CN110555990B - 一种基于lstm神经网络的有效停车时空资源预测方法 - Google Patents

一种基于lstm神经网络的有效停车时空资源预测方法 Download PDF

Info

Publication number
CN110555990B
CN110555990B CN201910809828.4A CN201910809828A CN110555990B CN 110555990 B CN110555990 B CN 110555990B CN 201910809828 A CN201910809828 A CN 201910809828A CN 110555990 B CN110555990 B CN 110555990B
Authority
CN
China
Prior art keywords
time
parking
space
time period
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
Application number
CN201910809828.4A
Other languages
English (en)
Other versions
CN110555990A (zh
Inventor
万千
彭国庆
李志斌
郑钰
刘华磊
马剑
谢振友
冯汝怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201910809828.4A priority Critical patent/CN110555990B/zh
Publication of CN110555990A publication Critical patent/CN110555990A/zh
Application granted granted Critical
Publication of CN110555990B publication Critical patent/CN110555990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Chemical & Material Sciences (AREA)
  • Development Economics (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于LSTM神经网络的有效停车时空资源预测方法，首先，根据不同日子特性条件下的历史数据，采用LSTM神经网络建立停车时长预测模型，对未来某一时段内进场车辆的停车时长进行预估，得到预估消耗的停车资源；其次，建立下一时段内有效停车时空资源预测模型，通过综合当前统计时段内，进出场车辆与不出场车辆的时空利用数据信息，结合前一时段有效停车时空资源量，计算出下一时段的有效停车时空资源量。本发明方法提出两个模型以从时空资源的角度去呈现和计算停车场资源，模型鲁棒性好，预测结果精确度较高，对未来停车场实现高度共享和智慧化的停车预约服务与停车资源调度分配奠定了理论基础。

Description

一种基于LSTM神经网络的有效停车时空资源预测方法
技术领域
本发明属于智慧停车领域，涉及一种未来短时剩余车位数量的预测方法。利用先进的卷积神经网络，预测出下一时段停车场的剩余泊位数量。
背景技术
停车诱导系统是解决城市停车难问题的重要手段，通过各种技术采集一定区域内的停车信息，并以诱导信息板等多种方式向驾驶者发布区域内的停车地点、使用状况、诱导路线和相关道路状况等信息，从而引导驾驶者快速找到停车地点，减少因车辆寻找泊位而产生的交通拥堵及环境污染。驾驶者在进行停车选择时不仅需要考虑停车场实时的泊位状况，而且更关注的是到达停车场时是否有空余泊位，因此，准确地预测停车场的有效停车泊位短时变化情况是停车诱导系统的一项关键技术。
在泊位预测问题上，时间序列预测法，可以分为传统的时间序列预测方法和结合启发式算法的时间序列预测方法。传统的时间序列预测方法应用在泊位预测问题上的主要有自回归移动平均模型(ARIMA)和混沌时间序列预测法等；另一种方法是将传统的时间序列预测方法和一些启发式算法相结合来进行，目前应用最广泛的是BP神经网络模型。BP神经网络具有良好的适应性和自学习能力，能够识别复杂的非线性系统的特性，因此在泊位短时预测问题上得到了广泛的应用并取得了良好的效果，但是BP神经网络存在易陷入局部极小值、参数选择缺少理论依据等缺点，最重要的是对于时间序列预测问题，BP神经网络无法体现出时间序列内部的相关联性，对时间、时刻序列的特征刻画不足。
发明内容
本发明的目的是为了提高现有短时剩余车位数预测方法预测精度的不足，在有效停车泊位变化特性分析的基础上，而提供一种基于LSTM神经网络的有效停车泊位预测方法，具有更高的预测精度，并且随着预测时间间隔的增加，仍能保持较高的预测精度。
实现本发明目的的技术方案是:
一种基于LSTM神经网络的有效停车时空资源预测方法，该方法包括:
A.根据不同日子特性条件下的历史数据，采用LSTM神经网络建立停车时长预测模型，对未来某一时段内进场车辆的停车时长进行预估，得到预估消耗的停车资源；
B.建立下一时段内有效停车时空资源预测模型，通过综合当前统计时段内进出场车辆与不出场车辆的时空利用数据信息，结合前一时段有效停车时空资源量，计算出下一时段的有效停车时空资源量两个步骤。
所述A建立停车时长预测模型，具体包括：
A1.停车场数据收集与预处理
A11：根据不同日子特性对停车场的历史数据交通特征参数进行收集与分类：日子特性包括不同日子(工作日/周末)、不同节假日、不同天气(阴/晴/雨)；交通特征参数包括不同车辆历史停放时间，单位时间内的历史饱和度、周转率和进出场车流量；
根据不同日子特性建立六个数据库：
①工作日-阴/晴天；
②周末-阴/晴天；
③工作日-雨天；
④周末-雨天；
⑤法定节假日-阴/晴天；
⑥法定节假日-雨天；
其中将相同性质t0的历史数据根据时间序列按某一个时间段整理为不同的数据库，将处理好的数据切分成训练集和测试集，作为后续LSTM神经网络模型的训练与测试；
设X＝(Xt0,Xt0+r,Xt0+2r,…,Xt0+nr)是一个时间间隔为T的交通流时间序列，预测所用的时间步长为m，则得到第一个数据对为：X1＝(Xt0,Xt0+r,Xt0+2r,…,Xt0+(m-1)r),l1＝<X1,Y1>以此类推，得到基于时间序列X的一组输入数据：SX＝<l1,l2,…,ln-m>由此可以看出，一个长度为n的交通流时间序列按时间步长m可产生(n-m)组(x-y)对；
A12：对数据进行预处理，使用sigmoid函数深度网络内部单元为激活，将数据范围规整到－1和1之间，经过归一化后作为LSTM深度神经网络结构中的输入数据，并利用这些数据对算法模型进行训练。
A2.建立LSTM神经网络模型预测停车时长，采用反向传播算法作为LSTM预测模型的训练算法，主要有下面三个步骤：
A21：所述LSTM神经网络包含gate的激活函数，定义为sigmoid函数，输入与输出的激活函数为tanh函数，分别对不同特性下的交通特征历史参数数据做处理；前向计算每个神经元的输出值，即ft、it、ot、ct、c′t、ht六个向量的值；
LSTM需要学习训练的参数共8组，分别是：遗忘门的权重矩阵Wf和偏置项bf、输入门的权重矩阵Wi和偏置项bi、输出门的权重矩阵Wo和偏置项bo，以及计算单元状态的权重矩阵Wc和偏置项bc；
根据LSTM前向计算和方向传播算法，首先需初始化一系列矩阵和向量；
A22：采用backward方法实现LSTM的反向传播计算，反向计算每个神经元的误差项值，LSTM误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算出t-1时刻的误差项；一个是将误差项向上一层传播，即从当前层I开始，计算I-1误差项；
反向计算中采用结构风险函数最小化作为目标函数计算误差项，进行最优化模型选择，目标函数的形式为：
Figure BDA0002184736200000041
J(f)函数用于度量模型的复杂度；
A23：根据相应的误差项，计算每个权重的梯度，同步进行梯度检验，最后使用小批梯度下降算法来更新权重；
A24：采用小批梯度下降法来对模型进行训练，将所有训练样本分为若干个子集，每次训练输入一个子集，根据输出计算误差函数，反向传播误差，更新各个参数，循环进行，直到所有子集训练完；训练过程中，选择RMSProp作为神经网络模型的优化算法。
采用小批梯度下降法训练网络时，要预先确定子集的大小(batch-size)，子集的设置和样本总量有关，相对样本总量来说，既不能太大，也不能过小，一般取2的幂次。在一定范围内，增大batch-size，可以减少训练过程的迭代次数，加快网络处理数据的速度，同时随着batch-size的增大，可以提高误差下降方向的准确度，减小训练震荡；但是batch-size过大的话，会导致参数更新速度的下降，导致得到一定预测精度所需要花费的时间上升。
步骤A24针对梯度下降法存在的缺点，很多研究者结合了动量和自适应学习率的概念，提出了很多的优化算法，分别选择sgd、Adagrad、RMSProp和Adam作为优化算法对网络进行训练和预测，得到预测结果。
Figure BDA0002184736200000051
根据表格1可以看出，当神经网络训练的优化算法选择为sgd时，预测结果误差最大，当优化算法选择Adagrad、RMSProp和Adam时，预测误差较小，其中，RMSProp优化算法预测误差最小，因此，选择RMSProp作为神经网络模型的优化算法
步骤B所述建立下一时段有效停车时空资源的预测模型，是通过训练好的LSTM神经网络模型预测出某t时段内进场车辆停车时长，结合历史数据统计该时长在当前时段的分布比例，将预测结果施加于在当前t时段进场的车辆上；同时结合进出场车辆情况、不离场车辆停放情况与预约停车情况，可建立下一时段有效停车时空资源模型；
具体步骤为：
B1：获得计算上一时段有效停车时空资源，记为At-1，在初始预测时刻，当车场无停放车辆时，为停车场总资源；在预测过程中，为任意所需预测t+1时段的上上一时段t-1的有效停车时空资源，当前为t时段；
B2：在当前时段进场的车辆预估消耗时空资源总和，每辆车消耗的时空资源记为bi(t)，时段总和记为Bt，即bi(t)＝每辆车*预测停车时长；通过累加bi(t)，可得到在当前t时段进场的所有车辆预计消耗时空资源的总和Bt，即
Bt＝Σbi(t)；
B3：在当前时段离场的车辆实际消耗时空资源富余计算，每辆车记为ci(t)，时段总和记为Ct，通过计算每辆车最初的预计停车时长和实际停车时长的差值，判断是否有时空资源富余，最后，累计该时段所有离场的车辆的ci(t)，可得到总Ct，即
Ct＝Σci(t)；
B4：在当前时段不离场的车辆实际消耗时空资源溢出计算，车辆的溢出值记为di(t)，时段总和记为Dt，其计算过程是通过停车系统后台数据，判断当前时段没有离场的每辆车停车时长是否超时，最后，通过累计该时段所有不离场的车辆di(t)，可得到Dt，即
Dt＝Σdi(t)；
B5：下一时段被预约的停车时空资源消耗计算，每辆车记为ei(t)，时段总和记为Et，通过统计下一时段是否有车辆进行了车位与停车时长的预约，即是否有车辆已预约了下一时段的停车，进而对该项参数的计算，即
Et＝Σei(t)；
B6：下一时段停车场有效停车时空资源预测过程为
At+1＝At-1-Bt+Ct-Dt-Et
计算的结果At+1即为下一时段停车场可用的有效停车时空资源，至此，所有预测过程结束。
本发明基于LSTM神经网络通过预测出下一时段的有效停车时空资源，在交通智能化管理和动态控制中占有重要地位，是智能交通系统中交通控制和诱导的关键。后期可基于用户均衡理论，结合智能交通诱导系统，实现区域性的、不同特性的停车场停车资源共享与调度，对智慧城市的建设具有重大的实用价值。
附图说明
图1为本发明有效停车时空资源预测方法整体流程图；
图2为本发明LSTM递归神经网络前向计算图；
图3为本发明基于LSTM神经网络预测模型训练流程图；
图4为本发明有效停车时空资源模型计算流程图；
图5为实施例时空资源预测误差分析图。
具体实施方式
下面结合实施例和附图对本发明内容作进一步的说明，但不是对本发明的限定。
实施例
参照图1-4，一种基于LSTM神经网络的有效停车时空资源预测方法，包括:
A.根据不同日子特性条件下的历史数据，采用LSTM神经网络建立停车时长预测模型，对未来某一时段内进场车辆的停车时长进行预估，得到预估消耗的停车资源；
B.建立其下一时段内有效停车时空资源预测模型，通过综合当前统计时段内进出场车辆与不出场车辆的时空利用数据信息，结合前一时段有效停车时空资源量，计算出下一时段的有效停车时空资源量两部分。
所述A建立停车时长预测模型，首先对停车场的历史交通特征参数数据的收集与分类：
交通特征参数方面包括不同车辆历史停放时间，单位时间内的历史饱和度、周转率和进出场车流量；经过对某停车场历史信息数据收集完成后，根据不同日子性质建立五个数据库：①工作日-阴/晴天；②周末-阴/晴天；③工作日-雨天；④周末-雨天；⑤法定节假日-阴/晴天；⑥法定节假日-雨天；其中将相同性质t0的历史数据根据时间序列按某一个时间段整理为不同的数据库。将处理好的数据切分成训练集和测试集，作为后续LSTM神经网络模型的训练与测试。
收集的资料年限可以使用近一年内的数据。通过调查收集了南京某商场停车场从2018年1月至10月的统计数据。早上7点至晚23点为该商城营业时间，停车场跟随营业时间开放与关闭，并在非营业时段停车场无车辆停放，停车车位总数为280个。下表为统计数据中某日停车特征参数数据，其中以每十五分钟划为一个单位统计时段：
Figure BDA0002184736200000081
A2.建立LSTM神经网络模型预测入场车辆停车时长，采用反向传播算法作为LSTM预测模型的训练算法，主要有下面三个步骤：
A21：如图2所示，为目前流行的LSTM神经网络包含gate的激活函数定义为sigmoid函数，输入与输出的激活函数为tanh函数，分别对不同特性下的交通特征历史参数数据做处理；前向计算每个神经元的输出值，即ft、it、ot、ct、c′t、ht六个向量的值，下列为各向量在神经网络中对应的计算公式：
ft＝σ(Wf*[ht-1,Xt]+bf)
it＝σ(Wi*[ht-1,Xt]+bi)
ot＝σ(Wo*[ht-1,Xt]+bo)
ct＝ft*ct-1+it*c′t
c′t＝tanh(Wc*[ht-1,Xt]+bc)
ht＝ot*tanh(ct)
LSTM需要学习训练的参数共8组，分别是：遗忘门的权重矩阵Wf和偏置项bf、输入门的权重矩阵Wi和偏置项bi、输出门的权重矩阵Wo和偏置项bo，以及计算输入单元状态的权重矩阵Wc和偏置项bc。LSTM的三个门具有独特的功能性质，使得该神经网络具有记忆功能，能使依据时间序列做的预测精准度更高，下面为这三个门的功能：
遗忘门(forget gate)即上述的ft，它决定了上一时刻的记忆单元状态ct-1有多少能保留到当前时刻的ct；
输入门(input gate)即上述的it，它决定了当前时刻网络的输入xt有多少能保存到单元状态ct；
输出门(output gate)即上述的ot，控制单元状态ct有多少能通过tanh函数作为LSTM的结果输出值ht。
根据LSTM前向计算和方向传播算法，首先需初始化一系列矩阵和向量。这些矩阵和向量有两类用途，一类是用于保存模型参数，包括上述所有权重矩阵以及偏置项；另外一类用于保存各种中间计算结果，以便于后续在反向传播算法中使用，它们包括ht、ft、it、ot、c′t、ct、δt、δf,t、δi,t、δo,t、δc′,t。
A22：采用backward方法实现LSTM的反向传播计算，为防止过度拟合，采用结构风险函数最小化作为目标函数计算误差项，以提高模型的鲁棒性，进行最优化模型选择，目标函数的形式为：
Figure BDA0002184736200000101
J(f)函数用于度量模型的复杂度。
A23：根据相应的误差项，计算每个权重的梯度，同时进行梯度检验，为了避免单一固定的学习率对参数更新不能保证全适应的弊端，选择收敛速度更快，学习效果更为有效的学习率自适应的Adam(Adaptive moment estimation)算法来更新权重参数，下面为该算法公式：
Figure BDA0002184736200000102
Figure BDA0002184736200000103
mt＝β1*mt-1+(1-β1)*gt
Figure BDA0002184736200000104
Figure BDA0002184736200000105
Figure BDA0002184736200000106
Figure BDA0002184736200000107
其中超参数的建议采用值为：α＝0.001，β1＝0.9，β2＝0.999，ε＝10-8，gt为一阶微分。
通过上述流程建立了LSTM神经网络预测模型，停车场实时进场车辆停车时长预测流程步骤如下：
首先将停车场按预测当天天气、日子特性进行确定，此步骤含义为将实时数据导入至应属特性条件下的LSTM停车时长预测模型，如某天为工作日，晴天，则应当天应选择的预测模型为基于工作日(晴)历史数据库训练出来的LSTM预测模型进行预测；
利用停车场数据管理平台，记录车辆出入场时刻，同时后台实时计算已入场车辆停车累计时长；将当日实时数据导入上步骤已选对应的模型，即可进行当日某时段入场车辆的停车时长预测，该预测值其后用于下面的有效停车时空资源预测模型进行计算。
所述B建立下一时段有效停车时空资源的预测模型
通过训练好的LSTM神经网络模型预测出某t时段内进场车辆停车时长，结合历史数据统计该时长在当前时段的分布比例，将预测结果施加于在当前t时段进场的车辆上；同时结合进出场车辆情况、不离场车辆停放情况与预约停车情况，可建立下一时段有效停车时空资源模型；
具体步骤为：
B1：获得计算上一时段有效停车时空资源，记为At-1；在初始预测时刻，当车场无停放车辆时，为停车场总资源；在预测过程中，任意所需预测t+1时段的是基于上一时段t-1的有效停车时空资源，当前时段为t时段；
B2：在当前时段进场的车辆预估消耗时空资源总和计算：
根据训练所得的LSTM停车时长预测模型，预测出在当前时段进场的每辆车预计停放时长，结合历史数据统计该时长在当前时段的分布比例分配至每辆车，然后进行每辆车消耗的时空资源bi(t)，即bi(t)＝每辆车*预测停车时长，若无车辆进入，则bi(t)＝0；通过累加bi(t)，可得到在当前t时段进场的所有车辆预计消耗时空资源的总和Bt，即
Bt＝Σbi(t)
B3：在当前时段离场的车辆实际消耗时空资源富余计算：
B31：若在当前时段没有车辆离场，则该时段总富余值Ct为0(Σci(t)＝0)，其含义是该参数对下一时段的有效停车时空资源的预测不产生影响作用；
B32：若在当前时段有车辆离场，通过停车系统后台数据判断每车实际停车时长是否超过模型预测的停车时长：①若恰好，则ci(t)为0，其含义是该车辆正好消耗和预测结果同样的时空资源，因此没有富余的时空资源；②若超过，则ci(t)亦为0，其含义是该车辆所消耗的时空资源超过了预测结果，无富余的时空资源。其中超过的部分将在下一个参数di(t)进行显示并产生影响作用；③若不超过，则应计算该辆车富余时空资源。计算结果如下：
ci(t)＝L预-L实
其中，L预为预测停车时长，该值在进场时刻所在的时段通过LSTM模型预测出；
L实为实际停放时长，即为进场时刻和离场时刻的时间差值；
最后，通过累计该时段所有离场的车辆的ci(t)，可得到总Ct，即
Ct＝Σci(t)
B4：在当前时段不离场的车辆实际消耗时空资源溢出计算：
通过后台数据统计计算，判断当前已停放的车辆其停车时长是否超时：①若不超时，则该辆车的溢出值di(t)为0，其含义是该车辆实际停车仍处于预测的时长内，实际停车时长相对于预测时长无溢出；②若已超时，则该溢出值di(t)的计算方法为：
di(t)＝L实-L预
注：L实和L预含义同上；
最后，通过累计该时段所有不离场的车辆的溢出值di(t)，可得到Dt，即
Dt＝Σdi(t)
B5：下一时段被预约的停车时空资源消耗计算：
通过后台数据统计计算，系统在当前时段判断下一时段是否有车辆已预约了停车，通过累计ei(t)＝预约车辆数*每辆车预约停车时长，即可得到已被预约即将消耗的停车时空资源，即
Et＝Σei(t)
B6：下一时段停车场有效停车时空资源计算：
通过处理上述当前时间段的所有步骤(B1～B5)，得到各参数项(At-1～Et)的所有值，在当前时段的末尾计算得到所需的下一时段该停车场有效停车时空资源At+1，即
At+1＝At-1-Bt+Ct-Dt-Et
计算的结果At+1即为下一时段停车场可用的有效停车时空资源，至此，所有预测过程结束。
下表为某日该商场有效停车资源的各时段实时预测记录表，时空资源单位：个/小时。
Figure BDA0002184736200000131
Figure BDA0002184736200000141
时空资源预测误差分析，如图5所示。通过上述预测过程，可得到下一时段有效停车时空资源，便于车场管理者更便捷的管理车场。同时，可发布该车场下一时段的时空资源以做到区域性停车资源调度、共享与调节对本停车场的停车需求。基于用户均衡原则与资源共享理念，高效充分地利用停车资源，为城市智慧停车奠定了理论算法基础。
LSTM神经网络能有效的解决梯度反传过程由于逐步缩减而产生的梯度消失问题，即在大量的学习训练中能保持其准确性，模型鲁棒性好，预测准确性高。有效停车时空资源预测不同于传统的停车位预测在于其能结合时间和空间的停车位资源进行高利用率的停车位预测，增加停车位资源的有效使用率。

Claims (8)

1.一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于，该方法包括两个步骤:
A．根据不同日子特性条件下的历史数据，采用LSTM神经网络建立停车时长预测模型，对未来某一时段内进场车辆的停车时长进行预估，得到预估消耗的停车资源；
B．建立下一时段内有效停车时空资源预测模型，通过综合当前统计时段内，进出场车辆与不出场车辆的时空利用数据信息，结合前一时段有效停车时空资源量，计算出下一时段的有效停车时空资源量：
步骤A所述的建立停车时长预测模型，具体包括：
A1．停车场数据收集与预处理
A11：根据不同日子特性对停车场的历史数据交通特征参数进行收集与分类：日子特性包括不同日子、不同节假日、不同天气；交通特征参数包括不同车辆历史停放时间，单位时间内的历史饱和度、周转率和进出场车流量；
A12：对数据进行预处理，使用sigmoid函数深度网络内部单元为激活，将数据范围规整到－1和1之间，经过归一化后作为LSTM深度神经网络结构中的输入数据，并利用这些数据对算法模型进行训练；
A2．建立LSTM神经网络模型预测停车时长，采用反向传播算法作为LSTM预测模型的训练算法，主要有下面三个步骤：
A21：所述LSTM神经网络包含gate的激活函数，定义为 sigmoid 函数，输入与输出的激活函数为 tanh 函数，分别对不同特性下的交通特征历史参数数据做处理；前向计算每个神经元的输出值，即ft、it、ot、ct 、cˊt 、ht六个向量的值；
LSTM需要学习训练的参数共8组，分别是：遗忘门的权重矩阵Wf和偏置项bf、输入门的权重矩阵Wi和偏置项bi、输出门的权重矩阵Wo和偏置项bo，以及计算单元状态的权重矩阵Wc和偏置项bc；
根据LSTM前向计算和方向传播算法，首先需初始化一系列矩阵和向量；
A22：采用backward方法实现LSTM的反向传播计算，反向计算每个神经元的误差项值，LSTM误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算出t-1时刻的误差项；一个是将误差项向上一层传播，即从当前层I开始，计算I-1误差项；
反向计算中采用结构风险函数最小化作为目标函数计算误差项，进行最优化模型选择，目标函数的形式为：
min
Figure 764179DEST_PATH_IMAGE001
J(f)函数用于度量模型的复杂度；
A23：根据相应的误差项，计算每个权重的梯度，同步进行梯度检验，最后使用小批梯度下降算法来更新权重；
A24：采用小批梯度下降法来对模型进行训练，训练过程中，选择 RMSProp 作为神经网络模型的优化算法；
步骤B所述的建立下一时段有效停车时空资源的预测模型，是通过训练好的LSTM神经网络模型预测出某t时段内进场车辆停车时长，结合历史数据统计该时长在当前时段的分布比例，将预测结果施加于在当前t时段进场的车辆上；同时结合进出场车辆情况、不离场车辆停放情况与预约停车情况，建立下一时段有效停车时空资源模型；
具体步骤为：
B1：获得计算上一时段有效停车时空资源，记为At-1；
B2：在当前时段进场的车辆预估消耗时空资源总和，每辆车消耗的时空资源记为bi(t)，时段总和记为Bt；
B3：在当前时段离场的车辆实际消耗时空资源富余计算，车辆的溢出值记为ci(t)，时段总和记为Ct；
B4：在当前时段不离场的车辆实际消耗时空资源溢出计算，每辆车记为di(t)，时段总和记为Dt；
B5：下一时段被预约的停车时空资源消耗计算，每辆车记为ei(t)，时段总和记为Et；
B6：下一时段停车场有效停车时空资源预测过程为
Figure 110978DEST_PATH_IMAGE002
计算的结果At+1即为下一时段停车场可用的有效停车时空资源，至此，所有预测过程结束。
2.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤A11所述的根据不同日子特性建立六个数据库：
①工作日-阴/晴天；
②周末-阴/晴天；
③工作日-雨天；
④周末-雨天；
⑤法定节假日-阴/晴天；
⑥法定节假日-雨天；
其中将相同性质t0的历史数据根据时间序列按某一个时间段整理为不同的数据库，将处理好的数据切分成训练集和测试集，作为后续LSTM神经网络模型的训练与测试；
设X=(X t0 , X t0+r , X t0+2r ,…, X t0+nr )是一个时间间隔为Ｔ的交通流时间序列，预测所用的时间步长为ｍ，则得到第一个数据对为：X 1 =(X t0 , X t0+r , X t0+2r ,…, X t0+(m-1)r ), l 1 =<X 1 ,Y 1 >以此类推，得到基于时间序列Ｘ的一组输入数据：S X =<l 1 ,l 2 ,…,l n-m >由此可以看出，一个长度为ｎ的交通流时间序列按时间步长ｍ可产生（n-m）组（x-y）对。
3.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤A24所述LSTM 神经网络训练采用小梯度下降法，将所有训练样本分为若干个子集，每次训练输入一个子集，根据输出计算误差函数，反向传播误差， 更新各个参数，循环进行，直到所有子集训练完。
4.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤B1所述的上一时段有效停车时空资源At-1，在初始预测时刻，当车场无停放车辆时，为停车场总资源；
在预测过程中，为任意所需预测t+1时段的上上一时段t-1的有效停车时空资源，当前为t时段。
5.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤B2所述的在当前时段进场的车辆预估消耗时空资源总和，即bi(t)=每辆车*预测停车时长；通过累加bi(t)，可得到在当前t时段进场的所有车辆预计消耗时空资源的总和Bt，即
Figure 103205DEST_PATH_IMAGE004
。
6.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤B3所述的在当前时段离场的车辆实际消耗时空资源富余计算，通过计算每辆车最初的预计停车时长和实际停车时长的差值，判断是否有时空资源富余，最后，累计该时段所有离场的车辆的ci(t)，可得到总Ct，即
Figure 329787DEST_PATH_IMAGE006
。
7.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤B4所述的在当前时段不离场的车辆实际消耗时空资源溢出计算，其计算过程是通过停车系统后台数据，判断当前时段没有离场的每辆车停车时长是否超时，最后，通过累计该时段所有不离场的车辆溢出值di(t)，可得到Dt，即
Figure 906831DEST_PATH_IMAGE008
。
8.根据权利要求1所述的一种基于LSTM神经网络的有效停车时空资源预测方法，其特征在于：步骤B5所述的下一时段被预约的停车时空资源消耗计算，通过统计下一时段是否有车辆进行了车位与停车时长的预约，即是否有车辆已预约了下一时段的停车，进而对该项参数的计算，即
Figure 650796DEST_PATH_IMAGE010
。
CN201910809828.4A 2019-08-29 2019-08-29 一种基于lstm神经网络的有效停车时空资源预测方法 Active CN110555990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910809828.4A CN110555990B (zh) 2019-08-29 2019-08-29 一种基于lstm神经网络的有效停车时空资源预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910809828.4A CN110555990B (zh) 2019-08-29 2019-08-29 一种基于lstm神经网络的有效停车时空资源预测方法

Publications (2)

Publication Number Publication Date
CN110555990A CN110555990A (zh) 2019-12-10
CN110555990B true CN110555990B (zh) 2021-04-13

Family

ID=68738402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910809828.4A Active CN110555990B (zh) 2019-08-29 2019-08-29 一种基于lstm神经网络的有效停车时空资源预测方法

Country Status (1)

Country Link
CN (1) CN110555990B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111081056B (zh) * 2019-12-16 2021-08-24 青岛海信网络科技股份有限公司 一种基于大数据智能分析的智慧社区临时停车管理系统
CN110956341B (zh) * 2019-12-31 2023-06-27 京东城市(北京)数字科技有限公司 停车场流量预测方法、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
CN111709076A (zh) * 2020-06-15 2020-09-25 北京中岩智泊科技有限公司 机械立体车库存取车等待时间预测及停车场优化设计方法
CN112419711B8 (zh) * 2020-10-22 2022-06-14 桂林电子科技大学 基于改进gmdh算法的封闭式停车场停车需求预测方法
CN113053125B (zh) * 2021-03-29 2021-12-31 浙江财经大学 基于前馈lstm模型的停车场库推荐方法
CN113362637B (zh) * 2021-05-04 2022-11-29 温州大学 一种区域性多场点空余停车位预测方法及系统
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
CN115050188B (zh) * 2022-08-15 2022-10-28 中交一公局第六工程有限公司 一种室内停车场剩余车位预测方法
CN116415178B (zh) * 2023-03-01 2023-09-26 湖北普罗格科技股份有限公司 一种数字孪生车库系统的数据采集方法及装置
CN116089744B (zh) * 2023-04-10 2023-06-16 松立控股集团股份有限公司 一种基于Transformer动态时空关联的医院停车场推荐方法
CN116151489B (zh) * 2023-04-19 2023-07-21 之江实验室 基于多任务学习的车辆停留行为分析与预测方法、系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000182187A (ja) * 1998-12-16 2000-06-30 Nagoya Electric Works Co Ltd 駐車状況測定方法およびその装置
JP2011198222A (ja) * 2010-03-23 2011-10-06 Nec Corp 駐車場案内システム、駐車場案内方法及びプログラム
WO2011158107A1 (en) * 2010-06-17 2011-12-22 Toyota Jidosha Kabushiki Kaisha Vehicle parking assist system and electric vehicle equipped with the same
CN107040551A (zh) * 2017-06-12 2017-08-11 北京匡恩网络科技有限责任公司 一种工控网络安全预警方法及系统
CN108010378A (zh) * 2017-12-20 2018-05-08 中国科学院深圳先进技术研究院 停车场泊位占用率预测方法、装置、设备及存储介质
CN108961816A (zh) * 2018-07-19 2018-12-07 泰华智慧产业集团股份有限公司 基于优化lstm模型的道路停车泊位预测方法
CN109492808A (zh) * 2018-11-07 2019-03-19 浙江科技学院 一种室内停车场剩余车位预测方法
CN109492817A (zh) * 2018-11-16 2019-03-19 杭州电子科技大学 一种封闭区域内未来泊位需求数量短时预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000182187A (ja) * 1998-12-16 2000-06-30 Nagoya Electric Works Co Ltd 駐車状況測定方法およびその装置
JP2011198222A (ja) * 2010-03-23 2011-10-06 Nec Corp 駐車場案内システム、駐車場案内方法及びプログラム
WO2011158107A1 (en) * 2010-06-17 2011-12-22 Toyota Jidosha Kabushiki Kaisha Vehicle parking assist system and electric vehicle equipped with the same
CN107040551A (zh) * 2017-06-12 2017-08-11 北京匡恩网络科技有限责任公司 一种工控网络安全预警方法及系统
CN108010378A (zh) * 2017-12-20 2018-05-08 中国科学院深圳先进技术研究院 停车场泊位占用率预测方法、装置、设备及存储介质
CN108961816A (zh) * 2018-07-19 2018-12-07 泰华智慧产业集团股份有限公司 基于优化lstm模型的道路停车泊位预测方法
CN109492808A (zh) * 2018-11-07 2019-03-19 浙江科技学院 一种室内停车场剩余车位预测方法
CN109492817A (zh) * 2018-11-16 2019-03-19 杭州电子科技大学 一种封闭区域内未来泊位需求数量短时预测方法

Also Published As

Publication number Publication date
CN110555990A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN110555990B (zh) 一种基于lstm神经网络的有效停车时空资源预测方法
Li et al. Prediction for tourism flow based on LSTM neural network
CN111210633B (zh) 一种基于深度学习的短时交通流预测方法
CN108280551B (zh) 一种利用长短期记忆网络的光伏发电功率预测方法
CN103632212B (zh) 一种时变用户均衡动态网络演化客流预测系统和方法
Chen et al. Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots
CN110390349A (zh) 基于XGBoost模型的公交车客流量预测建模方法
CN110503104B (zh) 一种基于卷积神经网络的短时剩余车位数量预测方法
CN111242292B (zh) 基于深度时空网络的od数据预测方法及系统
CN108564391B (zh) 一种考虑主客观信息的共享电动汽车需求预测方法及系统
CN107194491A (zh) 一种基于公交客流和站间行程时间预测的动态调度方法
CN106503869A (zh) 一种基于站点短时需求预测的公共自行车动态调度方法
CN111242395B (zh) 用于od数据的预测模型构建方法及装置
CN106022549A (zh) 基于神经网络和思维演化搜索的短期负荷预测方法
CN111860989B (zh) 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
CN115359659B (zh) 一种车道开闭配置方法和系统
CN113362637B (zh) 一种区域性多场点空余停车位预测方法及系统
CN114066503A (zh) 一种基于构建虚拟服务片区进行出租车需求预测的方法
CN113674524A (zh) 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及系统
Kaibei et al. Passenger flow forecast of railway station based on improved LSTM
CN116153125A (zh) 一种基于ida-rnn模型的空间维度公交到达时间预测方法
Tianyang A K-means group division and LSTM based method for hotel demand forecasting
Ye et al. Demand forecasting of online car‐hailing by exhaustively capturing the temporal dependency with TCN and Attention approaches
CN115170006A (zh) 发车调度方法、装置、设备和存储介质
Lin et al. The short-term exit traffic prediction of a toll station based on LSTM

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