CN109215380B - 一种有效停车泊位的预测方法 - Google Patents
一种有效停车泊位的预测方法 Download PDFInfo
- Publication number
- CN109215380B CN109215380B CN201811209923.2A CN201811209923A CN109215380B CN 109215380 B CN109215380 B CN 109215380B CN 201811209923 A CN201811209923 A CN 201811209923A CN 109215380 B CN109215380 B CN 109215380B
- Authority
- CN
- China
- Prior art keywords
- sequence
- value
- stm
- matrix
- neural network
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种有效停车泊位的预测方法,包括:步骤一,根据采集到的停车场的历史信息得到有效停车位的时间序列,并检验序列的完整性,记为第一待预测时间序列;步骤二,将时间序列在高维空间进行重构,实现随机成分与确定成分的分离;步骤三,把得出的低维空间流形坐标映射回原时间序列相空间重构得到的高维嵌入空间中;步骤四,训练集训练LSTM神经网络得到第一LSTM神经网络;训练集训练LSTM神经网络得到第二LSTM神经网络;将第一待预测时间序列训练值输入第一LSTM得到第一预测结果,将第二待预测时间序列训练值输入第二LSTM得到第二预测结果;步骤五,加权组合第一预测结果和第二预测结果,并与原序列的进行相似度检验,从而确定最终结果。
Description
技术领域:
本发明涉及一种室内停车场车位预测方法。
背景技术:
随着人民生活水平日益提高,城市机动车保有量逐年增加,而停车位的数量却往往不能满足需求,停车难日益成为一个严峻的问题。近年来,大数据技术在智能交通领域的应用越来越多,很多研究通过对停车场历史数据进行分析,进而对停车场的车位信息做出较为准确的预测。以此为用户提供准确的出行信息,帮助用户做好出行规划,同时减少用户寻找停车位浪费的时间,在一定程度上缓解了城市交通压力。
在已有的停车场车位预测的研究中,主流思路是按照时间序列的分析进行研究,研究侧重于预测模型的构建使用,但其中对于去除时间序列随机性成分的研究不多。停车场车位时间序列是由随机过程成分和确定过程成分组成,随机过程成分具有随机性,无法直接预测,确定过程成分具有很强的规律性,预测效果较好。随机信号产生于随机系统,不具有可预测性,其存在虽然在短期预测时影响不大,但是在多步预测时会很大影响预测精度。
发明内容:
本发明要克服现有技术的上述缺点,提供一种室内停车场空余泊位数量预测方法,既保证剔除序列的随机分量,又保证在短期预测的预测精度。
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,包括以下步骤:
步骤一,根据采集到的停车场的历史信息得到有效停车位的时间序列,并检验序列的完整性,记为第一待预测时间序列,即a={ai|i=1,2,…,n},其中ai表示第i个时间段的停车场空余泊位数量,n,i为自然数,n为待预测时间序列数量;
步骤二,将步骤一得到的时间序列在高维空间进行重构,选取嵌入维度为λ,令ai=f(ai-λ,ai-(λ-1),…,ai-1),i=1,2,…,n,利用局部切空间排列方法从重构的高维嵌入空间中提取系统的主流形分布的低维空间,分离序列的随机成分与确定成分的;
步骤三,把得出的低维空间流形坐标映射回原时间序列相空间重构得到的高维嵌入空间中,再映射回一维时间序列即得到原序列中确定成分的时间序列,记为第二待预测时间序列,Si={Si|i=1,2,…,n},其中Si表示原序列确定成分的时间序列中第i个时间段分空余泊位数量;
步骤四,将步骤一中的第一待预测时间序列70%划分为第一训练集,30%划分为第一测试集。将步骤三中的第二待预测时间序列70%划分为第二训练集,30%划分为第二测试集。第一训练集用来训练LSTM神经网络得到第一LSTM神经网络模型优化参数;使用第二训练集训练LSTM神经网络得到第二LSTM神经网络模型优化参数;将第一测试集输入到第一LSTM神经网络模型优化参数设置的LSTM神经网络中得到第一预测结果Q,Q={Qt|t=1,2,…,m},其中Qt为第t步预测结果,t和m为自然数,m为预测结果总数;将第二测试集输入到第二LSTM神经网络模型优化参数设置的LSTM神经网络中得到第二预测结果G,G={Gt|t=1,2,…,m},其中Gt为第t步预测结果,t和m为自然数,m为预测结果总数。
