明的方法，使用训练组数据对BP神经网络进行训练，网络迭代35次后收敛。训练组部分社会公共停车场预测值和实际调查值如表1所示。
表1：
表1中，计算误差的方法为：
从表1中的误差可以看出，该BP神经网络预测结果误差较小，精度比较高，可用于对预测组的预测。
将预测组100个交通小区的人口、GDP、家庭平均月收入和家庭平均小汽车数4个输入层指标输入到训练好的BP神经网络中，可快速得到每个交通小区需要的公共停车泊位数。预测组部分公共停车场预测值如表2所示。
表2：
通过本发明的方法，快速方便的实现对大数据的智能处理，在城市建设、大型商业区规划或者小区规划中，获得广泛的应用。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (1)

1.一种确定公共停车场泊位数的方法，其特征在于，按如下步骤进行：
(1)确定影响公共停车场泊位数的因素，所述因素包括人口、GDP、家庭平均月收入和家庭平均小汽车数；调查上述因素的数据，将经调查的数据分为训练数据组和预测数据组；
(2)构建BP神经网络，所述BP神经网络包括输入层、隐层和输出层，所述输入层包括4个神经元，所述输出层为1个神经元，所述隐层的神经元个数确定方法为其中m是输入层神经元个数；n是输出层神经元个数；α是1～10的常数，通过网络的训练确定；
(3)将训练数据组的数据进行预处理，预处理采用[0，1]数据归一的方法，使训练数据映射到0～1之间；
(4)将预处理好的训练数据输入到BP神经网络，每个因素对应BP神经网络输入层的1个神经元，输入层的数据通过双曲正切S型函数的处理生成隐层的数据，隐层数据通过线性转移函数的处理生成输出层的数据，将输出层的数据与实际值进行比较，如果误差不满足精度要求，则调整隐层变量和权重，继续进行训练；如果误差满足精度要求，则训练停止；
(5)将预测数据组的数据输入到BP神经网络，每个因素对应BP神经网络输入层的1个神经元，输入层的数据通过双曲正切S型函数的处理生成隐层的数据，隐层数据通过线性转移函数的处理生成输出层的数据，即为公共停车场泊位数；
所述方法基于Matlab工具进行；
所述步骤(4)中调整隐层变量和权重使用沿着误差的梯度下降法。
CN201310007221.7A 2013-01-09 2013-01-09 一种确定公共停车场泊位数的方法 Active CN103093643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310007221.7A CN103093643B (zh) 2013-01-09 2013-01-09 一种确定公共停车场泊位数的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310007221.7A CN103093643B (zh) 2013-01-09 2013-01-09 一种确定公共停车场泊位数的方法

Publications (2)

Publication Number Publication Date
CN103093643A CN103093643A (zh) 2013-05-08
CN103093643B true CN103093643B (zh) 2015-06-17

Family

ID=48206163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310007221.7A Active CN103093643B (zh) 2013-01-09 2013-01-09 一种确定公共停车场泊位数的方法

Country Status (1)

Country Link
CN (1) CN103093643B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679654A (zh) * 2017-09-25 2018-02-09 同济大学 一种停车规模预估控制系统及实现方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106571059B (zh) * 2015-10-10 2019-06-21 上海宝信软件股份有限公司 内部车辆系统大数据监测系统
CN106571056B (zh) * 2015-10-10 2019-06-21 上海宝信软件股份有限公司 内部车辆系统大数据监测方法
CN107230376B (zh) * 2016-03-24 2021-03-19 云派科技有限公司 停车管理系统
CN107239846B (zh) * 2016-03-29 2021-11-02 中兴通讯股份有限公司 停车场泊位预测处理方法及装置
CN106157688B (zh) * 2016-08-25 2019-01-25 华南师范大学 基于深度学习和大数据的停车位检测方法和系统
CN107248317A (zh) * 2017-07-27 2017-10-13 武汉市艾派智能科技有限公司 一种基于车牌识别系统的停车场空余车位数预测方法
CN109472184A (zh) * 2017-09-08 2019-03-15 深圳市金溢科技股份有限公司 路内泊位的状态检测方法、系统及其数据处理装置
CN107958610B (zh) * 2017-11-21 2020-07-28 同济大学 一种基于泊位共享的功能混合用地停车位预估方法
CN108417032B (zh) * 2018-03-19 2020-05-29 中景博道城市规划发展有限公司 一种城市中心区路边停车需求分析预测方法
CN108564810B (zh) * 2018-06-05 2021-02-19 长沙大京网络科技有限公司 一种车位共享系统及其方法
CN109492817A (zh) * 2018-11-16 2019-03-19 杭州电子科技大学 一种封闭区域内未来泊位需求数量短时预测方法
CN112101522B (zh) * 2020-08-20 2023-04-18 四川大学 基于可视化的交互式机器学习方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976501A (zh) * 2010-10-29 2011-02-16 天津市市政工程设计研究院 基于主成分分析和神经网络的港区道路安全性预测方法
CN102081859A (zh) * 2009-11-26 2011-06-01 上海遥薇实业有限公司 一种公交车到站时间预测模型控制方法
CN102496076A (zh) * 2011-11-30 2012-06-13 广州市交通规划研究所 宏、中、微观多层次的城市停车需求预测模型集成系统
CN102855405A (zh) * 2012-09-13 2013-01-02 东南大学 一种城市路外公共停车场规模的计算模型

