CN112419711A - 基于改进gmdh算法的封闭式停车场停车需求预测方法 - Google Patents
基于改进gmdh算法的封闭式停车场停车需求预测方法 Download PDFInfo
- Publication number
- CN112419711A CN112419711A CN202011140333.6A CN202011140333A CN112419711A CN 112419711 A CN112419711 A CN 112419711A CN 202011140333 A CN202011140333 A CN 202011140333A CN 112419711 A CN112419711 A CN 112419711A
- Authority
- CN
- China
- Prior art keywords
- gmdh
- parking lot
- training
- data
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于改进GMDH算法的封闭式停车场停车需求预测方法，使用GMDH算法对封闭式停车场进场车流量训练，在训练过程中针对GMDH算法建模泛化能力差的问题，结合集成学习(Ensemble Learning)的思想对GMDH算法进行改进，提高GMDH模型泛化能力，并将改进的算法应用到封闭式停车场进场停车需求预测模型的构建中。该方法减少了对历史数据的依赖、降低了数据成本，并且具有较高的预测精度，可以快速、有效地对封闭式停车场停车需求进行预测。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。
Description
技术领域
本发明属于交通规划中的停车规划领域，针对城市停车场在工作日或非工作日以及每天不同时间段的停车需求变化所导致的停车资源供应不均衡、停车资源紧缺的问题，提出一种基于改进GMDH算法的封闭式停车场停车需求预测方法。
背景技术
在国家“新基建”浪潮下，交通新基建由此驶入发展“快车道”，交通智慧化是智慧城市的重要组成部分，而停车产业归属于城市交通层面。针对城市停车难这一项，经过这几年的发展，中国不少城市停车共享化、智能化消费习惯已经形成，车位资源突破时空限制得以高效率流转，既大幅缓解了停车难矛盾，又促进城市交通大数据管理，带动城市转型升级。但是相关调查表明，城市停车设施建设的速度远远低于机动车保有量的迅猛增长，传统的停车资源调度与管理无法满足停车资源的充分利用需求，尤其反映在不同日期（工作日或者非工作日）以及同一天的不同时间段等情况下，各土地利用类型的停车场停车供需不平衡。这种由于不同日期不同时间段停车设施供应与停车需求两者的不平衡，导致停车矛盾日益激烈，从而引起交通系统运行效率下降，道路通行能力降低等问题。因此，基于交通大数据技术，利用机器学习算法能够预测局部停车网络内多个封闭式停车场进场车流量，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，能够有效的从根本上缓解甚至解决停车供需矛盾。
目前，国内外现有的停车场停车预测方法大多使用时间序列模型，或使用与时间序列模型相似的线性模型。这类方法将某一时刻的交通流量看成是非平稳随机序列，并在时间的维度上进行分析和运算。如以基于时间序列模型的方法为例，这类方法建立在大量不间断数据的基础上，具有较高的预测精度，但需要复杂的参数估计，且计算出的参数不具备可移植性。在实际应用中，由于各种原因很容易造成数据的遗漏，很容易导致模型预测精度的降低，另外还依赖大量的历史数据，数据成本较高。另外对于GMDH算法，对样本的不同的划分将得到不同的GMDH网络，这样易得到局部最优模型，但是有时得到的模型泛化能力较差。
发明内容
为了实现停车场精准化停车需求实时预测，本发明提供一种基于改进GMDH算法的封闭式停车场停车需求预测方法，克服现有技术的不足，提高预测精确度、减少对历史数据的依赖、降低数据成本，并且通过改进从而强化模型的泛化能力，能够实时预测封闭式停车场进场车流量，得到实时的停车场停车需求，解决了由于停车设施供应与停车需求两者的不平衡，导致停车矛盾日益激烈，从而引起交通系统运行效率下降，道路通行能力降低等问题，方便后期基于用户均衡理论，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。
为解决上述技术问题，本发明采用以下技术方案：
一种基于改进GMDH算法的封闭式停车场停车需求预测模型方法,包括如下步骤：
（1）GMDH算法封闭式停车场进场车流量训练：
①停车场数据的收集和分类，对指定封闭式停车场进行一个月的封闭式停车场进场车流量调查，每15分钟记录一次车流量，计算得到该停车场场内实时车辆数，包括具体日期、具体时间段以及是否为工作日的数据信息；在收集到大量可靠的该封闭式停车场车流量数据作为样本数据后，将整个样本数据随机等分成三个子集：训练集、测试集和预测集；训练集的数据用于对建模过程中生成的各中间模型的参数估计，测试集的样本数据用于结合外准则对生成的中间待选模型进行筛选；