步骤五,加权组合第一预测结果和第二预测结果,并与原序列的进行相似度检验,从而确定最终结果。
进一步,所述步骤一中所得序列进行的完整性检验时,当发现缺值时采用插值的方法补充缺值;
进一步,所述步骤二中利用主流形式识别方法实现随机成分与确定成分分离具体包括:
(1)选取样本点领域。令时间序列重构相空间第i个样本点为xi,选取包括该样本点自身在内的k个距离该样本点最近的点作为邻域,记为Xi=[xi1,xi2,…,xik],其中xi1,xi2,…,xik为距离xi最近的k个点,k为大于1的整数,[]表示矩阵符号。
(2)局部线性投影变换。计算样本点xi邻域的中心化矩阵,记为其中为邻域中k个点的平均值,lk为长度为k的权值矩阵,T为矩阵转置符号。对中心化矩阵做奇异值求解,将所得的奇异值从大到小排列,取其中前d个奇异值组成矩阵Ri;所得的前d个奇异值对应的奇异向量组成矩阵,记做Vi;其中d为取值在1和k之间的整数;
(3)排列局部坐标。构造排列矩阵为其中Ai是满足[x1,x2,…,xn]Ai=[xi1,xi2,…,xik]的选择矩阵,I为单位矩阵,φ为构造的排列矩阵,ki表示第i个样本点的邻域中取点个数,∑为连加符号。计算矩阵θ奇异值从小到大排序后的前d+1个奇异值对应的奇异向量,记为组成整个样本的低维空间流形,记为
进一步,所述步骤三将低维空间流形坐标变换回步骤二得到的高维嵌入空间中。即其中Li为Xi到的转化矩阵,为低维流行中第i个奇异向量,表示i个奇异向量的平均值,yi为变换回高维空间的时间序列。将yi映射回一维序列得到原序列去除随机成分后为Si。
进一步,所述步骤四LSTM神经网络的训练中,对网络的权值训练采用正则化优化的方法,以提高LSTM神经网络的泛化能力。具体为:
根据隐藏层的输出计算出LSTM的输出值构造LSTM的目标函数,然后对目标函数加入正则项,通过ADAM算法最小化目标函数,并不断更新LSTM中的参数,直到达到阈值。
进一步,所述步骤五将步骤四得到的第一预测结果Qt与第二预测结果Gt加权结合,得到最终输出Zt,其中Zt=wQt+(1-w)Gt,t=1,2,······,m。
其中w为动态权值,取0.0~1.0之间的21个数,间隔0.05,Zt为t时刻的最终预测结果。w首先令为0.0,计算t=1时刻至t=21时刻的21个组合模型的预测结果,即得到21个Zt;然后令w的依次取值递增0.05,分别得到21个Zt值;最后选取其中一个w值作为w的最佳取值,记为wop。
通过循环计算,输出21组与权值w相关的数据,即得到一组加权集成后的车位预测数据。其中为确定w的最佳取值,采用关联度计算的方法。以的实际值曲线和组合模型预测值Zt的差值大小作为关联度的衡量标准,采用Zt曲线和实际停车场空余泊位数量序列的几何形状的相似程度来判断两者联系是否紧密。关联度计算公式为:
Zt=wopQt+(1-wop)Gt,t=1,2,······,m。
本发明的优点是:使用组合模型预测的方法,有效减少干扰,提高预测结果精准程度。
附图说明:
图1是本发明方法的流程图。
具体实施方式:
下面结合附图进一步阐明本发明的技术方案。
本发明的停车场有效车位数量多步预测方法,具体步骤如下:
步骤一:在停车场入口控制系统查询不同时间段的空余车位数量信息,处理得到不同时间间隔(实例取5分钟)的停车场实际占用停车泊位序列。在停车场控制系统获取每个时刻的场内空余车位的数量信息,以5分钟的时间为间隔将得到的数据集划分,从而得到停车场泊位序列a={ai|i=1,2,…,n},其中ai表示第i个时间段的停车场空余泊位数量,其中n,i为自然数,n为待预测时间序列数量。检查数据集是否有空缺,当存在缺值时用插值的方法补全数据集。
步骤二:将序列{ai},i=1,2,…,n在高维相空间重构。首先选取嵌入维度为λ,令
ai=f(ai-λ,ai-(λ-1),…,ai-1),i=1,2,…,n
那么对时间序列A=(a1,a2,…,an)相空间重构可得P(j,k)=ak+(j-1)τ,其中τ为延滞时间,γ是范围为(0,n)的整数,P(j,k)为相空间重构之后的矩阵空间,j,k是范围为(1,λ-1)的整数。
从相空间重构后高维嵌入空间中提取原序列的主流形分布的低维空间,剥离序列中的的随机性成分。具体步骤为:
(1)选取样本点领域。设时间序列重构相空间第i个样本点为xi,选取包括自身在内的k个距离该样本点最近的点作为邻域,记为Xi=[xi1,xi2,…,xik],其中xi1,xi2,…,xik为距离xi最近的k个点,k为自然数,[]为矩阵符号。
(2)局部线性投影变换。首先计算每个样本点xi邻域的中心化矩阵,即其中为k个邻域的均值,lk为长度为k的权值矩阵;对所得的中心化矩阵进行奇异值分解,将所得的奇异值从大到小排列,取其中前d个奇异值组成矩阵Ri;所得的前d个奇异值对应的奇异向量组成矩阵,记做Vi,其中d是范围在区间(1,k)的整数。
(3)排列局部坐标。构造排列矩阵其中Ai是满足[x1,x2,…,xn]Ai=Xi条件的选择矩阵,I为单位矩阵,ki表示第i个样本点的邻域中取点个数,I为单位矩阵,φ为构造的排列矩阵,T表示矩阵转置,[]为矩阵符号;计算矩阵θ奇异值从小到大排序后的前d+1个奇异值对应的奇异向量,记为组成整个样本的低维空间流形,记为为 []为矩阵符号。
步骤三:将所得的低维空间流形坐标变换回步骤二所得的第一待预测时间序列相空间重构得到的高维嵌入空间中。即其中yi为低维空间流形坐标变换回步骤二所得的高维嵌入空间坐标,Li为Xi到的转化矩阵,为第i个奇异向量,为的均值,yi为变换回高维空间的序列。将yi映射到一维序列,即
Oi表示第i点的邻域中心点,∑yi符合条件的额区域中所有元素相加。可得原序列剔除随机成分后为Si。
步骤四:训练LSTM神经网络预测模型;
分别使用步骤一与步骤三得到的序列训练LSTM神经网络模型。所述LSTM神经网络的具体构建参照现有技术,为便于实施提供过程建议如下:
(1)由步骤一得到的初始序列ai,以及由步骤三得到的去除随机成分的序列Si,将其70%划分为训练集,30%划分为测试集合。对其分别进行归一化处理得到Bi与Ci,公式如下。
其中aMAX表示第一待预测序列中的最大值,aMIN表示第一带预测序列中的最小值,SMAX表示第二待预测序列的最大值,SMAX表示第二待预测序列的最小值(2)将得到的数据Bi与Ci的训练集数据分别训练两个LSTM神经网络,令使用Bi训练集数据熟练的LSTM神经网络为第一LSTM,Ci训练集训练的LSTM神经网络为第二LSTM。训练集数据与神经网络的前一刻隐藏层状态值共同传输到隐藏层单元,并以此通过三个门计算。首先经过单元中的遗忘门,通过sig mod层产生一个0到1的值,以决定是否让上个时刻的Cell状态值通过计算。然后经过单元的输入门,通过sig mod层来控制更新参数值,并结合tanh层产生的Cell候选状态值,共同决定Cell的新状态值。最后经过单元的输出门决定神经网络隐藏层的输出值。首先通过sigmod层得到一个初始输出,然后使用tanh函数将新状态值缩放到-1到1之间,再与sigmod层得到一个初始输出逐个相乘得到隐藏层的输出。
(3)根据隐藏层的输出计算出LSTM的输出值y,由此构造LSTM的目标函数,然后对目标函数加入正则项,通过ADAM算法最小化目标函数,并不断更新LSTM中的参数,直到达到阈值。正则项为其中w为权重,λ1,λ2为正则化参数,y为LSTM的输出值,为LSTM输出值的平均值,min为取最小项。
LSTM训练完成后,将Bi的测试集数据输入第一LSTM,输出得到第一预测结果Qt,t=1,2,…,m,其中Qt为第t步预测结果,t和m为自然数,m为预测结果总数;将Ci的测试集数据输入第二LSTM,输出得到第二预测结果Gt,t=1,2,…,m。其中Gt为第t步预测结果。
步骤五:将步骤四得到的第一预测结果Qi与第二预测结果Gi加权结合,得到最终输出Zt。其中Zt=wQt+(1-w)Gt,t=1,2,······,m。
其中w为动态权值,取0.0~1.0之间的21个数,间隔0.05,Zt为t时刻的最终预测结果。w首先令为0.0,计算t=1时刻至t=21时刻的21个组合模型的预测结果,即得到21个Zt;然后令w的依次取值递增0.05,分别得到21个Zt值;最后选取其中一个w值作为w的最佳取值,取一组最佳权值记为wop。
通过循环计算,输出21组与权值w相关的数据,即得到一组加权集成后的车位预测数据。其中为确定w的最佳取值,采用关联度计算的方法。以停车场空余泊位数量的实际值曲线和组合组合预测值Zt的差值大小作为关联度的衡量标准,采用Zt曲线和实际空余泊位序列的几何形状的相似程度来判断两者联系是否紧密。关联度计算公式为:
其中r为关联度,ft为实际泊位时间序列中第t个时间段的实际值,为m个ft的平均值,为Z(t)序列的平均值。当关联度r为最大时,w的取值为最佳权重,取一组最佳权值记为wop。所以组合模型在t时刻的预测结果为:
Zt=wopQt+(1-wop)Gt,t=1,2,······,m。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种有效停车泊位的预测方法,用于预测中小型停车场的有效停车泊位的数量,包括以下步骤:
步骤一,根据采集到的停车场的历史信息得到有效停车位的时间序列,并检验序列的完整性,记为第一待预测时间序列A,A={ai|i=1,2,…,n},其中ai表示第i个时间段的停车场空余泊位数量,n,i为自然数,n为待预测时间序列数量;
步骤二,将步骤一得到的时间序列在高维空间进行相空间重构,利用局部切空间排列方法从重构的高维嵌入空间中提取系统的主流形分布的低维空间,剥离序列中的随机成分,具体包括:
(21)选取样本点邻域;设时间序列重构相空间中第i个样本点为xi,i为自然数,选取包括该样本点在内的k个距离该样本点最近的点作为邻域Xi,Xi=[xi1,xi2,…,xik],其中xi1,xi2,…,xik为距离xi最近的k个点,[]为矩阵符号,k的值为自然数;
(22)局部线性投影变换;计算样本点xi邻域的中心化矩阵,记为其中为邻域中k个点的平均值,lk为长度为k的权值矩阵,T为矩阵转置符号;对所得的中心化矩阵做奇异值分解,将所得的奇异值从大到小排列,取其中前d个奇异值组成矩阵Ri;所得的前d个奇异值对应的奇异向量组成矩阵,记做Vi;其中d为取值在1和k之间的整数;
(23)排列局部坐标;构造排列矩阵θ,其中Ai是满足[x1,x2,…,xn]Ai=Xi条件的选择矩阵,I为单位矩阵,ki表示第i个样本点的邻域中取点个数;计算矩阵θ奇异值从小到大排序后的前d+1个奇异值对应的奇异向量,记为组成整个样本的低维空间流形;
步骤三,将上述步骤(23)所得的低维空间流形变换回步骤二所得的高维嵌入空间中,得到高维空间的序列,再将其映射到一维序列得到一维序列S,S={Si|i=1,2,…,n},记为第二待预测时间序列,其中Si表示一维序列中第i个时间段停车场空余泊位数量,i和n为自然数,n为待预测时间序列数量;
步骤四,将步骤一中的第一待预测时间序列70%划分为第一训练集,30%划分为第一测试集;将步骤三中的第二待预测时间序列70%划分为第二训练集,30%划分为第二测试集;第一训练集用来训练LSTM神经网络得到第一LSTM神经网络模型优化参数;使用第二训练集训练LSTM神经网络得到第二LSTM神经网络模型优化参数;将第一测试集输入到第一LSTM神经网络模型优化参数设置的LSTM神经网络中得到第一预测结果Q,Q={Qt|t=1,2,…,m},其中Qt为第t步预测结果,t和m为自然数,m为预测结果总数;将第二测试集输入到第二LSTM神经网络模型优化参数设置的LSTM神经网络中得到第二预测结果G,G={Gt|t=1,2,…,m},其中Gt为第t步预测结果,t和m为自然数,m为预测结果总数;
对LSTM神经网络模型优化参数采用正则化优化的方法,以提高LSTM神经网络的泛化能力,具体为:根据隐藏层的输出计算出LSTM的输出值,由此构造LSTM的目标函数,然后对目标函数加入正则项,通过ADAM算法最小化目标函数,并不断更新LSTM中的参数;
步骤五,加权组合第一预测结果Q和第二预测结果G,并与原序列进行相似度检验,从而确定最终结果;具体为:
将步骤四得到Qt与Gt加权结合,计算混合模型预测值Zt;Zt=wQt+(1-w)Gt,t=1,2,…,m;其中w为动态权值,其值为0至1之间,m为预测结果总数;
通过循环计算,输出21组与权值w相关的数据,即得到一组加权集成后的车位预测数据;其中为确定w的最佳取值,采用关联度计算的方法;以停车场空余泊位数量的实际值曲线和组合模型预测值Zt的差值大小作为关联度的衡量标准,采用Zt曲线和实际空余泊位序列的几何形状的相似程度来判断两者联系是否紧密;关联度计算公式为:
其中γ为关联度,ft为实际泊位时间序列中第t个时间段的实际值,为m个ft的平均值,Zt为混合模型预测值,为m个Zt的平均值;当关联度γ为最大时,w的取值为最佳权重,记为wop;所以组合模型在t时刻的预测结果为:
Zt=wopQt+(1-wop)Gt,t=1,2,……,m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811209923.2A CN109215380B (zh) | 2018-10-17 | 2018-10-17 | 一种有效停车泊位的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811209923.2A CN109215380B (zh) | 2018-10-17 | 2018-10-17 | 一种有效停车泊位的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109215380A CN109215380A (zh) | 2019-01-15 |
CN109215380B true CN109215380B (zh) | 2020-07-31 |
Family
ID=64980617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811209923.2A Active CN109215380B (zh) | 2018-10-17 | 2018-10-17 | 一种有效停车泊位的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109215380B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886459A (zh) * | 2019-01-16 | 2019-06-14 | 同济大学 | 一种基于神经网络的公共停车场停车需求预测方法 |
GB2584862A (en) * | 2019-06-18 | 2020-12-23 | Continental Automotive Gmbh | System and method for populating a database with occupancy data of parking facilities |
CN110472893B (zh) * | 2019-09-06 | 2023-06-16 | 北京谦仁科技有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
CN110751853B (zh) * | 2019-10-25 | 2021-05-18 | 百度在线网络技术(北京)有限公司 | 停车位数据的有效性识别方法和装置 |
CN112529268B (zh) * | 2020-11-28 | 2023-06-27 | 广西大学 | 一种基于流形学习的中短期负荷预测方法及装置 |
CN112926264A (zh) * | 2021-02-23 | 2021-06-08 | 大连理工大学 | 可用泊位数的集成预测方法 |
CN113057653B (zh) * | 2021-03-19 | 2022-11-04 | 浙江科技学院 | 一种基于信道混合卷积神经网络的运动脑电信号分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07210800A (ja) * | 1994-01-14 | 1995-08-11 | Nagoya Denki Kogyo Kk | 駐車状況測定装置 |
CN102855773A (zh) * | 2012-09-13 | 2013-01-02 | 东南大学 | 一种停车场有效泊位占有率短时预测方法 |
CN102867407A (zh) * | 2012-09-13 | 2013-01-09 | 东南大学 | 一种停车场有效泊位占有率多步预测方法 |
CN106503840A (zh) * | 2016-10-17 | 2017-03-15 | 中国科学院深圳先进技术研究院 | 停车场可用车位预测方法及系统 |
CN108091166A (zh) * | 2017-12-25 | 2018-05-29 | 中国科学院深圳先进技术研究院 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
CN108648496A (zh) * | 2018-05-17 | 2018-10-12 | 苏州跃沂信息技术有限公司 | 一种用于城市智能化的系统及方法 |
-
2018
- 2018-10-17 CN CN201811209923.2A patent/CN109215380B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07210800A (ja) * | 1994-01-14 | 1995-08-11 | Nagoya Denki Kogyo Kk | 駐車状況測定装置 |
CN102855773A (zh) * | 2012-09-13 | 2013-01-02 | 东南大学 | 一种停车场有效泊位占有率短时预测方法 |
CN102867407A (zh) * | 2012-09-13 | 2013-01-09 | 东南大学 | 一种停车场有效泊位占有率多步预测方法 |
CN106503840A (zh) * | 2016-10-17 | 2017-03-15 | 中国科学院深圳先进技术研究院 | 停车场可用车位预测方法及系统 |
CN108091166A (zh) * | 2017-12-25 | 2018-05-29 | 中国科学院深圳先进技术研究院 | 可用停车位数目变化的预测方法、装置、设备及存储介质 |
CN108648496A (zh) * | 2018-05-17 | 2018-10-12 | 苏州跃沂信息技术有限公司 | 一种用于城市智能化的系统及方法 |
Non-Patent Citations (4)
Title |
---|
