CN112926264A - 可用泊位数的集成预测方法 - Google Patents

可用泊位数的集成预测方法 Download PDF

Info

Publication number
CN112926264A
CN112926264A CN202110200428.0A CN202110200428A CN112926264A CN 112926264 A CN112926264 A CN 112926264A CN 202110200428 A CN202110200428 A CN 202110200428A CN 112926264 A CN112926264 A CN 112926264A
Authority
CN
China
Prior art keywords
prediction
model
arima
lstm
combined
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
Application number
CN202110200428.0A
Other languages
English (en)
Inventor
张栋
丛龙泽
刘聪
徐洪峰
王仲
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.)
Dalian University of Technology
Original Assignee
Dalian University of 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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202110200428.0A priority Critical patent/CN112926264A/zh
Publication of CN112926264A publication Critical patent/CN112926264A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于交通领域中的停车场管理系统，提供一种可用泊位数的集成预测方法。由于影响停车场可用泊位数因素的复杂性，时间序列数据在利用含参数的模型分析时，模型构建通常存在参数偏移或者参数错误的问题，导致单一模型无法完全利用全部信息，对数据的分析会存在一定误差，模型构建的误差也常存在一定的规律，通过组合预测可以将有偏的多个单预测模型构建为无偏的组合预测。LSTM预测时间序列时，偏向于保守预测，即预测结果偏低，而ARIMA在预测时间序列时，偏向于激进型预测，即预测结果偏高。本发明采用组合预测，结合LSTM与ARIMA这两种方法来提高预测精度，从而克服单一模型的不足。

Description

可用泊位数的集成预测方法
技术领域
本发明属于交通领域中的停车场管理系统，涉及一种对停车场可用泊位数的集成预测方法，具体是针对在驾驶员到达时区域内各停车场的可用泊位数预测的时间序列建模问题。
背景技术
随着人们生活水平的提升，城市机动车保有量激增，作为静态交通的重要组成部分，机动车停泊在城市交通系统中具有举足轻重的地位。当前土地和道路资源相对有限，导致停车供需矛盾日益突出。驾驶员无法获得准确的泊位信息，导致部分停车场泊位紧缺，而部分停车场泊位存在较多空余，浪费社会资源的同时也不利于停车场运营方收益的改善。在此背景下，如何通过合理的诱导信息调节停车需求与供给的时空平衡关系，实现公共利益和企业收益的共赢，亟待研究人员的探索。
目前，预测停车场可用泊位数的方法主要分为以下几种：
1)以ARIMA为代表的传统时间预测模型
传统时间序列预测模型主要通过将时间序列数据分解，确定模型的参数，进而实现预测，但是该类方法在实际预测中容易受模型参数的影响。
2)神经网络预测模型
神经网络预测方法预测的准确性较高，因而采用该类方法对停车场可用泊位数的预测受到广泛关注。该方法通过对大量数据进行迭代训练，再拟合数据特征，实现预测。比如，利用卷积神经网络进行交通流量数据特征提取，将提取到的特征向量输入到支持向量回归模型实现流量回归预测。或者，基于机器学习技术，让每条道路和停车场都由一个矢量表示，该矢量可以捕获停车场和交通之间的时空相关性，从而产生高性能的预测系统。其中，小波分析的预测性能在效率和鲁棒性表现较好，预测较准确，但是仍然有待提高。近几年，深度神经网络在与停车相关的交通预测领域中应用也比较广泛。
发明内容
本发明针对传统时间序列预测模型带来的预测准确度不高等问题，提出了一种组合预测方法，获得了更好的预测精确度。由于影响停车场可用泊位数因素的复杂性，时间序列数据在利用含参数的模型分析时，模型构建通常存在参数偏移或者参数错误的问题，导致单一模型无法完全利用全部信息，对数据的分析会存在一定误差，模型构建的误差也常存在一定的规律，通过组合预测可以将有偏的多个单预测模型构建为无偏的组合预测。LSTM预测时间序列时，偏向于保守预测，即预测结果偏低，而ARIMA在预测时间序列时，偏向于激进型预测，即预测结果偏高。本发明采用组合预测，结合LSTM与ARIMA这两种方法来提高预测精度，从而克服单一模型的不足。
本发明的技术方案：
一种可用泊位数的集成预测方法，步骤如下：
1)LSTM模型
长短期记忆网络(Long Short-Term Memory，LSTM)是递归神经网络(RecurrentNeural Network，RNN)架构的众多变体之一。RNN是一种深度神经网络架构，具有较深的结构。它已被广泛用于时间序列建模。传统神经网络的假设是输入向量的所有单位彼此独立。而RNN模型添加了一个隐藏状态，该状态是由时间序列的顺序信息生成的，其输出取决于该隐藏状态。RNN可以描述时间序列的特点，但由于梯度问题的消失，长期依赖的问题无法解决。LSTM是通过使用记忆单元来消除梯度消失的有效解决方案。记忆单元由四个单元组成：输入门，输出门，忘记门和自循环神经元。输入信号可以改变记忆单元的状态由输入门控制。输出门可以控制记忆单元的状态是否可以改变其他记忆单元的状态。忘记门可以选择记住或忘记其先前状态。
2)ARIMA模型
ARIMA模型由一系列活动组成，用于识别，估计和诊断带有时间序列数据。ARIMA模型显示出短期预测的有效能力。在短期预测中，它总是优于复杂的结构模型。ARIMA模型是一个组合模型，构成如下式：
ARIMA(p,d,q)＝AR(p)+Difference(d)+MA(q)
其中，AR是自回归模型，p是自回归项；Difference是差分模型，d是差分阶数；MA是移动平均模型，q是移动平均数。
在ARIMA模型中，变量的未来值是过去值和过去误差的线性组合，表示如下：
Figure BDA0002948464140000021
其中，Yt是实际值，εt是在t处的随机误差，
Figure BDA0002948464140000022
和θj是系数，p与q是整数，指自回归与移动平均数。
3)LSTM与ARIMA组合模型
将LSTM与ARIMA的预测结果进行权重分配，进行组合来提高预测的准确度。组合预测模型，数学表达为：
gt＝ω*gLSTM+(1-ω)*gARIMA
其中，gt是组合预测值，gLSTM为LSTM预测值，gARIMA为ARIMA预测值，ω为权重。权重ω的计算公式为
Figure BDA0002948464140000031
其中，j为组合预测模型中单个模型编号，Dj是第j个模型的误差平方和。均方误差倒数法是根据单个模型的均方误差来划分权重，单个预测模型的均方误差越大，其组合预测模型的权重越小。
本发明的有益效果：通过集成预测获得指定停车场指定时间范围的可用泊位数信息并发布给驾驶员，引导其高效地找到最合适的停车地点。本发明不仅可以提高停车场服务能力的使用效率，而且能够通过减少车辆巡游时间来改善城市交通状况，并减轻城市交通污染。
附图说明
图1是循环神经网络与展开结构。st是在t时刻的隐藏状态。st根据输入向量与之前的隐藏状态求得，计算公式为：st＝f(Uxt+Wst-1)，其中f是激活函数，初始隐藏状态s0计算s1时，将初始化为0。ot是在t时刻的输出，计算公式为：ot＝f(Vst)，U与V分别是隐藏层和输出层的权重，W是隐藏状态的过度权重。xt和ot分别是时间t时的输入向量和输出结果。
图2显示了LSTM模型如何更新每个门的值。图中的数学符号如下：
xt是在t时刻的输入向量，Wi,Wf,Wc,Wo,Ui,Uf,Uc,Uo,Vo是权重矩阵，bi,bf，bc,bo是偏差向量，ht是记忆细胞在t时刻的值，it与Ct是在时间t处的输入门的值和记忆单元的候选状态的值，计算公式为：it＝σ(Wixt+Uiht-1+bi)，Ct＝tanh(Wcxt+Ucht-1+bc)，ft与Ct是在时间t处忘记门的值以及在记忆单元的值，计算公式为：ft＝σ(Wfxt+Ufht-1+bf)，Ct＝it*Ct+ft*Ct-1。ot与ht是在时间t处输出门的值与记忆单元的值，计算公式为：ot＝σ(Woxt+Uoht-1+VoCt+bo)，ht＝ot*tanh(Ct)。
图3显示了目标停车场可用泊位数的时间序列图。这三个停车场的可用泊位数都具有较强的周期性，数据规律性比较明显。
图4显示了医大一院停车场在5min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。
图5显示了医大一院停车场在10min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。
图6显示了医大一院停车场在15min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。
图7显示了医大一院停车场在30min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。
图8显示了恒隆广场停车场在5min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。
图9显示了恒隆广场停车场在10min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。
图10显示了恒隆广场停车场在15min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。
图11显示了恒隆广场停车场在30min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。
图12显示了星海商城停车场在5min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。
图13显示了星海商城停车场在10min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。
图14显示了星海商城停车场在15min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。
图15显示了星海商城停车场在30min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面对本发明的具体实施方式作进一步的详细描述。
实施例
步骤1)选择目标停车场。本发明现以大连市西岗区医大一院停车场，恒隆广场停车场，星海医院停车场为例进行说明。表1和表2分别是停车场的基本信息和距离关系。
表1：停车场基本信息
序号 停车场名称 (经度，纬度) 停车场类型 总泊位数
1 恒隆广场停车场 (121.617,38.912) 商业停车场 104
2 星海商城停车场 (121.617,38.915) 商业停车场 241
3 一大医院停车场 (121.619,38.916) 医院停车场 361
表2：停车场间的距离关系
Figure BDA0002948464140000041
Figure BDA0002948464140000051
步骤2)针对这目标停车场的可用泊位数进行描述性统计分析。如表3所示。通过数据的分析，选出停车需求较高的时间段，预测该时间段可用泊位数并判断预测精度。
表3：停车场可用泊位数描述性统计分析
停车场 数据量 均值 中位数 最大值 最小值 标准差
恒隆广场停车场 1728 76.62 86 100 0 23.12
医大一院停车场 1728 142.12 162 232 0 79.37
星海商城停车场 1728 151.08 176 279 0 81.93
步骤3)将可用泊位数据的85％作为训练数据，15％作为测试数据进行预测。判断预测精度。以RMSE(Root Mean Square Error)衡量观测值和真值之间的偏差。
Figure BDA0002948464140000052
3.1)LSTM预测模型分为三层：输入层，隐藏层，输出层。模型的输入层为前t时刻的可用泊位数时间序列数据，隐藏层为LSTM记忆细胞组成，输出层为时刻停车场的可用泊位数。按照不同时间步长：5min，10min，15min，30min，对停车场的可用泊位数进行预测，模型训练过程的参数如表4所示。模型训练集与测试集预测精度指标如表5所示。
表4：LSTM模型训练过程参数设置
Figure BDA0002948464140000053
表5：模型预测精度结果
Figure BDA0002948464140000061
3.2)运用前85％停车场时间序列历史数据作为训练集，得到ARIMA模型的参数。模型选择以及预测精度如表6所示。
表6：ARIMA模型设置以及预测精度
Figure BDA0002948464140000062
3.3)计算出组合预测模型的权重ω后，得到组合预测的结果。
表7：组合预测模型权重与预测精度
Figure BDA0002948464140000063
Figure BDA0002948464140000071
实施结果
当预测时长为5min，10min，15min时，单模型的总体预测能力更优，但是当预测时长为30min时，L-A组合预测型预测能力明显比单模型好，如表8所示。无论是测试集的预测误差还是高峰期的预测误差，组合预测模型L-A的误差都是最小的，即L-A对三个停车场可用泊位预测的预测能力明显大于其他的单个模型。通过计算，L-A组合预测模型在总测试集对三个停车场可用泊位数的预测能力比单个最优预测模型预测能力分别提高：27.84％，19.59％，11.28％，而L-A组合预测模型在高峰时对三个停车场可用泊位数的预测能力比单个最优预测模型预测能力分别提高：25.89％，20.38％，11.90％。说明预测步长的增加导致误差增加，而L-A组合预测可以有效降低误差。
表8：30min步长下模型预测精度比较
Figure BDA0002948464140000072

Claims (1)

1.一种可用泊位数的集成预测方法，其特征在于，步骤如下：
1)LSTM模型
LSTM使用记忆单元来消除梯度消失，记忆单元由四个单元组成：输入门、输出门、忘记门和自循环神经元；输入信号改变记忆单元的状态由输入门控制；输出门控制记忆单元的状态是否可改变其他记忆单元的状态；忘记门选择记住或忘记其先前状态；
2)ARIMA模型
ARIMA模型由一系列活动组成，用于识别、估计和诊断带有时间序列数据；ARIMA模型显示出短期预测的有效能力；ARIMA模型是一个组合模型，构成如下式：
ARIMA(p，d，q)＝AR(p)+Difference(d)+MA(q)
其中，AR是自回归模型，p是自回归项；Difference是差分模型，d是差分阶数；MA是移动平均模型，q是移动平均数；
在ARIMA模型中，变量的未来值是过去值和过去误差的线性组合，表示如下：
Figure FDA0002948464130000011
其中，Yt是实际值，εt是在t处的随机误差，
Figure FDA0002948464130000012
和θj是系数，p与q是整数，指自回归与移动平均数；
3)LSTM与ARIMA组合模型
将LSTM与ARIMA的预测结果进行权重分配，进行组合来提高预测的准确度；组合预测模型，数学表达为：
gt＝ω*gLSTM+(1-ω)*gARIMA
其中，gt是组合预测值，gLSTM为LSTM预测值，gARIMA为ARIMA预测值，ω为权重；权重ω的计算公式为：
Figure FDA0002948464130000013
其中，j为组合预测模型中单个模型编号，Dj是第j个模型的误差平方和；均方误差倒数法是根据单个模型的均方误差来划分权重，单个预测模型的均方误差越大，其组合预测模型的权重越小。
CN202110200428.0A 2021-02-23 2021-02-23 可用泊位数的集成预测方法 Pending CN112926264A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110200428.0A CN112926264A (zh) 2021-02-23 2021-02-23 可用泊位数的集成预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110200428.0A CN112926264A (zh) 2021-02-23 2021-02-23 可用泊位数的集成预测方法

Publications (1)

Publication Number Publication Date
CN112926264A true CN112926264A (zh) 2021-06-08

Family

ID=76170375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110200428.0A Pending CN112926264A (zh) 2021-02-23 2021-02-23 可用泊位数的集成预测方法

Country Status (1)

Country Link
CN (1) CN112926264A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780356A (zh) * 2021-08-12 2021-12-10 北京金水永利科技有限公司 基于集成学习模型的水质预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050096758A1 (en) * 2003-10-31 2005-05-05 Incorporated Administrative Agncy Ntl Agricultural And Bio-Oriented Research Organization Prediction apparatus, prediction method, and computer product
CN109215380A (zh) * 2018-10-17 2019-01-15 浙江科技学院 一种有效停车泊位的预测方法
WO2020035383A1 (en) * 2018-08-13 2020-02-20 Continental Automotive Gmbh Method and system of recommending a place to park
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
CN112819136A (zh) * 2021-01-20 2021-05-18 南京邮电大学 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050096758A1 (en) * 2003-10-31 2005-05-05 Incorporated Administrative Agncy Ntl Agricultural And Bio-Oriented Research Organization Prediction apparatus, prediction method, and computer product
WO2020035383A1 (en) * 2018-08-13 2020-02-20 Continental Automotive Gmbh Method and system of recommending a place to park
CN109215380A (zh) * 2018-10-17 2019-01-15 浙江科技学院 一种有效停车泊位的预测方法
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
CN112819136A (zh) * 2021-01-20 2021-05-18 南京邮电大学 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张楠编著: "《深度学习自然语言处理实战》", 31 August 2020, 机械工业出版社, pages: 76 *
王英伟, 马树才: "基于ARIMA和LSTM混合模型的时间序列预测", 计算机应用与软件, vol. 38, no. 2, 12 February 2021 (2021-02-12), pages 291 *
程肖冰，夏明萍，王育平著: "《物流系统规划及预测系统研究》", 31 August 2015, 中国财富出版社, pages: 99 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780356A (zh) * 2021-08-12 2021-12-10 北京金水永利科技有限公司 基于集成学习模型的水质预测方法及系统
CN113780356B (zh) * 2021-08-12 2023-08-08 北京金水永利科技有限公司 基于集成学习模型的水质预测方法及系统

Similar Documents

Publication Publication Date Title
Hu et al. Federated region-learning: An edge computing based framework for urban environment sensing
CN114220271A (zh) 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
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
CN110895878B (zh) 一种基于ge-gan的交通状态虚拟检测器的生成方法
CN112085163A (zh) 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法
CN115564114B (zh) 一种基于图神经网络的空域碳排放短期预测方法及系统
CN113362598A (zh) 一种高速公路服务区车流量预测方法
CN113516304B (zh) 基于时空图网络的区域污染物时空联合预测方法及装置
CN113033110B (zh) 一种基于交通流模型的重点区域人员应急疏散系统及方法
Zhi-Peng et al. An improved adaptive exponential smoothing model for short-term travel time forecasting of urban arterial street
CN112598165A (zh) 基于私家车数据的城市功能区转移流量预测方法及装置
CN114565187A (zh) 一种基于图时空自编码网络的交通路网数据预测方法
Dai et al. Attention based simplified deep residual network for citywide crowd flows prediction
CN114418606B (zh) 基于时空卷积网络的网约车订单需求预测方法
CN111160521A (zh) 基于深度神经网络图编码器的城市人类流动模式检测方法
CN112926264A (zh) 可用泊位数的集成预测方法
CN115034429A (zh) 基于深度图神经网络的城市出租车接客点推荐方法
CN112613630B (zh) 一种融合多尺度时空统计信息的短时交通需求预测方法
CN113762615A (zh) 洪水预测方法、装置、计算机设备和存储介质
CN117436653A (zh) 一种网约车出行需求的预测模型构建方法和预测方法
CN116665448A (zh) 一种基于图卷积网络的交通速度实时预测方法及系统
CN117131991A (zh) 基于混合神经网络的城市降雨量预测方法及平台
CN112052405A (zh) 一种基于司机经验的寻客区域推荐方法
CN115762147B (zh) 一种基于自适应图注意神经网络的交通流量预测方法

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