②读取封闭式停车场进场车流量历史数据，包括具体日期、具体时间段、是否为工作日和该时间段停车场进场车流量，根据读取的数据确定神经网络的输入神经元个数、输出神经元个数、中间层神经元个数以及神经元层数，并将相应的信息数据保存以备在初始化神经网络中使用；
③简单初始模型生成，初始化GMDH神经网络，生成初始模型，以输入变量和输出变量的一般关系作为传递函数，初始模型由参考函数生成，而参考函数一般用式（1）的Kolmogorov-Gabor( K-G) 多项式：
根据数据的采集频率和数据所采集的总天数,设定神经网络的结构,神经网络的维度与数据量的大小成正比,确保神经网络预测的准确性；
④进行GMDH网络的训练，使用梯度下降法对神经网络的权值和偏置进行调整,通过多次遍历神经网络的每一层实现神经网络的训练；
⑤改进GMDH算法，差异性GMDH个体构造：采用的样本划分方法为，以个体训练样本在上一轮训练得到的GMDH 网络输出结果的误差平方e为标准:
其中:
x 为样本值
Y(x) 为对应于样本 x 的 GMDH 个体的输出
T(x) 为对应于样本 x 的实际输出；
GMDH 个体输出误差较大的一部分样本直接参与下一GMDH个体的构造，输出误差较小的样本则作为构造下一个GMDH个体的外部信息参与选择；这样GMDH方法将沿不同的方向构造模型使得到的模型能够更好地拟合不同的训练样本，从而增大GMDH个体之间的差异性。
⑥改进GMDH算法，GMDH个体的选择性集成：即在假定已生成多个学习器的基础上，基于某种选择策略只从中选择一部分用于构建最终的集成，它能够直接抛弃精度较差的学习器个体，计算过程中降低程序对存储空间的需求，加快预测速度；利用遗传算法来确定所需剔除的学习器，具体是：为每个学习器分配一个权重，而且该权重能够度量其对应的学习器在组成集成时的重要性，根据该权重来确定对应的学习器是否保留，权重小于某个预设阈值λ的学习器将被剔除；
⑦保存最优的训练结果：在神经网络训练结束后,得到最优复杂度模型，将神经网络的结构、权值和偏置进行保存,用于步骤（2）的封闭式停车场进场车流量实时预测；
（2）GMDH神经网络车流量实时预测：
①读取停车场进场车流量历史数据，包括具体日期、具体时间段、是否为工作日和该时间段停车场进场车流量；
②根据步骤（1）中确定的神经网络的结构来初始化GMDH神经网络
③进行神经网络的预测，使用先前步骤（1）获得的最优复杂度模型对实时的封闭式停车场进场车流量进行预测，从而得到停车场实时停车需求；
④输出结果。
需要进一步说明的是，训练集、测试集和预测集互不相交。
需要进一步说明的是，步骤（1）GMDH算法封闭式停车场进场车流量训练中②读取封闭式停车场进场车流量历史数据还包括读取训练数据的持续天数D、读取训练数据的采样周期T和读取每天采集的数据量N，用于衡量数据的维度，读入神经网络的规模，将相应的神经网络信息保存起来，用于步骤（1）③初始模型生成。
需要进一步说明的是，步骤（1）GMDH算法封闭式停车场进场车流量训练中③初始模型生成，还包括根据步骤（1）②中保存的数据信息建立网络结构，初始化神经网络的权值W，偏置B，初始化层数Pf=1，学习次数Ps=1。
需要进一步说明的是，采用步骤（1）GMDH算法封闭式停车场进场车流量训练中⑤和⑥的差异性个体构造和GMDH个体的选择性集成来改进GMDH算法，强化模型泛化能力；改进GMDH算法的具体步骤为：在上一轮训练得到的GMDH 网络输出结果的误差平方e为标准，GMDH个体输出误差较大的一部分样本直接参与下一GMDH个体的构造，输出误差较小的样本则作为构造下一个GMDH个体的外部信息参与选择，e(x)的表达式如下：
其中:x为样本值；Y(x)为对应于样本x的GMDH个体的输出；T(x)为对应于样本x的实际输出。
在假定已生成多个学习器的基础上，为每个学习器分配一个权重，且该权重能够度量其对应的学习器在组成集成时的重要性，根据该权重来确定对应的学习器是否保留，权重小于某个预设阈值λ的学习器将被剔除。
需要进一步说明的是，步骤（1）GMDH算法封闭式停车场进场车流量训练中⑦具体步骤包括：判断运行是否到达最后一层,若不到，则训练的层数加,回到步骤（1）④,若到达则判断数据是否达到训练次数,若不到则训练次数加,同时层数指针返回1,回到步骤（1）④，若到达则保存最终训练结果。
数据处理组合算法简称GMDH（Group Method of Data Handling），亦称感应学习算法，或自组织算法。一种模拟大脑进行过程的算法，常用于复杂系统分析。这种算法产生于感应器理论，其基础是自组织原则，它在模式识别、数学建模及对随机过程的预测方面有重要的用途.这种基于感应方法的算法模拟了人们大脑中进行的过程，科学家们将这种算法看作是模式识别理论、控制论、信息论、系统科学及其他一些学科的综合，用于环境系统分析、经济系统分析、农业系统分析，及对时间序列的评价等诸多方面。
本发明有如下有益效果：
1、本申请通过数据调查和筛选分集之后使用GMDH算法对封闭式停车场进场车流量训练，在训练过程中针对 GMDH 算法建模泛化能力差的问题，结合集成学习( EnsembleLearning)的思想对 GMDH 算法进行改进，提高GMDH模型泛化能力，并将改进的算法应用到封闭式停车场进场车流量预测模型的构建中，不同于已有的一些停车需求预测的时间序列模型或线性模型（需要大量不间断数据作为基础以及复杂的参数估计），从而快速、有效地对封闭式停车场停车需求进行预测；
2、本申请解决了由于停车设施供应与停车需求两者的不平衡，导致停车矛盾日益激烈，从而引起交通系统运行效率下降，道路通行能力降低等问题；
3、该发明克服了现有技术的不足，提高了预测精确度、减少了对历史数据的依赖、降低了数据成本，能够更加精确的对封闭式停车场进场车流量进行预测从而得到封闭式停车场停车需求，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为本发明的流程图；
图2为本发明改进GMDH算法训练流程图；
图3为本发明GMDH基本处理单元示意图；
图4为本发明差异性GMDH个体构造流程；
图5为本发明改进GMDH算法预测结果示例；
图6为本发明实际停车需求数据与预测数据的相对误差值图。
具体实施方式
下面结合具体案例对本发明做进一步的说明：
如图1-2所示，一种基于改进GMDH算法的封闭式停车场停车需求预测模型方法,包括如下步骤：
（1）GMDH算法封闭式停车场进场车流量训练：
①停车场数据的收集和分类，对指定封闭式停车场进行一个月的封闭式停车场进场车流量调查，每15分钟记录一次车流量，计算得到该停车场场内实时车辆数，包括具体日期、具体时间段以及是否为工作日的数据信息；在收集到大量可靠的该封闭式停车场车流量数据作为样本数据后，将整个样本数据随机等分成三个子集：训练集、测试集和预测集；训练集的数据用于对建模过程中生成的各中间模型的参数估计，测试集的样本数据用于结合外准则对生成的中间待选模型进行筛选；
②读取封闭式停车场进场车流量历史数据，包括具体日期、具体时间段、是否为工作日和该时间段停车场进场车流量，根据读取的数据确定神经网络的输入神经元个数、输出神经元个数、中间层神经元个数以及神经元层数，并将相应的信息数据保存以备在初始化神经网络中使用；
③简单初始模型生成，初始化GMDH神经网络，生成初始模型，以输入变量和输出变量的一般关系作为传递函数，初始模型由参考函数生成，而参考函数一般用式（1）的Kolmogorov-Gabor( K-G) 多项式：
根据数据的采集频率和数据所采集的总天数,设定神经网络的结构,神经网络的维度与数据量的大小成正比,确保神经网络预测的准确性；
④进行GMDH网络的训练，使用梯度下降法对神经网络的权值和偏置进行调整,通过多次遍历神经网络的每一层实现神经网络的训练；
⑤改进GMDH算法，差异性GMDH个体构造：采用的样本划分方法为，以个体训练样本在上一轮训练得到的GMDH 网络输出结果的误差平方e为标准:
其中:
x 为样本值
Y(x) 为对应于样本 x 的 GMDH 个体的输出
T(x) 为对应于样本 x 的实际输出；
GMDH 个体输出误差较大的一部分样本直接参与下一GMDH个体的构造，输出误差较小的样本则作为构造下一个GMDH个体的外部信息参与选择；这样GMDH方法将沿不同的方向构造模型使得到的模型能够更好地拟合不同的训练样本，从而增大GMDH个体之间的差异性。
⑥改进GMDH算法，GMDH个体的选择性集成：即在假定已生成多个学习器的基础上，基于某种选择策略只从中选择一部分用于构建最终的集成，它能够直接抛弃精度较差的学习器个体，计算过程中降低程序对存储空间的需求，加快预测速度；利用遗传算法来确定所需剔除的学习器，具体是：为每个学习器分配一个权重，而且该权重能够度量其对应的学习器在组成集成时的重要性，根据该权重来确定对应的学习器是否保留，权重小于某个预设阈值λ的学习器将被剔除；
⑦保存最优的训练结果：在神经网络训练结束后,得到最优复杂度模型，将神经网络的结构、权值和偏置进行保存,用于步骤（2）的封闭式停车场进场车流量实时预测；
（2）GMDH神经网络车流量实时预测：
①读取停车场进场车流量历史数据，包括具体日期、具体时间段、是否为工作日和该时间段停车场进场车流量；
②根据步骤（1）中确定的神经网络的结构来初始化GMDH神经网络
③进行神经网络的预测，使用先前步骤（1）获得的最优复杂度模型对实时的封闭式停车场进场车流量进行预测，从而得到停车场实时停车需求；
④输出结果。
需要进一步说明的是，训练集、测试集和预测集互不相交。
需要进一步说明的是，步骤（1）GMDH算法封闭式停车场进场车流量训练中②读取封闭式停车场进场车流量历史数据还包括读取训练数据的持续天数D、读取训练数据的采样周期T和读取每天采集的数据量N，用于衡量数据的维度，读入神经网络的规模，将相应的神经网络信息保存起来，用于步骤（1）③初始模型生成。