Bilateral LSTM: A Two-Dimensional Long Short-Term Memory Model With Multiply Memory Units for Short-Term Cycle Time Forecasting in Re-entrant Manufacturing Systems;Junliang Wang Et al.;《IEEE Transactions on Industrial Informatics》;20170928;第14卷(第2期);第748-758页 * |
Real Time Prediction of Unoccupied Parking Space Using Time Series Model;Fengquan Yu Et al.;《The 3rd International Conference on Transportation Information and Safety》;20150831;第370-374页 * |
基于BP神经网络的停车诱导泊位预测;高广银等;《计算机系统应用》;20170228;第26卷(第1期);第236-239页 * |
金融时间序列的确定性成分与随机成分的分离;张硕等;《中国管理科学》;20111031;第19卷;第258-262页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109215380A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215380B (zh) | 一种有效停车泊位的预测方法 | |
Lu et al. | A combined method for short-term traffic flow prediction based on recurrent neural network | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN109117987B (zh) | 一种基于深度学习的个性化交通事故风险预测推荐方法 | |
CN107529651B (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
CN109086773B (zh) | 基于全卷积神经网络的断层面识别方法 | |
CN114022847B (zh) | 一种智能体轨迹预测方法、系统、设备和存储介质 | |
CN109492808B (zh) | 一种室内停车场剩余车位预测方法 | |
CN105931179B (zh) | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 | |
CN108022012A (zh) | 基于深度学习的车辆位置预测方法 | |
CN111627419B (zh) | 一种基于水下目标及环境信息特征的声音生成方法 | |
CN113763442A (zh) | 一种可变形医学图像配准方法及系统 | |
Shen et al. | Research on traffic speed prediction by temporal clustering analysis and convolutional neural network with deformable kernels (May, 2018) | |
CN111008505A (zh) | 城市坡道行驶工况构建方法及应用 | |
CN114444187B (zh) | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN113436237B (zh) | 一种基于高斯过程迁移学习的复杂曲面高效测量系统 | |
CN109034192B (zh) | 一种基于深度学习的轨道-车体振动状态预测方法 | |
CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN115862324A (zh) | 一种智慧交通的时空同步图卷积神经网络及交通预测方法 | |
CN117152427A (zh) | 基于扩散模型和知识蒸馏的遥感图像语义分割方法与系统 | |
Liu et al. | Hourly traffic flow forecasting using a new hybrid modelling method | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN117636183A (zh) | 一种基于自监督预训练的小样本遥感图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |