CN108648449A

CN108648449A - 基于卡尔曼滤波和nar神经网络组合的车位预测方法

Info

Publication number: CN108648449A
Application number: CN201810449854.6A
Authority: CN
Inventors: 周后盘; 裘瑞清; 吴辉; 石敏
Original assignee: Hangzhou Dianzi University
Current assignee: Hangzhou Dianzi University
Priority date: 2018-05-11
Filing date: 2018-05-11
Publication date: 2018-10-12

Abstract

本发明公开了一种基于卡尔曼滤波和NAR神经网络组合的车位预测方法。首先对泊位历史数据进行预处理，处理获得需要的历史泊位增量数据；再分别用kalman滤波和NAR神经网络对泊位增量进行预测；然后融合两组预测结果作为组合结果输出；最后根据实际泊位数量对泊位预测结果进行矫正，实现了泊位数量的实时性预测。通过本发明，可以对固定区域内的泊位数量做出准确实时的预测。本泊位预测方法具有科学实用、准确度高、稳定性好、可靠性强的优点。

Description

基于卡尔曼滤波和NAR神经网络组合的车位预测方法

技术领域

本发明属于区域泊位数据预测领域，涉及了对历史停车位剩余数量的处理和数学建模的方法，具体涉及一种基于卡尔曼滤波和NAR神经网络组合的车位预测方法。

背景技术

区域内泊位预测是区域内交通调节和控制的重要前提，是实现停车智能化的关键技术。

固定区域内的泊位数量变化预测预警有助于对该区域内遇到来车过多甚至道路堵塞起到提前预知作用，并做出相应应对方案进行缓解，对缓解区域内交通拥堵、有效利用停车位资源有着重要作用。

在目前存在的泊位预测方法中，NAR神经网络模型可以较好的实现对泊位的短时实时预测，具有易于实现、非线性强等优势，但是由于NAR神经网络本身的缺陷，全局性较差，且容易陷入局部最优。Kalman滤波器可以动态修改预测值，通过迭代实现较高精度预测，全局性强但非线性差，在现实预测中当预测值变化非线性较强时，容易产生较大误差。

发明内容

本发明针对现有技术的不足，提供一种基于卡尔曼滤波和NAR神经网络组合的车位预测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于卡尔曼滤波和NAR神经网络组合的车位预测方法，具体包括以下步骤：

步骤1、获取原始数据并进行预处理

获取泊位数量历史数据，并先按照泊位数量的影响因素进行数据分类，并找出与目标预测时间段泊位数量影响因素相同的一组数据；取该组数据中最近几天的数据，对每一天按照一定时间间隔进行分解，获取到每个时间间隔的泊位数量变化值。

步骤2、建立基于Kalman滤波器的泊位预测方法模型

根据步骤1的泊位数量变化值，构建基于Kalman滤波器的泊位预测模型；

步骤3、构建基于NAR神经网络的泊位预测方法模型

选取与步骤二中相同的泊位数量变化值，构建基于NAR神经网络的泊位预测模型；

步骤4、构建基于Kalman滤波器和NAR神经网络的泊位预测模型

将Kalman滤波器预测模型结果和NAR神经网络预测模型结果进行融合，根据历史预测数据，把两种预测模型预测准确度进行比较，预测准确度高的次数作为融合结果的权重，计算得出组合模型的预测值，并根据时间序列对预测值进行重组；

步骤5、基于Kalman滤波器和NAR神经网络的泊位预测的实时泊位校正

获取进行预测时的真实泊位数量，对基于Kalman滤波器和NAR神经网络的泊位预测模型的预测值进行反馈校正；以及根据各种影响实时变化因素对泊位数量变化值进行校正，实现区域内泊位的实时预测。

作为优选，所述步骤1中，时间间隔为一小时。

作为优选，所述步骤2中，根据数据处理后的泊位数量变化值，选取最近十组数据作为数据样本就行预测，分别对每个时间间隔进行Kalman滤波。

基于上述技术方案，本发明具有以下有益效果：

利用Kalman滤波器和NAR神经网络算法，构建基于Kalman滤波器和NAR神经网络的泊位预测模型；用固定时间间隔的泊位数量变化量预测替代泊位数量预测，提高预测准确度；提取泊位实时数据，用泊位真实值对预测泊位值进行迭代，实现泊位实时校正和预测。

附图说明

图1是基于Kalman滤波器和NAR神经网络组合的泊位数量预测方法的流程图。

图2是基于NAR神经网络的泊位数量预测方法的流程图。

图3是NAR神经网络模型。

图4-1是单独Kalman滤波器预测曲线和真实值预测曲线。

图4-2是单独NAR神经网络预测曲线和真实值预测曲线。

图4-3是组合预测曲线和真实值预测曲线。

图4-4是单独Kalman滤波器预测曲线、单独NAR神经网络预测曲线、组合预测曲线和真实值预测曲线。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

参考图1，一种基于Kalman滤波器和NAR神经网络组合的泊位数量预测方法，包括以下步骤：

1)获取泊位数量历史数据，先按照某些包括例如天气因素，活动事件，星期几等会较大影响泊位数量的主要因素进行分类，再以一小时为时间间隔，将泊位数量历史数据预处理成单位小时的泊位数量变化量，并将泊位数量变化量作为预测样本，预处理表达式如下:

x_i(t,k)＝y_i(t,k)-y_i(t-1,k) (1)

其中x_i(t,k)表示泊位数量变化量，y_i(t,k)表示泊位数量，i表示样本编号(i＝1,2,...10)，t表示时间(t＝0,1,2...24)，k表示情形分类

2)构建基于Kalman滤波器算法的停车预测模型

一种基于Kalman滤波器算法的停车预测模型，是将Kalman滤波器算法，用于对泊位的预测。以下对Kalman滤波器进行说明：

Kalman滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统进行最优估计的算法。

以下两个方程是系统的预测方程：

方程(2)中，是根据上一状态预测的泊位数量值，是上一状态最优的泊位数量预测值，u_i为现在状态的控制量，如果没有控制量，则u_i为0，A_i、B_i为系统参数。

方程(3)中，P_i|i-1是对应时刻的协方差，P_i-1|i-1是对应时刻的协方差，Q_i是高斯白噪声。

以下三个公式是系统的状态更新方程：

P_i|i＝(I-K_iH_i)P_i|i-1 (6)

方程(4)用于计算当前时刻泊位数量的最优估计值，其中是当前时刻泊位数量的最优估计值，H_i为测量系统的参数矩阵,K_i表示卡尔曼增益,Z_i表示当前时刻的测量值。

方程(5)用于计算卡尔曼增益。

方程(6)用于计算当前时刻的协方差，其中P_i|i是当前时刻的协方差,I是单位矩阵。

由于我们认为在相同或者相似的情形下，泊位变化值趋于稳定，方程(2)中A_i＝1，没有控制量u_i＝0。因此把方程(2)，方程(3)改写成如下形式：

P_i|i-1＝P_i-1|i-1+Q_i (8)

由于测量的值是由道闸直接获取，认为不存在误差，所以H_i＝1，方程(4)，方程(5)，方程(6)可以改写成如下形式：

K_i＝P_i|i-1(P_i|i-1+R_i)^-1 (10)

P_i|i＝(I-K_i)P_i|i-1 (11)

根据天气预报，活动事件安排，日历等信息途径，获得需要预测的当天天气、活动事件、星期几等重要影响因素，对数据库中数据进行筛选，将按照条件筛选得出的测试样本作为输入，例如将天气晴朗的、没有活动事件的、周一作为测试样本集合，取测试样本中最近10组数据进行迭代，计算得出需要预测的泊位变化量最优评估值。

再对计算得出的泊位变化量最优评估值进行累加，得出需要预测的泊位数量最优评估值k_i(t)。

k_i(t)＝x_i(1)+x_i(2)+...+x_i(t-1)+x_i(t) (12)

预测得到单独基于Kalman滤波器的泊位预测，并与真实值进行比较，结果如图4-1所示。

3)构建基于NAR神经网络的泊位预测模型

一种基于NAR神经网络的泊位预测方法，是把NAR神经网络用于泊位预测，同样是利用1)中的预处理得到的泊位数量变化量进行预测，以下对NAR神经网络进行说明：

NAR神经网络是一种多层前馈网络，是一种带延迟的BP神经网络，利用误差的逆向传播修改权重值，具有自学习，自适应能力，具有很强的鲁棒性和容错性，具有适用广泛的特点，通常以单隐藏层的三层网络应用最为广泛，包括一个输入层、一个隐藏层，一个输出层和一个延时函数。

参考图3，为标准NAR神经网络结构示意图。

三层的前馈网络中，分别设置输入层、隐藏层、输出层的神经元数为n₁,n₂,n₃，

NAR神经网络模型可以表示为：

x^* _i(t)＝f(x_i(t-1),x_i(t-2),...,x_i(t-d)) (13)

其中x(t)表示神经网络输出，d为延时阶数，f(g)为神经网络模型。上式所述，x(t)的值是根据x(t-1),x(t-2),...,x(t-d)的值决定的，即说明NAR神经网络模型满足事物发展的延续性，用过去的数据来预测当前的值。

NAR模型区别于普通神经网络在于输入值和输出值均为y(t)，在隐藏层中加入延时函数用于对历史数据的记录。NAR神经网络的预测方法采用递归预测法，和直接预测方法相比，具有预测误差较小的优点。

经过延时函数的记录，神经网络的输入量为x(t),x(t-1),...,x(t-T)，由于延时函数的存在，NAR神经网络具有了记录历史数据的能力。延迟函数的阶数决定了神经网络输入神经元的数量，选择合适的延时个数、隐藏层层数可以获得较好的神经网络模型。

利用1)中经过预处理后的得到的泊位变化量数据样本；泊位预测值作为输出值，所以输出层神经元数n₃＝1；根据经验公式和尝试，隐藏层神经元数n₂＝4，延时函数阶数d＝3时，即将样本中的最近3个数据作为输入送入NAR神经网络的输入层，所以输入层神经元数量n₁＝3可以得到相对最好的预测结果。

参考图2，按照以下步骤搭建NAR神经网络。

第一步，利用经验尝试法，尝试获得延时函数的阶数d＝3；

第二步，为了避免过拟合，对数据将那些配置，分别对训练数据、测试数据和验证数据进行配置，分别选取数据的70％，15％和15％，根据经验和尝试确定隐藏层神经元个数n₂＝6。

第三步，利用matlab中trian()函数对NAR神经网络模型进行训练，得出泊位变化量预测结果x(t)。

再对计算得出的泊位变化量最优评估值进行累加，得出需要预测的泊位数量最优评估值n_i(t)。

n_i(t)＝x_i(1)+x_i(2)+...+x_i(t-1)+x_i(t) (14)

预测得到单独基于NAR神经网络的泊位预测，并与真实值进行比较，结果如图4-2所示。

4)构建基于Kalman滤波器和NAR神经网络的泊位预测模型

基于步骤2)和步骤3)得出的泊位变化量最优预测x(t)，在对某一时间段内的泊位变化量进行预测时，假设最近5次预测中，利用Kalman滤波器预测得出的结果为x(t)＝K₁,K₂,K₃,K₄,K₅，利用NAR神经网络预测得出的结果为x(t)＝N₁,N₂,N₃,N₄,N₅，假设实际情况为x(t)＝Z₁,Z₂,Z₃,Z₄,Z₅，比较每次预测中两种预测方法的准确度：

η^* _i＝|K_i-Z_i|-|N_i-Z_i|(i＝1,2,3,4,5) (15)

当η＜0时，说明该次预测中利用Kalman预测模型准确度较高；当η＞0时，说明该次预测中利用NAR神经网络预测模型准确度较高；当η＝0时，说明该次预测中两种预测方法准确度相同。假设η＜0或η＝0的次数为n(0≤n≤5)，η＞0的次数为5-n。

假设本次预测中利用Kalman滤波器预测结果为x_i(t)＝K_i,利用NAR神经网络预测结果为x_i(t)＝N_i，得出基于Kalman滤波器和NAR神经网络组合预测结果：

再对计算得出的泊位变化量最优评估值进行累加，得出需要预测的泊位数量最优评估值。

y^* _i(t)＝x_i(1)+x_i(2)+...+x_i(t-1)+x_i(t) (17)

分别对步骤2)、步骤3)、步骤4)中得出的单独基于Kalman滤波器的预测结果k_i ^*(t)、单独基于NAR滤波器的预测结果n^* _i(t)以及基于Kalman滤波器和NAR神经网络组合的预测结果y^* _i(t)进行准确度对比。

单独基于Kalman滤波器的预测结果k_i ^*(t)＝0.9861，单独基于NAR神经网络的预测结果n^* _i(t)＝0.9528，基于Kalman滤波器和NAR神经网络组合预测的预测结果y^* _i(t)＝0.9889，预测得到组合泊位预测结果，并与真实值进行比较，结果如图4-3所示。经过比较，组合预测模型相对于单独预测模型具有更高的准确度。将单独基于Kalman滤波器的泊位预测的预测结果、单独基于NAR神经网络的泊位预测的预测结果和组合泊位预测结果进行比较，如图4-4所示。

5)构建基于kalmam滤波器和NAR神经网络泊位的实时性校正

基于步骤5)中的计算得出的基于Kalman滤波器和BP神经网络的组合预测结果，当获取到真实泊位数量时，对泊位数量预测值进行校正，假设k时时泊位真实数量为N,那么更新过的预测模型结果为y_i(t)：

y_i(t)＝N+x_i(k+1)+...+x_i(t-1)+x_i(t) (18)

基于以上五步，本发明最终实现了泊位数量的实时性预测。

Claims

1.基于卡尔曼滤波和NAR神经网络组合的车位预测方法，其特征在于：该方法具体包括以下步骤：

步骤1、获取原始数据并进行预处理

获取泊位数量历史数据，并先按照泊位数量的影响因素进行数据分类，并找出与目标预测时间段泊位数量影响因素相同的一组数据；取该组数据中最近几天的数据，对每一天按照一定时间间隔进行分解，获取到每个时间间隔的泊位数量变化值；

步骤2、建立基于Kalman滤波器的泊位预测方法模型

步骤3、构建基于NAR神经网络的泊位预测方法模型

步骤4、构建基于Kalman滤波器和NAR神经网络的泊位预测模型

2.根据权利要求1所述的基于卡尔曼滤波和NAR神经网络组合的车位预测方法，其特征在于：所述步骤1中，时间间隔为一小时。

3.根据权利要求1所述的基于卡尔曼滤波和NAR神经网络组合的车位预测方法，其特征在于：所述步骤2中，根据数据处理后的泊位数量变化值，选取最近十组数据作为数据样本就行预测，分别对每个时间间隔进行Kalman滤波。