需要进一步说明的是，步骤（1）GMDH算法封闭式停车场进场车流量训练中③初始模型生成，还包括根据步骤（1）②中保存的数据信息建立网络结构，初始化神经网络的权值W，偏置B，初始化层数Pf=1，学习次数Ps=1。
需要进一步说明的是，采用步骤（1）GMDH算法封闭式停车场进场车流量训练中⑤和⑥的差异性个体构造和GMDH个体的选择性集成来改进GMDH算法，强化模型泛化能力；改进GMDH算法的具体步骤为：在上一轮训练得到的GMDH 网络输出结果的误差平方e为标准，GMDH个体输出误差较大的一部分样本直接参与下一GMDH个体的构造，输出误差较小的样本则作为构造下一个GMDH个体的外部信息参与选择，e(x)的表达式如下：
其中:x为样本值；Y(x)为对应于样本x的GMDH个体的输出；T(x)为对应于样本x的实际输出。
在假定已生成多个学习器的基础上，为每个学习器分配一个权重，且该权重能够度量其对应的学习器在组成集成时的重要性，根据该权重来确定对应的学习器是否保留，权重小于某个预设阈值λ的学习器将被剔除。
需要进一步说明的是，步骤（1）GMDH算法封闭式停车场进场车流量训练中⑦具体步骤包括：判断运行是否到达最后一层,若不到，则训练的层数加,回到步骤（1）④,若到达则判断数据是否达到训练次数,若不到则训练次数加,同时层数指针返回1,回到步骤（1）④，若到达则保存最终训练结果。
1．算法原理说明：GMDH算法的主要思想是模拟仿照生物的“遗传—变异—选择—进化”过程:从一个简单的初始模型集合出发，模型集合中的元素彼此按照某种规定的法则进行组合，生成新的中间候选模型(遗传、变异)，再经过某种策略或方案对中间候选模型进行筛选(选择)，不断重复这种遗传、变异、选择和进化的过程，使生成的中间模型的复杂度不断提高，直至新生成模型的复杂度不再增加得到最优复杂度模型。GMDH算法从对系统有影响的因素样本出发，将样本数据划分为训练集、测试集和预测集，训练集的数据用于对建模过程中生成的各中间模型的参数估计(一般可采用最小二乘法)，测试集的样本数据用于结合外准则(主要有误差平方和准则、最小信息准则、平均相对误差准则)对生成的中间待选模型进行筛选。GMDH算法建模的网络终止法则是由最优复杂度原理给出的。
GMDH建模前一般要选择适当的初始模型集合作为初始层变量。初始模型一般由参考函数生成，而参考函数一般用式（1）的 Kolmogorov-Gabor( K-G) 多项式：
2.GMDH网络构建：图3是GMDH网络基本处理单元示意图，可以看出他是一个双输入单输出的结构，其参考函数可以是多种形式的，例如：
或者
等等
其中：
,
是双输入系统的两个输入，y是系统的输出。
3.改进的GMDH网络构造建模过程：图4是差异性GMDH个体构造流程，初始层变量的确定,GMDH建模过程是自组织完成的，我们只需给定模型输入。初始模型是由输入变量两两组合按照传递函数生成，而传递函数一般用式所示的 Kolmogorov-Gabor( 简称K-G) 多项式：
从初始模型出发，各变量间相互重新组合得到新的第一层中间模型，通过集成学习的思想在GMDH网络建模过程进行改进，以个体训练样本在上一轮训练得到的GMDH 网络输出结果的误差平方e（式2）为标准，GMDH 个体输出误差较大的一部分样本直接参与下一GMDH个体的构造，输出误差较小的样本则作为构造下一个GMDH个体的外部信息参与选择，使得到的模型能够更好地拟合不同的训练样本，从而增大GMDH个体之间的差异性；利用遗传算法来确定所需剔除的学习器，抛弃精度较差的学习器个体，降低计算过程中程序对存储空间的需求，加快预测速度。在神经网络训练结束后,得到最优复杂度模型用于之后的预测。
4.改进GMDH算法预测结果分析：
图5是使用改进GMDH算法进行数据预测的几组数据结果，使用南京市某商场停车场的连续的30天的数据训练GMDH神经网络并加以改进，然后使用训练完成的神经网络以当前时段停车场数据为输入预测下一时间段该商场停车场的停车需求数量情况。
图6为实际停车场停车需求数据与预测数据的比较，总体看来误差小于4.53%，预测精确度高，有很强的实用价值。
以上所述案例实施方式只是用于帮助理解本发明，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于改进GMDH算法的封闭式停车场停车需求预测模型方法,其特征在于,包括如下步骤：
（1）GMDH算法封闭式停车场进场车流量训练：
①停车场数据的收集和分类，对指定封闭式停车场进行一个月的封闭式停车场进场车流量调查，每15分钟记录一次车流量，计算得到该停车场场内实时车辆数，包括具体日期、具体时间段以及是否为工作日的数据信息；在收集到大量可靠的该封闭式停车场车流量数据作为样本数据后，将整个样本数据随机等分成三个子集：训练集、测试集和预测集；训练集的数据用于对建模过程中生成的各中间模型的参数估计，测试集的样本数据用于结合外准则对生成的中间待选模型进行筛选；
②读取封闭式停车场进场车流量历史数据，包括具体日期、具体时间段、是否为工作日和该时间段停车场进场车流量，根据读取的数据确定神经网络的输入神经元个数、输出神经元个数、中间层神经元个数以及神经元层数，并将相应的信息数据保存以备在初始化神经网络中使用；
③简单初始模型生成，初始化GMDH神经网络，生成初始模型，以输入变量和输出变量的一般关系作为传递函数，初始模型由参考函数生成，而参考函数一般用式（1）的Kolmogorov-Gabor( K-G) 多项式：
根据数据的采集频率和数据所采集的总天数,设定神经网络的结构,神经网络的维度与数据量的大小成正比,确保神经网络预测的准确性；
④进行GMDH网络的训练，使用梯度下降法对神经网络的权值和偏置进行调整,通过多次遍历神经网络的每一层实现神经网络的训练；
⑤改进GMDH算法，差异性GMDH个体构造：采用的样本划分方法为，以个体训练样本在上一轮训练得到的GMDH 网络输出结果的误差平方e为标准:
其中:
x 为样本值
Y(x) 为对应于样本 x 的 GMDH 个体的输出
T(x) 为对应于样本 x 的实际输出；
GMDH 个体输出误差较大的一部分样本直接参与下一GMDH个体的构造，输出误差较小的样本则作为构造下一个GMDH个体的外部信息参与选择；这样GMDH方法将沿不同的方向构造模型使得到的模型能够更好地拟合不同的训练样本，从而增大GMDH个体之间的差异性。
2.⑥改进GMDH算法，GMDH个体的选择性集成：即在假定已生成多个学习器的基础上，基于某种选择策略只从中选择一部分用于构建最终的集成，它能够直接抛弃精度较差的学习器个体，计算过程中降低程序对存储空间的需求，加快预测速度；利用遗传算法来确定所需剔除的学习器，具体是：为每个学习器分配一个权重，而且该权重能够度量其对应的学习器在组成集成时的重要性，根据该权重来确定对应的学习器是否保留，权重小于某个预设阈值λ的学习器将被剔除；
⑦保存最优的训练结果：在神经网络训练结束后,得到最优复杂度模型，将神经网络的结构、权值和偏置进行保存,用于步骤（2）的封闭式停车场进场车流量实时预测；
（2）GMDH神经网络车流量实时预测：
①读取停车场进场车流量历史数据，包括具体日期、具体时间段、是否为工作日和该时间段停车场进场车流量；
②根据步骤（1）中确定的神经网络的结构来初始化GMDH神经网络
③进行神经网络的预测，使用先前步骤（1）获得的最优复杂度模型对实时的封闭式停车场进场车流量进行预测，从而得到停车场实时停车需求；
④输出结果。
3.根据权利要求1所述的基于改进GMDH算法的封闭式停车场停车需求预测模型方法，其特征在于，训练集、测试集和预测集互不相交。
4.根据权利要求1所述的基于改进GMDH算法的封闭式停车场停车需求预测模型方法，其特征在于，步骤（1）GMDH算法封闭式停车场进场车流量训练中②读取封闭式停车场进场车流量历史数据还包括读取训练数据的持续天数D、读取训练数据的采样周期T和读取每天采集的数据量N，用于衡量数据的维度，读入神经网络的规模，将相应的神经网络信息保存起来，用于步骤（1）③初始模型生成。
5.根据权利要求1所述的基于改进GMDH算法的封闭式停车场停车需求预测模型方法，其特征在于，步骤（1）GMDH算法封闭式停车场进场车流量训练中③初始模型生成，还包括根据步骤（1）②中保存的数据信息建立网络结构，初始化神经网络的权值W，偏置B，初始化层数Pf=1，学习次数Ps=1。
6.根据权利要求1所述的一种基于改进GMDH算法的封闭式停车场停车需求预测模型方法，其特征在于，采用步骤（1）GMDH算法封闭式停车场进场车流量训练中⑤和⑥的差异性个体构造和GMDH个体的选择性集成来改进GMDH算法，强化模型泛化能力；改进GMDH算法的具体步骤为：在上一轮训练得到的GMDH 网络输出结果的误差平方e为标准，GMDH个体输出误差较大的一部分样本直接参与下一GMDH个体的构造，输出误差较小的样本则作为构造下一个GMDH个体的外部信息参与选择，e(x)的表达式如下：
其中:x为样本值；Y(x)为对应于样本x的GMDH个体的输出；T(x)为对应于样本x的实际输出。
7.在假定已生成多个学习器的基础上，为每个学习器分配一个权重，且该权重能够度量其对应的学习器在组成集成时的重要性，根据该权重来确定对应的学习器是否保留，权重小于某个预设阈值λ的学习器将被剔除。
8.根据权利要求1所述的一种基于改进GMDH算法的封闭式停车场停车需求预测模型方法，其特征在于，步骤（1）GMDH算法封闭式停车场进场车流量训练中⑦具体步骤包括：判断运行是否到达最后一层,若不到，则训练的层数加,回到步骤（1）④,若到达则判断数据是否达到训练次数,若不到则训练次数加,同时层数指针返回1,回到步骤（1）④，若到达则保存最终训练结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011140333.6A CN112419711B8 (zh) | 2020-10-22 | 2020-10-22 | 基于改进gmdh算法的封闭式停车场停车需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011140333.6A CN112419711B8 (zh) | 2020-10-22 | 2020-10-22 | 基于改进gmdh算法的封闭式停车场停车需求预测方法 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| CN112419711A true CN112419711A (zh) | 2021-02-26 |
| CN112419711B CN112419711B (zh) | 2022-05-17 |
| CN112419711B8 CN112419711B8 (zh) | 2022-06-14 |
Family
ID=74841637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011140333.6A Active CN112419711B8 (zh) | 2020-10-22 | 2020-10-22 | 基于改进gmdh算法的封闭式停车场停车需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112419711B8 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113496625A (zh) * | 2021-08-11 | 2021-10-12 | 合肥工业大学 | 一种基于改进bp神经网络的私人停车位共享方法 |
| CN113851016A (zh) * | 2021-10-29 | 2021-12-28 | 中国联合网络通信集团有限公司 | 泊车管理方法、装置、电子设备及存储介质 |
| CN116167536A (zh) * | 2022-12-07 | 2023-05-26 | 江苏巨楷科技发展有限公司 | 一种基于时间段学习优化的智慧停车管理方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020122592A1 (en) * | 2001-03-02 | 2002-09-05 | Takahiro Ishikawa | Adaptive image processing unit for extracting characteristic portion from image |
| CN107945534A (zh) * | 2017-12-13 | 2018-04-20 | 浙江大学城市学院 | 一种基于gmdh神经网络的交通车流量预测方法 |
| US20180151063A1 (en) * | 2016-11-30 | 2018-05-31 | University Of Macau | Real-time detection system for parked vehicles |
| CN108229592A (zh) * | 2018-03-27 | 2018-06-29 | 四川大学 | 基于gmdh神经元网络的离群点检测方法及装置 |
| 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 |
| CN110555230A (zh) * | 2019-07-12 | 2019-12-10 | 北京交通大学 | 基于集成gmdh框架的旋转机械剩余寿命预测方法 |
| 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 |
| CN111164661A (zh) * | 2017-10-03 | 2020-05-15 | 国际商业机器公司 | 使用感测设备监控车辆操作风险 |
| US20200167839A1 (en) * | 2018-11-23 | 2020-05-28 | International Business Machines Corporation | Intelligent dynamic parking for autonomous vehicles |
-
2020
- 2020-10-22 CN CN202011140333.6A patent/CN112419711B8/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020122592A1 (en) * | 2001-03-02 | 2002-09-05 | Takahiro Ishikawa | Adaptive image processing unit for extracting characteristic portion from image |
| US20180151063A1 (en) * | 2016-11-30 | 2018-05-31 | University Of Macau | Real-time detection system for parked vehicles |
| CN111164661A (zh) * | 2017-10-03 | 2020-05-15 | 国际商业机器公司 | 使用感测设备监控车辆操作风险 |
| CN107945534A (zh) * | 2017-12-13 | 2018-04-20 | 浙江大学城市学院 | 一种基于gmdh神经网络的交通车流量预测方法 |
| CN108229592A (zh) * | 2018-03-27 | 2018-06-29 | 四川大学 | 基于gmdh神经元网络的离群点检测方法及装置 |
| US20200167839A1 (en) * | 2018-11-23 | 2020-05-28 | International Business Machines Corporation | Intelligent dynamic parking for autonomous vehicles |
| CN110555230A (zh) * | 2019-07-12 | 2019-12-10 | 北京交通大学 | 基于集成gmdh框架的旋转机械剩余寿命预测方法 |
| 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 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 王明月: "基于改进GMDH算法的路口短时交通流量预测", 《计算机应用》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113496625A (zh) * | 2021-08-11 | 2021-10-12 | 合肥工业大学 | 一种基于改进bp神经网络的私人停车位共享方法 |
| CN113851016A (zh) * | 2021-10-29 | 2021-12-28 | 中国联合网络通信集团有限公司 | 泊车管理方法、装置、电子设备及存储介质 |
| CN116167536A (zh) * | 2022-12-07 | 2023-05-26 | 江苏巨楷科技发展有限公司 | 一种基于时间段学习优化的智慧停车管理方法 |
| CN116167536B (zh) * | 2022-12-07 | 2023-08-04 | 江苏巨楷科技发展有限公司 | 一种基于时间段学习优化的智慧停车管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112419711B8 (zh) | 2022-06-14 |
| CN112419711B (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112419711B (zh) | 基于改进gmdh算法的封闭式停车场停车需求预测方法 | |
| CN114944053A (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
| CN106372402A (zh) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 | |
| CN110310474A (zh) | 一种基于时空残差网络的车流量预测方法及装置 | |
| Ou et al. | Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms | |
| CN116681176B (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
| CN112365708B (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
| CN102074124A (zh) | 一种基于svm及h∞滤波的动态公交到站时间预测方法 | |
| CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
| CN106981204B (zh) | 一种信息处理方法及装置 | |
| CN111785018A (zh) | 一种基于门控循环单元的收费站下道流量预测方法 | |
| CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
| CN104199870A (zh) | 基于混沌搜索的ls-svm预测模型的建立方法 | |
| CN113393488A (zh) | 一种基于量子游走的行为轨迹序列多特征模拟方法 | |
| CN115204477A (zh) | 一种上下文感知图递归网络的自行车流量预测方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| 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 | |
| CN113158084B (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| CN117993786A (zh) | 一种基于时空图卷积网络的空气质量评估方法 | |
| CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
| CN116680586A (zh) | 一种基于访问概率的城市居民活动空间访问模式分析方法 | |
| CN116486611A (zh) | 一种城市道路车辆速度预测方法 | |
| CN112115754A (zh) | 基于烟花差分进化混合算法-极限学习机的短时交通流预测模型 | |
| Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220517 Address after: 541004 1 Jinji Road, Qixing District, Guilin, the Guangxi Zhuang Autonomous Region Patentee after: GUILIN University OF ELECTRONIC TECHNOLOGY Patentee after: Guangxi Hualan Engineering Management Co.,Ltd. Patentee after: HUALAN DESIGN (GROUP) CO.,LTD. Address before: 541004 No. 1, Jinji Road, Qixing District, Guilin, Guangxi Zhuang Autonomous Region Patentee before: GUILIN University OF ELECTRONIC TECHNOLOGY Patentee before: HUALAN DESIGN (GROUP) CO.,LTD. |
|
| TR01 | Transfer of patent right | ||
| CI03 | Correction of invention patent |
Correction item: Patentee|Address|Patentee Correct: Guilin University of Electronic Technology|541004 1 Jinji Road, Qixing District, Guilin, the Guangxi Zhuang Autonomous Region|Guangxi Hualan Engineering Management Co., Ltd|Hualan design (Group) Co.,Ltd. False: Guilin University of Electronic Technology|541004 1 Jinji Road, Qixing District, Guilin, the Guangxi Zhuang Autonomous Region|Hualan design (Group) Co.,Ltd. Number: 20-01 Page: The title page Volume: 38 Correction item: Patentee|Address|Patentee Correct: Guilin University of Electronic Technology|541004 1 Jinji Road, Qixing District, Guilin, the Guangxi Zhuang Autonomous Region|Guangxi Hualan Engineering Management Co., Ltd|Hualan design (Group) Co.,Ltd. False: Guilin University of Electronic Technology|541004 1 Jinji Road, Qixing District, Guilin, the Guangxi Zhuang Autonomous Region|Hualan design (Group) Co.,Ltd. Number: 20-01 Volume: 38 |
|
| CI03 | Correction of invention patent |