CN106548254B - 一种有效停车泊位的预测方法 - Google Patents

Abstract

根据本发明的有效停车泊位的预测方法，用于预测中小型的停车场的有效停车泊位的数量，其特征在于，包括以下步骤：步骤一，得到初始有效泊位的时间序列；步骤二，根据有效泊位的时间序列，运用GM(1,1)预测模型进行初始预测得到得到初始预测时间序列；步骤三，构建马尔科夫预测模型进行修正预测得到修正预测时间序列；步骤四，设定前期预测时间段和后期预测时间段；步骤五，根据修正预测时间序列，运用小波神经网络对前期预测时间段进行前期预测得到前期预测值和前期预测时间序列；步骤六，根据前期预测时间序列，运用李雅普诺夫指数法对后期预测时间段进行预测得到后期预测值；步骤七，将前期预测值与后期预测值进行合并计算，得到停车泊位的预测值。

Description

一种有效停车泊位的预测方法

技术领域

本发明涉及一种有效停车泊位的预测方法，特别涉及一种中小型停车场有效停车泊位的预测方法。

背景技术

有效停车泊位是指当前停车场内可用来停放车辆的泊位，具有以下特征：(1)时间上的波动性：停车场在各时间段的有效停车泊位的数量是不同的，主要取决于车辆的停车需求量，不同时间段的有效停车泊位存在很大的波动性；(2)空间上的不均匀性：城市不同功能区的停车需求量不同，导致不同区域内的停车场在同一时间段的有效停车泊位数量存在很大差异，城市中心区与非中心区供需不均衡；(3)资源上的局限性：我国大部分城市的主体规划建设已经完成，特别是城市中心区用地紧张，停车资源十分有限。因此，有必要采取合适的方法对有效停车泊位进行实时、精确预测，以提高停车资源的合理利用。

经对现有技术的文献检索发现，有关有效停车泊位的预测方法主要有以下几种：

(1)非线性时间序列分析法。Dunning等在《Method and system for projectingdynamic parking availability based on ongoing survey for remote lots withhigh demand》(United State Patent,7049979.2006-05-23)中提出了自回归移动平均模型对停车场内空车位进行需求预测；Liu等在《Unoccupied parking space prediction ofchaotic time series》(Proceedings of the 10th International Conference ofChinese Transportation Professional.Beijing,2010:2122-2131)中构建混沌时间序列的加权一阶局域预测方法等。

(2)系统模糊分析法。Russell等在《Optimization of parking guidance andinformation systems display configurations》(Transportation Research Part C:Emerging Technologies,2001,9(1):69-85)中运用灰色理论建立基于马尔科夫链检测的预测模型；Caliskan等在《Predicting parking lot occupancy in vehicularad hoc-networks》(Proceedings of the Vehicular Technology Conference,2007VTC2007-Spring IEEE 65th.Dublin,2007:277-281)中建立了马尔科夫短时预测模型等。

(3)神经网络分析法。TRAJANOSKI等在《Neural predictive controller forclosed-loop control of glucose using the subcutaneous route:a simulationstudy》(Control Engineering Practice,1997,5(12):1727-1730)中提出了基于非线性神经网络的停车场预测模型；VenkatSwarlu等在《Dynamic recurrent radial basisfunction network model predictive control of unstable nonlinear processes》(Chemical Engineering Science,2005,60(23):6718-6732)中应用分层自组织学习算法优化动态递归RBF神经网络预测模型等。

第一种方法虽然结合多种影响因素，可对有效停车泊位进行短时预测，但其对数据的波动性处理能力较弱，预测结果的稳定性较差。第二种方法可明显降低采集数据的波动率，并对输出结果进行的修处理，但其运算能力具有一定局限性，数据较大情况下准确率会有所下降。第三种方法虽具有较高的容错性及鲁棒性，具有拟合非线性复杂系统的预测能力，但由于其对输入数据的处理能力有限，预测容易陷入局部最优，并且预测结果随机波动性较大，预测结果有时稳定性较差。

发明内容

本发明是为解决上述问题而提出的，目的在于提供一种能提高预测结果的稳定性及拟合度的有效停车泊位的预测方法。

本发明采用了以下技术方案：

一种有效停车泊位的预测方法，用于预测中小型的停车场的有效停车泊位的数量，其特征在于，包括以下步骤：步骤一，根据数据采集系统采集的多个相同时间间隔内分别驶入所述停车场的机动车数量以及离开的机动车数量，得到初始有效泊位的时间序列；步骤二，根据所述有效泊位的时间序列，运用GM(1,1)预测模型进行初始预测得到初始预测时间序列；步骤三，根据所述初始预测时间序列，构建马尔科夫预测模型进行修正预测得到修正预测时间序列；步骤四，设定前期预测时间段和后期预测时间段；步骤五，根据所述修正预测时间序列，运用小波神经网络对所述前期预测时间段进行前期预测得到前期预测值和前期预测时间序列；步骤六，根据所述前期预测时间序列，运用李雅普诺夫指数法对所述后期预测时间段进行预测得到后期预测值；步骤七，将所述前期预测值与所述后期预测值进行合并计算，得到所述停车泊位的预测值。

本发明提供的有效停车泊位的预测方法，还可以具有这样的特征：其中，步骤(2)中，所述GM(1,1)预测模型的预测公式为：

式中，

为第t+1时刻的预测值，

为第0时刻第i个累加生成数，a，b为特征参数。

本发明提供的有效停车泊位的预测方法，还可以具有这样的特征：其中，步骤(3)中，所述马尔科夫预测模型的预测公式为，

式中，

为(t+l)步预测值，

分别为S_i的上下限。

本发明提供的有效停车泊位的预测方法，还可以具有这样的特征：其中，步骤七中，所述合并计算的公式为，

Y＝{Y(t)＝[y₁,y₂]丨t＝M+1,M+2,...,M+N}

式中，Y为所述预测值；y₁为所述前期预测值；y₂为所述后期预测值。

发明作用与效果

根据本发明的有效停车泊位的预测方法，由于采用了马尔科夫预测模型，基于马尔科夫和小波神经网络的有效停车泊位组合预测模型，可大幅度减弱有效停车泊位时间序列数据的随机波动性，使得预测值误差波动性小，提高了有效停车泊位的预测值的稳定性及拟合度。

具体实施方式

实施例

以下说明本发明的实施例的具体实施方式。

本发明的具体实施步骤如下：

步骤一，采集数据初始化得到初始有效泊位的时间序列。

通过数据采集系统采集一定时间段驶入停车场的机动车数量A_i(i＝1,2,…,M，M为时间段个数)以及离开的机动车数量B_i。各个时间段末的有效停车泊位数x_i可表示为：x_i＝x_i-1-A_i+B_i，从而可以得到初始有效泊位的时间序列X⁽⁰⁾＝{x₁,x₂,...,x_M}。

步骤二，运用G(1,1)预测模型进行初始预测。

该步骤包括以下几个子步骤：

步骤1，应用累加处理方法对初始有效停车泊位时间序列X⁽⁰⁾的随机性进行减弱处理：

式(1)中，

为第t时刻第i个累加生成数，x_i(k)为第i个元素第k次的值。

步骤2，对各累加生成数进行紧邻均值变化：

式(2)中，

为第i个累加生成数紧邻均值，

为第j-1时刻第i个累加生成数，

为第j时刻第i个累加生成数。

步骤3，运用最小二乘估计法对GM(1,1)模型参数值进行估计：

a＝(B^T×B)^-1×B^T×Y (3)

式(3)和式(4)中，a，b分别为特征参数，B为紧邻均值最小二乘估计转置矩阵，Y为累加生成数列矩阵，其计算公式分别为：

步骤4，通过矩阵公式参数估计得到GM(1,1)预测模型：

式(7)中，

为t+1时刻GM(1,1)初步预测值；

为0时刻累加生成数初值。

步骤5，计算预测数据，采用累减生成方法对数据进行还原处理：

式(8)中，X(t+1)为t+1时刻预测数据还原值；

为t+1时刻GM(1,1)初步预测值；

为t时刻GM(1,1)初步预测值。

数据还原处理后，可得到初始预测得到初始预测时间序列

步骤三，构建马尔科夫预测模型进行修正预测。

该步骤包括以下几个子步骤：

步骤1，将初始预测时间序列

的时间数据平面分为n个区间，则

为第1平面，

为第2平面，…，

为第n平面。从平面i进入j的样本数与平面i内样本数之比即为状态i转向状态j的转移概率，记为p_ij。

将上述n个平面记为S₁,S₂,…,S_n。从而可得二元组[S_i(t),S₁(t+1)],[S_i(t),S₂(t+1)],…,[S_i(t),S_n(t+1)]，且i＝1,2,3,…,n。其中S_i(t)为t时刻位于状态i的样本。[S_i(t),S₁(t+1)],t＝1,2,3,…,n的样本数为m_ij，则第i平面内的样本总数为m_i，故状态i到状态j的一步转移概率公式为：

式(9)中，m_ij为第i平面第j状态的样本数，m_i为第i平面内的样本总数，其中0≤p_ij≤1，

步骤2，计算初始预测时间序列的初始状态向量ξ(0)和一步转移概率矩阵P_n×n，设定状态转移次数为k，则k步转移后的状态向量为ξ(k)＝ξ(0)p_k＝ξ(k-1)P_n×n。在t＝0时，状态S_i的概率为ξ(0)，当时间数据由第i个平面转移至第j个平面，则状态由S_i转到S_j概率为p_ij。因此在时刻t＝0现象处于S_i转移到t＝1现象处于S_j的概率为：

P(X₀＝S_i,X_i＝S_j)＝ξ(0)P(X₁＝S_j,X₀＝S_i)＝ξ(0)p_ij i＝1,2,3,…,n (10)

式(10)中，S_i为状态i的样本，S_j为状态j的样本，p_ij为状态i到状态j的一步转移概率。

在t＝n时，现象处于S_j的概率计算公式为：

ξ(n)＝ξ(n-1)P_n×n (11)

步骤3，对初始预测时间序列进行马尔科夫链检验，利用χ²统计量检验原始时间序列X⁽⁰⁾的马尔科夫链性质，将转移频数矩阵的第j列之和除以各行各列的总和成为边际概率：

式(12)中，m_ij为转移频数矩阵第i平面第j状态的样本数。

其统计量分布

服从自由度为(n-1)²的χ²分布，选定置信度α，则若χ²＞χ² _α((n-1)²)，则

具有马尔科夫链性质，进行下步计算；

步骤4，利用公式(12)计算初始预测时间序列预测值并进行残差及相对误差计算，得到修正预测时间序列X⁽¹⁾。

计算第t+l步预测值：

式(13)中，

为第t+l步预测值，

分别为S_i的上下限。

计算修正预测时间序列X⁽¹⁾：

步骤四，设定前期预测时间段和后期预测时间段。

设时间间隔长度为t，总时间间隔长度为T，则修正预测时间序列X⁽¹⁾第M个时间段后的预测步长

由于多步改进预测的后部分混沌效应相比前部分较为显著，因此需将此N步进一步分为前n步(称为为前期预测时间段，

且n为整数)和后N-n步(称为为后期预测时间段)。

步骤五，运用小波神经网络进行前期预测。

该步骤包括以下几个子步骤：

步骤1，设置BP神经网络参数，用Mexican小波基函数替换神经元Sigmoid函数，将马尔科夫预测模型得到的初始修正预测时间序列X⁽¹⁾通过该网络进行训练，设神经网络输入层节点数为r，隐含层节点数为1，输出层节点数为m，并依次选取有效数据段[a₁,a₂,...,a_r]＝[x_i+1,x_i+2,...,x_i+r](i＝1,2,3,...,M-r)作为输入值，[y(1),y(2),...,y(m)]为输出的预测值并设置隐含层输出值(11)及输出层输出值(12)。

式(15)中，h(j)为隐含层中第j节点的输出值；ω_ij为输入层第i节点和隐含层第j节点间的连接权值；

b_j为函数的时间平移参数，c_j为函数的尺寸伸缩参数。

式(16)中，ω_jk为隐含层第j节点和输出层第k节点间的连接权值，y(k)为输出层第k节点的输出值；

步骤2，本发明中小波神经网络权值参数修正方法采用梯度修正法，并采用Salomon所提出的自适应调节η对神经网络的网络权值及小波基函数参数进行修正。修正方法如下：

运用梯度修正法，对输出值进行参数修正：

式(17)中，yn(k)为网络期望值，y(k)为网络预测数值。利用预测误差e对神经网络的权值和小波函数系数进行修正标定：

式(18)中，

为神经网络权值第i+1次修正的修正值；

为神经网络权值第i次修正的修正值；

为第i+1次修正参数；同理，

分别为小波函数时间平移参数和尺寸伸缩参数的修正值。

由于BP算法的有效性和收敛性在一定程度上取决于学习率η，本文采用Salomon所提出的自适应调节η，进而可以得到网络权值以及小波基函数参数的修正：

式(19)中，η为自适应调节网络学习率；

为神经网络权值修正参数；

为小波函数时间平移参数修正参数；

为小波函数尺寸伸缩参数

按照以上的训练方法，应用已经得到的修正预测时间序列X⁽¹⁾训练小波神经网络模型，进而得到训练完毕的小波神经网络模型；

步骤3，修正预测时间序列输入到训练完毕的小波神经网络模型中到预测值y₁(1)，将y₁(1)与X⁽¹⁾合并，得到X^(1,1)＝[X⁽¹⁾,y₁(t)]，再将X^(1,1)输入到训练完毕的小波神经网络模型中得到预测值y₁(2)，按照此方法逐次计算预测值，迭代直至得到第n步预测值y₁(n)为止，则可得到前n步预测值：

y₁＝{y(t)丨t＝1,2,3,...,n} (20)

步骤4，将前n步预测值与修正预测时间序列合并得到前n步预测时间序列：

步骤六，运用李雅普诺夫指数法进行后期预测。

该步骤包括以下几个子步骤：

步骤6-1，对前n步预测时间序列

运用改进自相关法计算延滞时间τ，同时运用Cao计算法计算

的嵌入维数m，再进行相空间重构，得到m维相空间。对时间序列的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

选取有效数据段

将X＝{X₁,X₂,...,X_M+n}重构为m维相空间：

d_t＝{X_t,X_t+τ,...,X_t+(m-1)τ}t＝1,2,3,...,M+n-(m-1)τ (22)

式(22)中，d_t为一个相点，

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

步骤2，设相空间中点d_t＝{X_t,X_t+τ,...,X_t+(m-1)τ}在d≤i≤f(其中d为平均周期，f为数据个数)内的最邻近点d_i＝{X_i,X_i+τ,...,X_i+(m-1)τ}。

步骤3，计算李雅普诺夫指数：

式(23)中，λ(i)为第i对最邻近点的李雅普诺夫指数，Δt为样本周期，d_t(i)为第i对最邻近点对经过i个离散时间步长的距离。

步骤4，运用李雅普诺夫指数计算得到X_t+(m-1)τ+1的预测值为：

式(24)中，y_{2,t+(m-1)τ+1}为延滞时间τ的m维相空间李雅普诺夫指数法预测值；X_t+(m-1)τ+1为延滞时间τ的m维相空间中的有效数据；g(d_t+1,d_t)为相位点间距，计算公式为g(d_t+1,d_t)＝g(d_i+1,d_i)exp(λ)。

步骤5，设y₂(n+1)＝y_{2,t+(m-1)τ+1}为后期第n+1步预测值，则可得到李雅普诺夫指数法的预测值y₂＝{y₂(t)丨t＝n+1,n+2,...,N}。将y₂(n+1)与前n步预测时间序列合并，得到分布式小波神经网络第n+1步预测值

步骤6，对

进行相空间重构，得到新的m维相空间，应用李雅普诺夫指数法对相空间进行预测得到新的预测结果y₂(n+2)。依此方法逐个迭代计算直到y₂(N)的值后停止，即可得到后N-n步预测预测结果。

y₂＝{y(t)丨t＝n+1,n+2,...,N} (25)

式(25)中，Y(t)是第t步预测值，t为预测步数。

步骤七，合并得到所述停车泊位的预测值。

将分步式小波神经网络将前n步预测值y₁与后N-n步预测预测值y₂合并，得到预测结果，合并计算的公式如式(26)所示：

Y＝{Y(t)＝[y₁,y₂]丨t＝M+1,M+2,...,M+N} (26)

式(26)中，Y为马尔科夫-小波神经网络预测模型预测值；y₁为分步式小波神经网络前n步预测值；y₂为分步式小波神经网络后N-n步预测值。

实施例的作用与效果

根据本实施例的有效停车泊位的预测方法，由于采用了马尔科夫预测模型，基于马尔科夫和小波神经网络的有效停车泊位组合预测模型，可大幅度减弱有效停车泊位时间序列数据的随机波动性，使得预测值误差波动性小，提高了有效停车泊位的预测值的稳定性及拟合度；

进一步地，由于运用了累加累减处理方法，提高了预测结果的精确程度；

进一步地，由于分步式小波神经网络可有效地解决传统BP神经网络预测后期预测值误差波动性较大，稳定性较差并容易陷入局部最优的缺陷，并且通过小波神经网络对上层模型中的预测时间序列及采集的有效停车泊位时间序列进行学习训练，设置小波函数为神经元基函数将其预测误差实现前期预测，后期预测则应用李雅普诺夫指数法对于混沌相空间的混沌特性描述，重构相空间并进行后期预测，并结合前期预测结果的得到最终预测值，所以更进一步提高了预测结果的精确度。

尽管上面对本发明说明书的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种有效停车泊位的预测方法，用于预测中小型的停车场的有效停车泊位的数量，其特征在于，包括以下步骤：

步骤一，根据数据采集系统采集的多个相同时间间隔内分别驶入所述停车场的机动车数量以及离开的机动车数量，得到初始有效泊位的时间序列；

步骤二，根据所述有效泊位的时间序列，运用GM(1,1)预测模型进行初始预测得到初始预测时间序列；

步骤三，根据所述初始预测时间序列，构建马尔科夫预测模型进行修正预测得到修正预测时间序列；

步骤四，设定前期预测时间段和后期预测时间段；

步骤五，根据所述修正预测时间序列，运用小波神经网络对所述前期预测时间段进行前期预测得到前期预测值和前期预测时间序列；

步骤六，根据所述前期预测时间序列，运用李雅普诺夫指数法对所述后期预测时间段进行预测得到后期预测值；

步骤七，将所述前期预测值与所述后期预测值进行合并计算，得到所述停车泊位的预测值，

所述步骤三包括如下子步骤：

步骤3-1，得到状态i转向状态j的转移概率p_ij：

式中，m_ij为第i平面第j状态的样本数，m_i为第i平面内的样本总数，其中0≤p_ij≤1，

步骤3-2，计算所述初始预测时间序列的初始状态向量ξ(0)和一步转移概率矩阵P_n×n，设定状态转移次数为k，则k步转移后的状态向量为ξ(k)＝ξ(0)p_k＝ξ(k-1)P_n×n，

在t＝0时，状态S_i的概率为ξ(0)，在时刻t＝0现象处于S_i转移到t＝1现象处于S_j的概率为：

P(X₀＝S_i,X_i＝S_j)＝ξ(0)P(X₁＝S_j,X₀＝S_i)＝ξ(0)p_ij i＝1,2,3,…,n

式中，n为所述步骤3-1中平面的数量，X_i为第i个平面的分界点，S_i为状态i的样本，S_j为状态j的样本，p_ij为状态i到状态j的一步转移概率，

在t＝n时，现象处于S_j的概率计算公式为：

ξ(n)＝ξ(n-1)P_n×n；

步骤3-3，对所述初始预测时间序列进行马尔科夫链检验，利用χ²统计量检验原始时间序列X⁽⁰⁾的马尔科夫链性质，将转移频数矩阵的第j列之和除以各行各列的总和成为边际概率：

式中，m_ij为转移频数矩阵第i平面第j状态的样本数，

其统计量分布

服从自由度为(n-1)²的χ²分布，选定置信度α，若χ²＞χ² _α((n-1)²)，则进入步骤S3-4；

步骤3-4，利用所述步骤3-3中的边际概率公式计算所述初始预测时间序列预测值并进行残差及相对误差计算，得到所述修正预测时间序列

式中，

分别为S_i的上下限，M为时间段个数。

2.根据权利要求1所述的预测方法，其特征在于：

其中，步骤二中，所述GM(1,1)预测模型的预测公式为：

式中，

为第t+1时刻的预测值，

为第0时刻第i个累加生成数，a、b分别为特征参数。

3.根据权利要求1所述的预测方法，其特征在于：

其中，所述步骤七中，所述合并计算的公式为，

Y＝{Y(t)＝[y₁,y₂]丨t＝M+1,M+2,...,M+N}

式中，Y为所述预测值；y₁为所述前期预测值；y₂为所述后期预测值；M为时间段个数；N为预测步长。