CN109492808A - 一种室内停车场剩余车位预测方法 - Google Patents
一种室内停车场剩余车位预测方法 Download PDFInfo
- Publication number
- CN109492808A CN109492808A CN201811317095.4A CN201811317095A CN109492808A CN 109492808 A CN109492808 A CN 109492808A CN 201811317095 A CN201811317095 A CN 201811317095A CN 109492808 A CN109492808 A CN 109492808A
- Authority
- CN
- China
- Prior art keywords
- value
- sequence
- model
- prediction
- data
- 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.)
- Granted
Links
Classifications
-
- 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"
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
Landscapes
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
一种室内停车场剩余车位预测方法,包括如下步骤:步骤1.得到停车场空余泊位序列,并进行数据预处理;步骤2.对初始序列的训练集进行去噪处理,得到去除噪声的时间序列,记为平滑序列,将其划分测试集与训练集;使用平滑序列训练集训练LSTM神经网络;步骤3.使用初始序列构建并训练灰色残差神经网络模型;步骤4.加权组合两种预测模型,得到最终预测模型。
Description
技术领域:
本发明涉及一种停车场剩余车位的预测方法。
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,而停车位的数量不能满足需求,停车难日益成为一个大问题。近年来大数据技术在智能交通领域的应用越来越多,很多人工智能算法在泊位数量的预测上颇有成效。目前主流的研究是通过对停车场历史数据分析,进而对停车场的车位信息做出准确的预测,凭借准确的预测结果为用户提供可靠的出行信息,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,缓解了城市交通压力。
在已有的预测停车场车位数量的研究中,主流方法是获取停车场各个时间段泊位数据,按时间顺序排列为时间序列并对之进行分析研究,研究侧重于预测模型的构建使用,而对于时间序列中去除随机性成分的研究偏少。停车场车位数量时间序列的组成可分为随机过程成分和混沌过程成分组成。随机信号产生于随机系统,具有不可预测的特性,当预测的训练集中存在随机成分时会对预测模型的训练产生负面影响。
传统时间序列的去噪包括两类方法:一类是以小波方法和平滑方法为代表的直接去噪方法,目的为消除序列次要运动走向,保留主要趋势;另一类为频域去噪方法,以频域差异为区分标准,保留能量分布较高的频带,消除能量分布较低的频带。这两类方法均是由序列结果层面对序列进行去噪处理,忽略了随机成分产生的机理的复杂性。而且停车场车位时间序列的影响因素较多,噪声的产生机理比较复杂,单一的去噪方法的模型并不能在剔除噪声方面有优势,进行多步预测时会存在较大误差。
发明内容:
本发明要克服现有技术的上述缺点,提供一种室内大型停车场车位的组合预测方法。
本发明针对单模型预测精度低、稳定性弱的缺点,结合了一阶滤波算法平滑去噪与灰色模型算法弱化序列随机性的优点,提出一种动态加权组合模型的预测方法。
本发明的一种室内停车场剩余车位预测方法,包括如下步骤:
步骤1.得到停车场空余泊位序列,对数据进行初始化处理。
获取停车场空余泊位历史数据,以5分钟为间隔提取数据,得到停车场空余泊位时间序列,记为X={Xi|i=1,2,…,n},其中Xi为第i时间段的停车场空余泊位数量,n和i取值为自然数,n为时间序列中时间段总数量,{}表示集合。对数据的完整性进行检验,查看是否存在缺值。当存在缺值时,采用插值的方法。所得序列记为初始序列。
步骤2.对初始序列的训练集进行去噪处理,得到去除噪声的时间序列,记为平滑序列,并将之划分为测试集与训练集。使用平滑序列训练集训练LSTM神经网络。训练完成得到LSTM神经网络的优化参数。
步骤3.使用步骤一所得的初始序列构建灰色模型,使用灰色模型进行s步预测,其中s取值为自然数;由得到的s步预测结果和实际该时间段的车位数量序列构建残差序列;使用该残差序列训练LSTM神经网络计算得到补偿序列;使用补偿序列补偿灰色模型预测结果得到灰色残差神经网络的预测结果。
步骤4.加权结合两种模型进行组合预测。以平滑序列的测试集作为已经训练完成的神经网络的输入,得到相应的输出结果,记为L(t),t=1,2,…,m,其中L(t)为LSTM网络模型在t时间段的预测值,t和m取值为自然数,m为预测总步数,t取值在1到m之间。以初始序列作为灰色残差神经网络模型模型的输入,得到输出在t时间段的预测值为G(t),t=1,2,3,…,m,其中t和m取值为自然数,m为预测总步数。构建LSTM神经网络和灰色残差神经网络模型的组合模型,两种模型组合模型的表达式为:
其中,Y(t)表示在t时间段组合模型预测的空余泊位的数量,φ和为权值,且φ取值先从0.1到1.0,间隔长度为0.1,取10个值,再从2取到10,间隔长度为1,取9个值。通过循环计算,输出每个t时刻的19组与权值φ和相关的数据,即得到一组加权集成后的停车场泊位预测数据。
进一步的,步骤2中所述的改进的一阶滞后滤波算法具体为:采用经遗传算法改进一阶滞后滤波算法。改进的一阶滞后滤波算法公式为:
其中:cj为本次滤波结果;xj为本次采样值;cj-1为上次滤波结果,j为采样时间段;α为滤波系数,取值为0到1之间,β为误差修正系数,取值为0到1之间;N为每批采样数据的个数。
每隔N个采样数据,采用遗传算法优化方法对系数α和β进行动态参数选定,将取出的样本数据,经过一阶滞后滤波算法做滤波处理,再更新样本数据。最终得到序列B={bi|i=1,2,…,n},其中bi表示初始序列经过预处理后的待预测序列,记为去噪序列,{}表示集合,n和i取值为自然数,n为时间序列中时间段总数量。
进一步的,步骤3中所述的灰色残差神经网络模型的构建具体为:首先判断步骤1所得的初始序列是否可以进行灰色预测,不满足条件时,对第一预测序列进行平移变换,使之符合条件。在序列能进行灰色预测的情况下,利用灰色模型进行预测,灰色模型的预测公式为:累加生成还原得到第k步预测值:记为其中k,s取值为自然数,k取值为1到s,s为灰色模型预测总步数,a为发展系数,b为灰作用量,为m-1次累加生成的第k步的预测值,X(m)(k+1)为m次累加生成的第k步的预测值,X(m)(k)为m次累加生成的k-1步的预测值;接着计算灰色模型预测结果和实际情况的差值,得到残差序列其中e(k)表示第k时间段灰色预测结果与实际情况的差值,X(k)为步骤一所得的初始序列中第k个值;利用残差序列进行训练LSTM神经网络,使用训练好的模型计算第j时间段的预测值 记为补偿序列,j和m取值为自然数,j取值为1到m,m表示灰色残差神经网络预测结果总数;最后利用补偿序列补偿灰色模型预测结果,得到灰色残差神经网络在t时间段的预测值为其中表示第t时间段利用灰色模型的预测结果,为补偿序列第t时间段的预测值。
进一步的,为确定步骤4中φ,的具体取值引入关联度计算法。用同一时刻组合模型预测值和实际停车场泊位序列值的差值作为关联度的计算标准,公式如下:
其中r为关联度,Xt为实际泊位时间序列中第t个时间段的实际值,为m个Xt的平均值,Y(t)为混合模型预测值,为m个Y(t)的均值,∑表示连加。取使得关联度r为最大时的一组权值数据为最佳权重,记为φop和最终组合预测模型在t时刻的输出值为Y(t),具体为:
其中,L(t)为LSTM网络模型在t时间段的预测值,G(t)为灰色残差神经网络在t时间段的预测值。
本发明的优点:准确性高。
附图说明
图1是本发明的流程图。
具体实施方式:
本发明要克服现有技术的上述缺点,提供一种室内大型停车场车位预测方法。本发明针对单模型预测精度低,稳定性弱的确点提出一种动态加权集成模型的预测方法。
本发明的一种室内停车场剩余车位预测方法,包括如下步骤:
步骤1.得到停车场空余泊位序列,并进行数据预处理。
获取停车场空余泊位历史数据,以5分钟为间隔提取数据,得到停车场空余泊位时间序列,记为X={Xi|i=1,2,…,n},其中Xi为第i时间段的停车场空余泊位数量,n和i取值为自然数,n为时间序列中时间段总数量。对数据的完整性进行检验,查看是否存在缺值。当存在缺值时,采用插值的方法。所得序列记为初始序列。
步骤2.对初始序列的训练集进行去噪处理,得到去除噪声的时间序列,记为平滑序列,将其划分测试集与训练集。使用平滑序列训练集训练LSTM神经网络。
(21)在初始序列的去噪处理中,采用经遗传算法改进的一阶滞后滤波算法。公式为:
其中:cj为本次滤波结果;xj为本次采样值;cj-1为上次滤波结果,j为采样时间段;α为滤波系数,取值为0到1之间,β为误差修正系数,取值为0到1之间;N为每批采样数据的个数。
改进一阶滞后滤波算法,每隔N个采样数据,采用遗传算法优化方法对系数α和β进行动态参数选定,将取出的样本数据,经过一阶滞后滤波算法做滤波处理,再更新样本数据。最终得到序列B={bi|i=1,2,…,n},其中bi表示初始序列经过预处理后的待预测序列,记为去噪序列,{}表示集合,n和i取值为自然数,n为时间序列中时间段总数量。
(22)对去噪序列进行极差标准化处理,使样本数据处于[0,1]之间。
X=Xnor·(Xmax-Xmin)+Xmin (2)
其中:Xnor和X为数据转化前后的数据;Xmax与Xmin表示样本中数据的最大值和最小值。
(23)用以上方法处理之后的去噪序列按照简单交叉验证法划分为训练集与测试集,前85%组数据作为训练集,余下的15%组数据作为测试集,输入到网络模型中进行训练。
(24)所述LSTM神经网络的具体构建参照现有技术,为便于实时提供过程建议如下:
步骤24.1:确定输入层、输出层。设置网络输入为每批p个变量作为输入X={Xi|i=1,2,······,n},l个变量作为输出O={Oi|i=1,2,······,m},其中Xi输入层第i个输入变量,Oi表示输出层第i个输出结果。网络经过训练会输出接下来连续的m个时间段的预测值。每批n个数据预测未来m个时间段的泊位占有率,n和m取值为自然数。
步骤24.2:隐藏层参数设置。本实施中设定隐藏层数为2层,每层R个神经元。隐藏层神经元的个数确定方法为其中p为输入神经元的个数,l为输出神经元的个数,ψ为待定常数,取值在1到10之间。
步骤24.3:预测模型训练过程参数设置。构建LSTM网络预测模型之后,对数据进行训练过程中,由loss损失函数获得网络模型的输出误差,并由梯度下降法寻找最小值,更新权重,最终使模型收敛。loss损失函数选择均方误差,用来衡量网络每一步训练后预测值与真实值的偏差,在运行过程中loss损失函数输出值越来越小,最终趋近与0。优化器算法选择RMSProp法。RMSprop法是对梯度下降法进行的改进,能够自动调节学习速率,以解决深度学习中学习率急剧下降和过早结束的问题,适合处理非平稳目标。
步骤24.4:判定预测模型误差。对LSTM网络模型预测结果,采用均方根误差和平均相对误差验证其预测精度。
步骤3.使用初始序列构建并训练灰色残差神经网络模型。使用步骤一所得的初始序列构建灰色模型,使用灰色模型进行s步预测;由得到的s步预测结果和实际该时间段的车位数量序列构建残差序列;使用该残差序列训练LSTM神经网络计算得到补偿序列;使用补偿序列补偿上述的灰色模型预测结果得到灰色残差神经网络的预测结果。
步骤3.1首先对初始序列X(0)={X(0)(i)|i=1,2,…,n}进行定性计算,判断其是否可使用灰色模型进行预测,若不满足条件则对初始序列做平移变换处理,再得出预测结果后做相对应的反变换处理,X(0)(i)的上标(0)表示对序列Xi进行0次累加生成,即不进行累加操作,等同于初始序列Xi。
计算时间序列的级比为:
其中λ(d)为级比,X(0)(d)为第d个时间段的空余泊位数量,n为输入总时间段个数。
当所有的级比在区间(e-2/(n+1),e2/(n+2))内时,表示可以使用灰色模型进行预测。若不在区间内,则进行相应的变换,即
Y(d)=X(0)(d)+c,d=1,2,······,n,其中Y(d)为X(0)(d)进平移变换后对应的值,c为常数。此时数列级比为:
步骤3.2确认序列可进行灰色预测后,使用灰色模型进行预测。
求出预测值:累加生成还原得到第k步预测值:记为其中k,s取值为自然数,s为灰色模型预测总步数,a为发展系数,b为灰作用量,为m-1次累加生成的第k步的预测值,X(m)(k+1)为m次累加生成的第k步的预测值,X(m)(k)为m次累加生成的k-1步的预测值。
步骤3.3根据S3.2中的预测公式得到灰色模型预测结果,定义k时间段的初始序列X(k)与灰色模型预测值的差为k时刻的残差,记做e(k),
步骤3.4根据S3.3得到的残差序列建立LSTM神经网络模型,对残差进行预测。LSTM网络训练输入样本为e(k),k=1,2,…,s为网络的对应输出样本。
步骤3.5用S3.4的LSTM神经网络训练模型预测得出残差序列为利用得出的残差值补偿S3.3的灰色预测结果得到新的预测值G(t),即其中t,m取值为自然数,m为灰色残差神经网络的预测总步长。
步骤4.加权组合两种预测模型,得到最终预测模型。以步骤2所得的去噪序列的测试集作为步骤2训练完成的LSTM神经网络的输入,得到第t时间段的输出结果,记为L(t),t=1,2,3,······,m,t和m取值为自然数,m为预测总步长。灰色残差神经网络模型在t时刻的预测值为G(t),t=1,2,3,······,m,构建LSTM神经网络和灰色残差神经网络的组合模型,两种模型集成的表达式为:
其中φ,为动态权值φ,为权值,且φ取值先从0.1到1.0,间隔长度为0.1,取10个值,再从2取到10,间隔长度为1,取9个值。通过循环计算,输出每个t时刻的19组与权值φ,相关的数据,Y(t)为LSTM网络和灰色残差神经网络模型的预测数据通过权值相加的结果,t为该预测值出现的时间。
具体为,权值系数φ取值为0.1时,计算t=1时间段到t=19时间段的组合模型的数值,得到19次预测值,记为从Y(t1)到Y(t19);再将权值系数φ依次递增,总共取19组φ相关的数值;最后输出每组权值φ下的19次组合模型预测值,构成19×19的矩阵。
通过循环计算,t每次递增是输出19组与权值φ和相关的数据,共得到361个模型输出数据,如下:
为确定φ和的具体值采用计算关联度的方法。用组合模型预测值预测值和实际值曲线间的差值大小作为关联度的衡量标准。关联度计算公式如下:
其中r为关联度,Xt为实际泊位时间序列中第t个时间段的实际值,为m个Xt的平均值,Yt为混合模型预测值,为m个Yt的均值,∑表示连加。取使得关联度r为最大时的一组权值数据为最佳权重,即为φop,最终预测模型在t时刻的预测结果为:
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)
1.一种室内停车场剩余车位预测方法,包括如下步骤:
步骤1.得到停车场空余泊位序列,并进行数据预处理;
获取停车场空余泊位历史数据,以5分钟为间隔提取数据,得到停车场空余泊位时间序列,记为X={Xi|i=1,2,…,n},其中Xi为第i时间段的停车场空余泊位数量,n和i取值为自然数,n为时间序列中时间段总数量;对数据的完整性进行检验,查看是否存在缺值;当存在缺值时,采用插值的方法;所得序列记为初始序列;
步骤2.对初始序列的训练集进行去噪处理,得到去除噪声的时间序列,记为平滑序列,将其划分测试集与训练集;使用平滑序列训练集训练LSTM神经网络;
(21)在初始序列的去噪处理中,采用经遗传算法改进的一阶滞后滤波算法;公式为:
其中:cj为本次滤波结果;xj为本次采样值;cj-1为上次滤波结果,j为采样时间段;α为滤波系数,取值为0到1之间,β为误差修正系数,取值为0到1之间;N为每批采样数据的个数;
改进一阶滞后滤波算法,每隔N个采样数据,采用遗传算法优化方法对系数α和β进行动态参数选定,将取出的样本数据,经过一阶滞后滤波算法做滤波处理,再更新样本数据;最终得到序列B={bi|i=1,2,…,n},其中bi表示初始序列经过预处理后的待预测序列,记为去噪序列,{}表示集合,n和i取值为自然数,n为时间序列中时间段总数量;
(22)对去噪序列进行极差标准化处理,使样本数据处于[0,1]之间;
X=Xnor·(Xmax-Xmin)+Xmin (2)
其中:Xnor和X为数据转化前后的数据;Xmax与Xmin表示样本中数据的最大值和最小值;
(23)用以上方法处理之后的去噪序列按照简单交叉验证法划分为训练集与测试集,前85%组数据作为训练集,余下的15%组数据作为测试集,输入到网络模型中进行训练;
(24)所述LSTM神经网络的具体构建参照现有技术,为便于实时提供过程建议如下:
步骤24.1:确定输入层、输出层;设置网络输入为每批p个变量作为输入X={Xi|i=1,2,······,n},l个变量作为输出O={Oi|i=1,2,······,m},其中Xi输入层第i个输入变量,Oi表示输出层第i个输出结果;网络经过训练会输出接下来连续的m个时间段的预测值;每批n个数据预测未来m个时间段的泊位占有率,n和m取值为自然数;
步骤24.2:隐藏层参数设置;本实施中设定隐藏层数为2层,每层R个神经元;隐藏层神经元的个数确定方法为其中p为输入神经元的个数,l为输出神经元的个数,ψ为待定常数,取值在1到10之间;
步骤24.3:预测模型训练过程参数设置;构建LSTM网络预测模型之后,对数据进行训练过程中,由loss损失函数获得网络模型的输出误差,并由梯度下降法寻找最小值,更新权重,最终使模型收敛;loss损失函数选择均方误差,用来衡量网络每一步训练后预测值与真实值的偏差,在运行过程中loss损失函数输出值越来越小,最终趋近与0;优化器算法选择RMSProp法;RMSprop法是对梯度下降法进行的改进,能够自动调节学习速率,以解决深度学习中学习率急剧下降和过早结束的问题,适合处理非平稳目标;
步骤24.4:判定预测模型误差;对LSTM网络模型预测结果,采用均方根误差和平均相对误差验证其预测精度;
步骤3.使用初始序列构建并训练灰色残差神经网络模型;使用步骤一所得的初始序列构建灰色模型,使用灰色模型进行s步预测;由得到的s步预测结果和实际该时间段的车位数量序列构建残差序列;使用该残差序列训练LSTM神经网络计算得到补偿序列;使用补偿序列补偿上述的灰色模型预测结果得到灰色残差神经网络的预测结果;
步骤3.1首先对初始序列X(0)={X(0)(i)|i=1,2,…,n}进行定性计算,判断其是否可使用灰色模型进行预测,若不满足条件则对初始序列做平移变换处理,再得出预测结果后做相对应的反变换处理,X(0)(i)的上标(0)表示对序列Xi进行0次累加生成,即不进行累加操作,等同于初始序列Xi;
计算时间序列的级比为:
其中λ(d)为级比,X(0)(d)为第d个时间段的空余泊位数量,n为输入总时间段个数;
当所有的级比在区间(e-2/(n+1),e2/(n+2))内时,表示可以使用灰色模型进行预测;若不在区间内,则进行相应的变换,即
Y(d)=X(0)(d)+c,d=1,2,······,n,其中Y(d)为X(0)(d)进平移变换后对应的值,c为常数;此时数列级比为:
步骤3.2确认序列可进行灰色预测后,使用灰色模型进行预测;
求出预测值:累加生成还原得到第k步预测值:记为其中k,s取值为自然数,s为灰色模型预测总步数,a为发展系数,b为灰作用量,为m-1次累加生成的第k步的预测值,X(m)(k+1)为m次累加生成的第k步的预测值,X(m)(k)为m次累加生成的k-1步的预测值;
步骤3.3根据S3.2中的预测公式得到灰色模型预测结果,定义k时间段的初始序列X(k)与灰色模型预测值的差为k时刻的残差,记做e(k),
步骤3.4根据S3.3得到的残差序列建立LSTM神经网络模型,对残差进行预测;LSTM网络训练输入样本为e(k),k=1,2,…,s为网络的对应输出样本;
步骤3.5用S3.4的LSTM神经网络训练模型预测得出残差序列为利用得出的残差值补偿S3.3的灰色预测结果得到新的预测值G(t),即其中t,m取值为自然数,m为灰色残差神经网络的预测总步长;
步骤4.加权组合两种预测模型,得到最终预测模型;以步骤2所得的去噪序列的测试集作为步骤2训练完成的LSTM神经网络的输入,得到第t时间段的输出结果,记为L(t),t=1,2,3,······,m,t和m取值为自然数,m为预测总步长;灰色残差神经网络模型在t时刻的预测值为G(t),t=1,2,3,······,m,构建LSTM神经网络和灰色残差神经网络的组合模型,两种模型集成的表达式为:
其中φ,为动态权值φ,为权值,且φ取值先从0.1到1.0,间隔长度为0.1,取10个值,再从2取到10,间隔长度为1,取9个值;通过循环计算,输出每个t时刻的19组与权值φ,相关的数据,Y(t)为LSTM网络和灰色残差神经网络模型的预测数据通过权值相加的结果,t为该预测值出现的时间;
具体为,权值系数φ取值为0.1时,计算t=1时间段到t=19时间段的组合模型的数值,得到19次预测值,记为从Y(t1)到Y(t19);再将权值系数φ依次递增,总共取19组φ相关的数值;最后输出每组权值φ下的19次组合模型预测值,构成19×19的矩阵;
通过循环计算,t每次递增是输出19组与权值φ和相关的数据,共得到361个模型输出数据,如下:
为确定φ和的具体值采用计算关联度的方法;用组合模型预测值预测值和实际值曲线间的差值大小作为关联度的衡量标准;关联度计算公式如下:
其中r为关联度,Xt为实际泊位时间序列中第t个时间段的实际值,为m个Xt的平均值,Yt为混合模型预测值,为m个Yt的均值,∑表示连加;取使得关联度r为最大时的一组权值数据为最佳权重,即为φop,最终预测模型在t时刻的预测结果为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811317095.4A CN109492808B (zh) | 2018-11-07 | 2018-11-07 | 一种室内停车场剩余车位预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811317095.4A CN109492808B (zh) | 2018-11-07 | 2018-11-07 | 一种室内停车场剩余车位预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109492808A true CN109492808A (zh) | 2019-03-19 |
CN109492808B CN109492808B (zh) | 2022-03-29 |
Family
ID=65693951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811317095.4A Active CN109492808B (zh) | 2018-11-07 | 2018-11-07 | 一种室内停车场剩余车位预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492808B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503104A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于卷积神经网络的短时剩余车位数量预测方法 |
CN110555990A (zh) * | 2019-08-29 | 2019-12-10 | 桂林电子科技大学 | 一种基于lstm神经网络的有效停车时空资源预测方法 |
CN111814855A (zh) * | 2020-06-28 | 2020-10-23 | 东南大学 | 基于残差seq2seq神经网络的全球电离层电子总含量预测方法 |
CN111915059A (zh) * | 2020-06-29 | 2020-11-10 | 西安理工大学 | 基于注意力机制的Seq2seq泊位占有率预测方法 |
CN112016252A (zh) * | 2020-09-07 | 2020-12-01 | 重庆科技学院 | 一种安全阀精密起跳压力获取方法 |
CN113098916A (zh) * | 2019-12-23 | 2021-07-09 | 中国移动通信集团辽宁有限公司 | 基于网络行为数据的信息推送方法及装置 |
CN113223291A (zh) * | 2021-03-19 | 2021-08-06 | 青岛亿联信息科技股份有限公司 | 停车场空闲车位数量预测系统及方法 |
CN113347014A (zh) * | 2020-03-02 | 2021-09-03 | 中国科学院沈阳自动化研究所 | 基于时间序列的工业控制系统态势组合预测方法 |
CN113406313A (zh) * | 2021-06-28 | 2021-09-17 | 浙江邦业科技股份有限公司 | 基于全自动游离氧化钙分析仪数据实时预测熟料f-CaO的方法 |
CN113484882A (zh) * | 2021-06-24 | 2021-10-08 | 武汉大学 | 多尺度滑动窗口lstm的gnss序列预测方法及系统 |
CN114379544A (zh) * | 2021-12-31 | 2022-04-22 | 北京华玉通软科技有限公司 | 一种基于多传感器前融合的自动泊车系统、方法及装置 |
CN115050210A (zh) * | 2022-06-07 | 2022-09-13 | 杭州市城市大脑停车系统运营股份有限公司 | 基于时序预测的停车场智能诱导方法、系统及装置 |
CN117079494A (zh) * | 2023-10-16 | 2023-11-17 | 广州技客信息科技有限公司 | 一种基于区块链的地下车库智能管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548254A (zh) * | 2016-11-16 | 2017-03-29 | 上海理工大学 | 一种有效停车泊位的预测方法 |
CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
CN108091135A (zh) * | 2017-12-12 | 2018-05-29 | 重庆师范大学 | 基于优化小波神经网络的停车泊位多步预测方法 |
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 |
-
2018
- 2018-11-07 CN CN201811317095.4A patent/CN109492808B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548254A (zh) * | 2016-11-16 | 2017-03-29 | 上海理工大学 | 一种有效停车泊位的预测方法 |
CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
CN108091135A (zh) * | 2017-12-12 | 2018-05-29 | 重庆师范大学 | 基于优化小波神经网络的停车泊位多步预测方法 |
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 |
Non-Patent Citations (5)
Title |
---|
JIACHANG LI ET AL: "Deep Learning Based Parking Prediction on Cloud Platform", 《2018 4TH INTERNATIONAL CONFERENCE ON BIG DATA COMPUTING AND COMMUNICATIONS》 * |
于家斌 等: "基于遗传算法改进的一阶滞后滤波和长短期记忆网络的蓝藻水华预测方法", 《计算机应用》 * |
梅杰: "基于LSTM神经网络的有效停车泊位短时预测方法研究", 《创新驱动与智慧发展——2018年中国城市交通规划年会论文集》 * |
翁小杰: "基于灰色理论和神经网络的预测方法研究与应用", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
谈苗苗: "基于LSTM和灰色模型集成的短期交通流预测", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503104B (zh) * | 2019-08-29 | 2021-04-27 | 桂林电子科技大学 | 一种基于卷积神经网络的短时剩余车位数量预测方法 |
CN110555990A (zh) * | 2019-08-29 | 2019-12-10 | 桂林电子科技大学 | 一种基于lstm神经网络的有效停车时空资源预测方法 |
CN110503104A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于卷积神经网络的短时剩余车位数量预测方法 |
CN110555990B (zh) * | 2019-08-29 | 2021-04-13 | 桂林电子科技大学 | 一种基于lstm神经网络的有效停车时空资源预测方法 |
CN113098916B (zh) * | 2019-12-23 | 2023-11-14 | 中国移动通信集团辽宁有限公司 | 基于网络行为数据的信息推送方法及装置 |
CN113098916A (zh) * | 2019-12-23 | 2021-07-09 | 中国移动通信集团辽宁有限公司 | 基于网络行为数据的信息推送方法及装置 |
CN113347014B (zh) * | 2020-03-02 | 2023-06-20 | 中国科学院沈阳自动化研究所 | 基于时间序列的工业控制系统态势组合预测方法 |
CN113347014A (zh) * | 2020-03-02 | 2021-09-03 | 中国科学院沈阳自动化研究所 | 基于时间序列的工业控制系统态势组合预测方法 |
CN111814855A (zh) * | 2020-06-28 | 2020-10-23 | 东南大学 | 基于残差seq2seq神经网络的全球电离层电子总含量预测方法 |
CN111915059A (zh) * | 2020-06-29 | 2020-11-10 | 西安理工大学 | 基于注意力机制的Seq2seq泊位占有率预测方法 |
CN111915059B (zh) * | 2020-06-29 | 2023-06-30 | 西安理工大学 | 基于注意力机制的Seq2seq泊位占有率预测方法 |
CN112016252B (zh) * | 2020-09-07 | 2022-07-01 | 重庆科技学院 | 一种安全阀精密起跳压力获取方法 |
CN112016252A (zh) * | 2020-09-07 | 2020-12-01 | 重庆科技学院 | 一种安全阀精密起跳压力获取方法 |
CN113223291B (zh) * | 2021-03-19 | 2023-10-20 | 青岛亿联信息科技股份有限公司 | 停车场空闲车位数量预测系统及方法 |
CN113223291A (zh) * | 2021-03-19 | 2021-08-06 | 青岛亿联信息科技股份有限公司 | 停车场空闲车位数量预测系统及方法 |
CN113484882A (zh) * | 2021-06-24 | 2021-10-08 | 武汉大学 | 多尺度滑动窗口lstm的gnss序列预测方法及系统 |
CN113406313A (zh) * | 2021-06-28 | 2021-09-17 | 浙江邦业科技股份有限公司 | 基于全自动游离氧化钙分析仪数据实时预测熟料f-CaO的方法 |
CN114379544A (zh) * | 2021-12-31 | 2022-04-22 | 北京华玉通软科技有限公司 | 一种基于多传感器前融合的自动泊车系统、方法及装置 |
CN115050210A (zh) * | 2022-06-07 | 2022-09-13 | 杭州市城市大脑停车系统运营股份有限公司 | 基于时序预测的停车场智能诱导方法、系统及装置 |
CN115050210B (zh) * | 2022-06-07 | 2023-10-20 | 杭州市城市大脑停车系统运营股份有限公司 | 基于时序预测的停车场智能诱导方法、系统及装置 |
CN117079494A (zh) * | 2023-10-16 | 2023-11-17 | 广州技客信息科技有限公司 | 一种基于区块链的地下车库智能管理系统 |
CN117079494B (zh) * | 2023-10-16 | 2024-01-09 | 广州技客信息科技有限公司 | 一种基于区块链的地下车库智能管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109492808B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492808A (zh) | 一种室内停车场剩余车位预测方法 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN108877223A (zh) | 一种基于时空相关性的短时交通流预测方法 | |
CN105981025A (zh) | 基于序列递归滤波三维变分的实测海洋环境数据同化方法 | |
CN109215380A (zh) | 一种有效停车泊位的预测方法 | |
CN102032935B (zh) | 城市排水汇流管网污水泵站流量的软测量方法 | |
CN112507610B (zh) | 一种热轧卷取温度的区间预测方法 | |
CN109884892A (zh) | 基于交叉相关时滞灰色关联分析的流程工业系统预测模型 | |
CN106295798A (zh) | 经验模式分解与Elman神经网络组合风电预测方法 | |
CN103974311A (zh) | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 | |
CN105976077A (zh) | 一种输变电工程造价动态控制目标计算系统及计算方法 | |
CN104091074A (zh) | 一种基于经验模态分解的中长期水文预报方法 | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN107704962B (zh) | 一种基于不完整训练数据集的蒸汽流量区间预测方法 | |
WO2011060730A1 (zh) | 预测交通流的方法和装置 | |
CN102708684B (zh) | 短时交通流量Volterra-DFP自适应预测方法 | |
CN109408773B (zh) | 一种生态健康诊断的指标自动化筛选方法 | |
CN109191845A (zh) | 一种公交车辆到站时间预测方法 | |
CN115758212A (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
CN106126910A (zh) | 基于马尔科夫状态转移模型的状态转换预测方法及系统 | |
Juszczyk | The use of artificial neural networks for residential buildings conceptual cost estimation | |
CN103530818A (zh) | 一种基于brb系统的供水管网建模方法 | |
CN103268525A (zh) | 一种基于wd-rbf的水文时间序列模拟预测方法 | |
CN110569566A (zh) | 一种板带力学性能预测方法 |
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 |