CN109492817A - 一种封闭区域内未来泊位需求数量短时预测方法 - Google Patents
一种封闭区域内未来泊位需求数量短时预测方法 Download PDFInfo
- Publication number
- CN109492817A CN109492817A CN201811365367.8A CN201811365367A CN109492817A CN 109492817 A CN109492817 A CN 109492817A CN 201811365367 A CN201811365367 A CN 201811365367A CN 109492817 A CN109492817 A CN 109492817A
- Authority
- CN
- China
- Prior art keywords
- berth
- data
- lstm
- term
- closed area
- 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.)
- Pending
Links
- 238000013459 approach Methods 0.000 title claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000000306 recurrent effect Effects 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000000586 desensitisation Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000007796 conventional method Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000007787 long-term memory Effects 0.000 abstract 1
- 230000006403 short-term memory Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种封闭区域内未来泊位需求数量短时预测方法,是对未来几小时内某封闭区域的泊位需求数量进行预测,可以使管理者有效地进行区域内道路已经停车场设施进行管理调度。本发明提出基于深度学习理论的LSTM(Long Short‑Term Memory,长短期记忆)单元的循环神经网络泊位需求量预测模型,根据前几个小时泊位需求变化量对后续时间点对应的泊位需求量进行预测。以杭州某大学为实验对象,采用随机两天和特定两天数据进行实践验证。结果显示:采用LSTM循环神经网络模对区域内泊位需求进行预测能够比传统方法在结果上更加接近实际值,并且精度较为满意,表明该预测方法可行有效。
Description
技术领域
本发明提出基于深度学习理论的LSTM单元的循环神经网络泊位需求预测模型,根据前几个小时泊位需求变化量对后续时间点对应的泊位需求量进行预测。是一种封闭区域内未来短时间内的泊位数量预测方法。
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之一。
封闭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,其中一些传统的预测方法较早的被用于泊位预测,例如向量自回归模型(VAR)、时间序列模型(ARAM)、主要成分分析法模型(PCA)等,传统预测模型的预测准确度可达到90%左右,但是在突发事件状态下预测准确性严重下降。随着深度学习技术的发展,一些学者尝试将神经网络模型应用到了泊位预测中,并取得到了较好的应用效果。与传统的方法相比,BP神经网络模型、小波-ELM模型在用于泊位需求量预测时,也取得了较好的效果。随着人工智能技术的快速发展,在谷歌的开源平台tensorflow的帮助下,深度学习神经网络的研究有了突破性进展。RNN循环神经网络模型可以很好的对时间序列模型进行预测,但是由于其存在梯度消失和梯度爆炸的问题,无法处理长时间序列的问题。于是出现了改进后的模型,LSTM循环神经网络。LSTM加入了门控单元接口,使网络具有更好的记忆性,在时间序列预测方面具有相对其他模型更好的准确度,且有着易于实现的特点,较其他神经网络模型有较为明显的优势。
下面介绍一下LSTM神经网络的构成。简单的循环神经网络由1个输入层、一个隐藏层、一个输出层组成。对一给定输入序列x=[X1,X2,...,Xt],在t时刻,隐藏层状态为st,输出值为zt,则有:
zt=σ(V·st) (1)
st=g(U·xt+W·st-1) (2)
式中:V为输出层的权重矩阵;σ为输出层激活函数;U为输入x的权重矩阵;W为t-1时刻隐藏层状态st-1作为t时刻输入的权重矩阵;g为隐藏层激活函数。将式(2)循环代入式(1),得
zt=V·g(U·xt+W·g(U·xt-1+W·g(U·xt-2+W·g(U·xt-3+...)))) (3)
由式(3)可知,在t时刻,循环神经网络的输出值zt受xt、xt-1、xt-2、xt-3、…的影响。
LSTM区别于RNN的地方,主要就在于它在算法中加入了一个判断信息有用与否的“处理器”,这个处理器作用的结构被称为cell。一个cell当中被放置了三扇门,分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中,可以根据规则来判断是否有用。只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。是一进二出的工作原理,以在反复运算下解决神经网络中长期存在的问题。目前已经证明,LSTM是解决长序依赖问题的有效技术,并且这种技术的普适性非常高,导致带来的可能性变化非常多。
在t时刻,LSTM的输入为:t时刻序列输入值xt,t-1时刻LSTM的输出值ht-1以及t-1时刻门控单元状态ct-1;LSTM的输出为:t时刻LSTM输出值ht及t时刻门控单元状态ct。在LSTM中,遗忘门决定ct-1对ct的影响程度,输入门决定xt对ct的影响程度,输出门控制ct对ht的影响程度。遗忘门、输入门、输出门计算式为(4)、(5)、(6):
ft=σ(Wf·ht-1+Wf·xt+bf) (4)
it=σ(Wi·ht-1+Wi·xt+bi) (5)
ot=σ(Wo·ht-1+Wo·xt+bo) (6)
式中:ft、it、ot分别为遗忘门、输入门、输出门状态结算结果;Wf、Wi、Wo分别为遗忘门、输入门、输出门权重矩阵;bf、bi、bo分别为遗忘门、输入门、输出门偏置项。LSTM最终的输出由输出门和单元状态共同确定:
ht=ototanh(ct) (9)
式中:为t时刻输入的单元状态;Wc为输入单元状态权重矩阵;bc为输入单元状态偏置项;tanh表示tanh激活函数;o表示按元素相乘。LSTM结构见图1(a)、图1(b)。
发明内容
本发明针对现有技术的不足,运用LSTM循环神经网络做未来泊位需求数量的短时预测,从而实现对封闭区域内未来泊位的需求量进行预测。
本发明一种封闭区域内未来泊位需求数量短时预测方法,具体包括以下步骤,
步骤1,获取封闭区域内车辆进出的前三到十二个月的历史数据,并将获得到的数据进行数据预处理;
步骤2,将预处理后的数据前三分之二作为训练集,后三分之一作为测试集;
步骤3,构建LSTM神经网络模型;
步骤3.1,将LSTM神经网络的输入层神经元个数设置为128个,三个隐藏层神经元个数分别为64个、32个、16个,输出层神经元个数为1个;
步骤3.2,取前12个时间点对应的车辆数量值预测下一个时间点的车辆数量值。
所述的LSTM循环神经网络的激活函数选择relu;损失函数为均方误差,模型的优化方法选择自适应学习优化算法。
步骤4,训练该模型
步骤4.1前向计算每个神经元输出值;
步骤4.2反向计算每个神经元的误差项;
步骤4.3根据相应误差项,计算每个权重的梯度;
步骤5,运用训练后的LSTM模型进行预测
步骤5.1,根据当前时间点,获得向前最近一个整点对应的车辆数量值XT,以及以B小时为时间间隔,前n小时对应的车辆数量值XT-n,XT-n-1,...,XT-2,XT-1;
步骤5.2,根据XT-n,XT-n-1,...,XT-2,XT-1,XT,利用训练好的LSTM循环神经网络模型对后续1小时进行预测,得到后1小时对应车辆数量值XT+1,再根据前n-1小时对应的车辆数量值和预测得到的T+1时刻对应的车辆数量值对T+2时刻对应的车辆数量值进行预测,得到XT+2,依次预
测得到后n小时对应的车辆数量值XT+1,XT+2,...,XT+n-1。
作为优选,所述的数据预处理具体包括以下步骤:
步骤1.1,对历史数据进行脱敏处理,先把车牌号码一列中的相同条目进行归类,并依次对车牌号不同的条目修改成以A00001、A00002、A00003……为样式的脱敏后信息形式;
步骤1.2,对车辆进出记录进行匹配,用Python编写脚本,先从excel工作簿中读取整个所有数据,再根据车牌号码一列和过车方向一列,将某一车辆一进一出的条目进行合并,然后从新的excel工作簿中输出。
步骤1.3,剔除原始数据中的重复、错误的数据
步骤1.4,统计车辆数量,编写Python脚本将车辆进出时间和车辆进出日期合并并转换成以秒为单位的数据,再根据该数据判断属于一天中的哪个时间段,然后直接输出时间间隔为A分钟对应的车辆数量变化矩阵,将一天内车辆数量进出分别分解成1440/A个时间间隔,并按照每个月的天数进行矩阵构建;
步骤1.5,将数据存入数据库,先在workbench中新建数据库和工作表,利用Java脚本对车辆数量变化之进行累加,得到车辆输出历史值。
作为优选,在步骤1.4中,A取值为60。
作为优选,在步骤5.1中,B取值为1,n取值为12。
本发明相对于现有技术具有的有益效果:
以往的传统方法可以对未来长时间内某个封闭区域内的泊位需求量进行较好的预测,但是传统方法无法应对有突发情况时泊位需求量的变化,当类似预测到泊位需求会增加却错误估计增加数量的情况,传统方法是无法应对的。本发明提出的基于LSTM的泊位需求短时预测模型,可以较好的应对上述情况,当突发事件发生,对后续3小时的预测预警已经足够让管理者做出相应的应对措施,对缓解区域内交通拥挤和有效利用停车资源有非常大的帮助。
附图说明
图1(a)为LSTM门控单元结构;
图1(b)为LSTM时序图;
图2为本发明的预测具体实施流程图;
图3为预测步骤;
图4为普通工作日的LSTM模型短时泊位预测结果;
图5为普通周末的LSTM模型短时泊位预测结果;
图6为特殊活动日的LSTM模型短时泊位预测结果。
具体实施方式:
封闭区域内剩余泊位数量具有实时变化的性质,且不同的封闭区域之间剩余泊位的数量变化差别较大,本发明以杭州市某大学为具体研究对象。为了更具体地描述本发明,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:
预测流程图见图2
步骤1,获取该大学车辆进出的历史数据,并将获得到的数据进行数据预处理;
步骤1.1,对原始数据进行脱敏处理,先把车牌号码一列中的相同条目进行归类,并依次对车牌号不同的条目修改成以A00001、A00002、A00003……为样式的脱敏后信息形式;
步骤1.2,对车辆进出记录进行匹配,用Python编写脚本,先从excel工作簿中读取整个所有数据,再根据车牌号码一列和过车方向一列,将某一车辆一进一出的条目进行合并,然后从新的excel工作簿中输出;
步骤1.3,统计车辆数量,编写Python脚本将车辆进出时间和车辆进出日期合并并转换成以秒为单位的数据,再根据该数据判断属于一天中的哪个时间段,然后直接输出时间间隔10分钟、30分钟、60分钟对应的车辆数量变化矩阵,将一天内车辆数量进出分别分解成144,48,24个时间间隔,并按照每个月的天数进行矩阵构建;
步骤1.4,将数据存入数据库,先在workbench中新建数据库和工作表,利用Java脚本对车辆数量变化之进行累加,得到车辆输出历史值,并利用sql语句将该结果输入MySQL数据库库中。
步骤2,将预处理后的数据前三分之二作为训练集,后三分之一作为测试集;
步骤3,构建LSTM神经网络模型;
步骤3.1,将LSTM神经网络的输入层神经元个数设置为128个,三个隐藏层神经元个数分别为64个、32个、16个,输出层神经元个数为1个;
步骤3.2,取过去的12个时间点对应的车辆数量值预测下一个时间点的车辆数量值;
步骤3.3,LSTM循环神经网络的激活函数选择relu,损失函数为均方误差(MeanSquared Error,MSE),模型的优化方法选择自适应学习优化算法(adam)。
步骤4,训练该模型。具体实施时LSTM采用反向传播算法进行训练具体步骤如下;
步骤4.1,前向计算每个神经元输出值;
步骤4.2,反向计算每个神经元的误差项;
步骤4.3,根据相应误差项,计算每个权重的梯度。
步骤5,运用训练后的LSTM模型进行预测。包括以下子步骤;
步骤5.1,根据当前时间点,获得向前最近一个整点对应的车辆数量值,以及以1小时为时间间隔,前12小时对应的车辆数量值;
步骤5.2,根据XT-n,XT-n-1,...,XT-2,XT-1,XT,利用训练好的LSTM循环神经网络模型对后续1小时进行预测,得到后1小时对应车辆数量值,再根据前11小时对应的车辆数量值和预测得到的T+1时刻对应的车辆数量值对T+2时刻对应的车辆数量值进行预测,得到,依次预测得到后12小时对应的车辆数量值。
预测步骤图见图3。
本次实验选取普通工作日一天,随机普通周末一天,有特殊事件日期一天进行神经网络模型测试,得到的结果如下:
1.任取测试数据中普通工作日中的一天进行预测,结果如图4所示:
表1普通工作日8时至23时LSTM模型短时泊位需求预测结果
(a)8时至15时对应泊位需求量预测值
(b)16时至23时对应泊位需求量预测值
普通工作日的预测结果非常好,最根本的原因是普通工作日车辆数量变化较为稳定,且工作日数量较多,训练样本大,得到的结果最好,甚至在后续16个小时的预测中都可以得到非常好的结果。
表2某一普通周末8时至23时LSTM模型短时泊位需求预测结果
(a)8时至15时对应泊位需求量预测值
(b)16时至23时对应泊位需求量预测值
如图5所示,普通的周末预测结果较好,但是明显没有普通工作日结果理想,但是在后续4个小时的预测中,误差非常小,在短时预测中具有非常好的效果。
3.选择测试样本中车辆变化增加明显的一天进行测试,是特殊活动日中的一天,结果如图6所示:
表3(a)、(b)选定特殊活动日8时至23时LSTM模型短时泊位
需求预测结果
表3(a)8时至15时对应泊位需求量预测值
表3(b)16时至23时对应泊位需求量预测值
该日的车辆数量产生了较大幅度的增加,如图所示,LSTM循环神经网络模型基本符合变化趋势,得到了较好的预测结果。
Claims (4)
1.一种封闭区域内未来泊位需求数量短时预测方法,其特征在于,包括以下步骤:
步骤1,获取封闭区域车辆进出的前三到十二个月的历史数据,并将获得到的数据进行数据预处理;
步骤2,将预处理后的数据前三分之二作为训练集,后三分之一作为测试集;
步骤3,构建LSTM神经网络模型;
步骤3.1,将LSTM神经网络的输入层神经元个数设置为128个,三个隐藏层神经元个数分别为64个、32个、16个,输出层神经元个数为1个;
步骤3.2,取前12个时间点对应的车辆数量值预测下一个时间点的车辆数量值;
所述的LSTM循环神经网络的激活函数选择relu;损失函数为均方误差,模型的优化方法选择自适应学习优化算法;
步骤4,训练该模型
步骤4.1,前向计算每个神经元输出值;
步骤4.2,反向计算每个神经元的误差项;
步骤4.3,根据相应误差项,计算每个权重的梯度;
步骤5,运用训练后的LSTM模型进行预测;
步骤5.1,根据当前时间点,获得向前最近一个整点对应的车辆数量值XT,以及以B小时为时间间隔,前n小时对应的车辆数量值XT-n,XT-n-1,...,XT-2,XT-1;
步骤5.2,根据XT-n,XT-n-1,...,XT-2,XT-1,XT,利用训练好的LSTM循环神经网络模型对后续1小时进行预测,得到后1小时对应车辆数量值XT+1,再根据前n-1小时对应的车辆数量值和预测得到的T+1时刻对应的车辆数量值对T+2时刻对应的车辆数量值进行预测,得到XT+2,依次预测得到后n小时对应的车辆数量值XT+1,XT+2,...,XT+n-1,所得到的对应车辆数量值即泊位需求书量值。
2.根据权利要求1所述一种封闭区域内未来泊位需求数量短时预测方法,其特征在于:所述的数据预处理具体包括以下步骤:
步骤1.1,对历史数据进行脱敏处理,先把车牌号码一列中的相同条目进行归类,并依次对车牌号不同的条目修改成以A00001、A00002、A00003……为样式的脱敏后信息形式;
步骤1.2,对车辆进出记录进行匹配,用Python编写脚本,先从excel工作簿中读取整个所有数据,再根据车牌号码一列和过车方向一列,将某一车辆一进一出的条目进行合并,然后从新的excel工作簿中输出;
步骤1.3,剔除原始数据中的重复、错误的数据;
步骤1.4,统计车辆数量,编写Python脚本将车辆进出时间和车辆进出日期合并并转换成以秒为单位的数据,再根据该数据判断属于一天中的哪个时间段,然后直接输出时间间隔为A分钟对应的车辆数量变化矩阵,将一天内车辆数量进出分别分解成1440/A个时间间隔,并按照每个月的天数进行矩阵构建;
步骤1.5,将数据存入数据库,先在workbench中新建数据库和工作表,利用Java脚本对车辆数量变化之进行累加,得到车辆输出历史值。
3.根据权利要求1所述一种封闭区域内未来泊位需求数量短时预测方法,其特征在于:在步骤1.4中,A取值为60。
4.根据权利要求1所述一种封闭区域内未来泊位需求数量短时预测方法,其特征在于:在步骤5.1中,B取值为1,n取值为12。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811365367.8A CN109492817A (zh) | 2018-11-16 | 2018-11-16 | 一种封闭区域内未来泊位需求数量短时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811365367.8A CN109492817A (zh) | 2018-11-16 | 2018-11-16 | 一种封闭区域内未来泊位需求数量短时预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492817A true CN109492817A (zh) | 2019-03-19 |
Family
ID=65695998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811365367.8A Pending CN109492817A (zh) | 2018-11-16 | 2018-11-16 | 一种封闭区域内未来泊位需求数量短时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492817A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288853A (zh) * | 2019-07-24 | 2019-09-27 | 深圳市凯达尔科技实业有限公司 | 智慧停车管控联网联控方法及系统 |
CN110444041A (zh) * | 2019-08-15 | 2019-11-12 | 同济大学 | 一种基于分区的停车场精细化管理方法 |
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 |
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 |
CN110599236A (zh) * | 2019-08-14 | 2019-12-20 | 同济大学 | 一种基于gru模型的短时停车需求预测方法 |
CN111062589A (zh) * | 2019-12-02 | 2020-04-24 | 武汉理工大学 | 一种基于目的地预测的城市出租车调度方法 |
CN111325382A (zh) * | 2020-01-23 | 2020-06-23 | 北京百度网讯科技有限公司 | 停车场空闲车位预测方法、装置、电子设备及存储介质 |
GB2584862A (en) * | 2019-06-18 | 2020-12-23 | Continental Automotive Gmbh | System and method for populating a database with occupancy data of parking facilities |
CN112201076A (zh) * | 2020-09-18 | 2021-01-08 | 西安宇视信息科技有限公司 | 一种泊车位数量的确定方法、装置、介质及电子设备 |
CN113487905A (zh) * | 2021-06-09 | 2021-10-08 | 海南漫游谷电子商务有限公司 | 一种停车场车位预测方法及服务器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093643A (zh) * | 2013-01-09 | 2013-05-08 | 东南大学 | 一种确定公共停车场泊位数的方法 |
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 |
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 |
CN108648449A (zh) * | 2018-05-11 | 2018-10-12 | 杭州电子科技大学 | 基于卡尔曼滤波和nar神经网络组合的车位预测方法 |
-
2018
- 2018-11-16 CN CN201811365367.8A patent/CN109492817A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093643A (zh) * | 2013-01-09 | 2013-05-08 | 东南大学 | 一种确定公共停车场泊位数的方法 |
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 |
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 |
CN108648449A (zh) * | 2018-05-11 | 2018-10-12 | 杭州电子科技大学 | 基于卡尔曼滤波和nar神经网络组合的车位预测方法 |
Non-Patent Citations (1)
Title |
---|
王苗苗: "基于机器学习的短时交通流预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2584862A (en) * | 2019-06-18 | 2020-12-23 | Continental Automotive Gmbh | System and method for populating a database with occupancy data of parking facilities |
CN110288853B (zh) * | 2019-07-24 | 2022-03-22 | 深圳市凯达尔科技实业有限公司 | 智慧停车管控联网联控方法及系统 |
CN110288853A (zh) * | 2019-07-24 | 2019-09-27 | 深圳市凯达尔科技实业有限公司 | 智慧停车管控联网联控方法及系统 |
CN110599236A (zh) * | 2019-08-14 | 2019-12-20 | 同济大学 | 一种基于gru模型的短时停车需求预测方法 |
CN110444041A (zh) * | 2019-08-15 | 2019-11-12 | 同济大学 | 一种基于分区的停车场精细化管理方法 |
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 |
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 |
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 |
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 |
CN111062589A (zh) * | 2019-12-02 | 2020-04-24 | 武汉理工大学 | 一种基于目的地预测的城市出租车调度方法 |
CN111062589B (zh) * | 2019-12-02 | 2022-08-16 | 武汉理工大学 | 一种基于目的地预测的城市出租车调度方法 |
CN111325382A (zh) * | 2020-01-23 | 2020-06-23 | 北京百度网讯科技有限公司 | 停车场空闲车位预测方法、装置、电子设备及存储介质 |
CN111325382B (zh) * | 2020-01-23 | 2022-06-28 | 北京百度网讯科技有限公司 | 停车场空闲车位预测方法、装置、电子设备及存储介质 |
US11574259B2 (en) | 2020-01-23 | 2023-02-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Parking lot free parking space predicting method, apparatus, electronic device and storage medium |
CN112201076A (zh) * | 2020-09-18 | 2021-01-08 | 西安宇视信息科技有限公司 | 一种泊车位数量的确定方法、装置、介质及电子设备 |
CN112201076B (zh) * | 2020-09-18 | 2022-01-04 | 西安宇视信息科技有限公司 | 一种泊车位数量的确定方法、装置、介质及电子设备 |
CN113487905A (zh) * | 2021-06-09 | 2021-10-08 | 海南漫游谷电子商务有限公司 | 一种停车场车位预测方法及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492817A (zh) | 一种封闭区域内未来泊位需求数量短时预测方法 | |
Tian | Approach for short-term traffic flow prediction based on empirical mode decomposition and combination model fusion | |
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
Xie et al. | A wavelet network model for short-term traffic volume forecasting | |
CN110321603A (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
Zhang et al. | Traffic Accident Prediction Based on LSTM‐GBRT Model | |
Lu et al. | Short-term demand forecasting for online car-hailing using ConvLSTM networks | |
CN114219139B (zh) | 基于注意力机制的dwt-lstm电力负荷预测方法 | |
CN112614346B (zh) | 基于奇异谱分析和回声状态网络的短时交通流预测方法 | |
CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
Li et al. | Short term traffic flow prediction based on LSTM | |
CN111862592A (zh) | 一种基于rgcn的交通流预测方法 | |
CN113205698A (zh) | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 | |
Guo et al. | On-line multi-step prediction of short term traffic flow based on GRU neural network | |
Bian et al. | Load forecasting of hybrid deep learning model considering accumulated temperature effect | |
CN116307103A (zh) | 一种基于硬参数共享多任务学习的交通事故预测方法 | |
CN110795522A (zh) | 一种移动用户轨迹位置的预测方法及装置 | |
He et al. | Neural computing for grey Richards differential equation to forecast traffic parameters with various time granularity | |
Chen et al. | Improved LSTM based on attention mechanism for short-term traffic flow prediction | |
CN111524349A (zh) | 一种语境特征注入的多尺度交通流预测模型及方法 | |
CN117010683A (zh) | 基于混合神经网络和多Agent的作业安全风险预测方法 | |
Zhan et al. | A probabilistic forecasting approach for air quality spatio-temporal data based on kernel learning method | |
CN116110219A (zh) | 交通事故预测方法 | |
Song et al. | Calibration of agent-based model using reinforcement learning | |
Tian et al. | Deep learning method for traffic accident prediction security |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |
|
RJ01 | Rejection of invention patent application after publication |