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081859A (zh) * 2009-11-26 2011-06-01 上海遥薇实业有限公司 一种公交车到站时间预测模型控制方法
CN101976501A (zh) * 2010-10-29 2011-02-16 天津市市政工程设计研究院 基于主成分分析和神经网络的港区道路安全性预测方法
CN102496076A (zh) * 2011-11-30 2012-06-13 广州市交通规划研究所 宏、中、微观多层次的城市停车需求预测模型集成系统
CN102855405A (zh) * 2012-09-13 2013-01-02 东南大学 一种城市路外公共停车场规模的计算模型

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于主成分分析的居住区停车需求预测研究;岳振中等;《交通与运输(学术版)》;20050731(第01期);第72-74页，正文第0-2节，图1 *
基于神经网络的停车需求预测模型及应用;龙东华等;《交通信息与安全》;20110217;第28卷(第05期);第6-9页 *
基于路网容量的停车需求预测方法;白玉等;《交通运输工程学报》;20041230;第4卷(第04期);第49-52页 *
白辂韬等.基于主成分分析法和BP神经网络的组合停车需求预测模型.《城市建设理论研究(电子版)》.2012,(第1期),正文第1-3节内容. *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679654A (zh) * 2017-09-25 2018-02-09 同济大学 一种停车规模预估控制系统及实现方法
CN107679654B (zh) * 2017-09-25 2021-07-27 同济大学 一种停车规模预估控制系统及实现方法

Also Published As

Publication number Publication date
CN103093643A (zh) 2013-05-08

Similar Documents

Publication Publication Date Title
CN103093643B (zh) 一种确定公共停车场泊位数的方法
CN103310287B (zh) 基于svm预测乘客出行概率的轨道交通客流预测方法
CN103226741B (zh) 城市供水管网爆管预测方法
CN103729550B (zh) 基于传播时间聚类分析的多模型集成洪水预报方法
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
CN102693633B (zh) 一种短时交通流加权组合预测方法
CN104134105B (zh) 一种公交线网布设优化方法
Shao et al. An alternative method for analyzing dimensional interactions of urban carrying capacity: Case study of Guangdong-Hong Kong-Macao Greater Bay Area
CN106355334A (zh) 农田建设区域判定方法
Chen et al. Soft computing methods applied to train station parking in urban rail transit
CN104134349A (zh) 一种基于交通多源数据融合的公交路况处理系统及方法
CN102074124A (zh) 一种基于svm及h∞滤波的动态公交到站时间预测方法
CN104239489A (zh) 利用相似性搜索和改进bp神经网络预测水位的方法
CN104091216A (zh) 基于果蝇优化最小二乘支持向量机的交通信息预测方法
CN110047291A (zh) 一种考虑扩散过程的短时交通流预测方法
CN102610092A (zh) 基于rbf神经网络城市道路速度预测方法
CN104992244A (zh) 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法
Jia et al. A system dynamics model for determining the traffic congestion charges and subsidies
CN104899446A (zh) 基于数据驱动的脉动风速模拟方法
CN101290713A (zh) 一种结合周相似特性的分形交通流预测方法
CN105243428A (zh) 基于蝙蝠算法优化支持向量机预测公交车到站时间的方法
CN111199298B (zh) 基于神经网络的洪水预报方法与系统
CN103456163A (zh) 城市快速路互通立交通行能力和运行状态判别方法与系统
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
CN103353295A (zh) 一种精确预测大坝坝体垂直变形量的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant