CN113344168B - 短期泊位预测方法及系统 - Google Patents

短期泊位预测方法及系统 Download PDF

Info

Publication number
CN113344168B
CN113344168B CN202110500097.2A CN202110500097A CN113344168B CN 113344168 B CN113344168 B CN 113344168B CN 202110500097 A CN202110500097 A CN 202110500097A CN 113344168 B CN113344168 B CN 113344168B
Authority
CN
China
Prior art keywords
berth
prediction
wolf
wolves
short
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
CN202110500097.2A
Other languages
English (en)
Other versions
CN113344168A (zh
Inventor
张青春
郭振久
何孝慈
姚胜
周玲
吴峥
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.)
Hefei Jiuzhou Longteng Scientific And Technological Achievement Transformation Co ltd
Original Assignee
Huaiyin Institute 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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202110500097.2A priority Critical patent/CN113344168B/zh
Publication of CN113344168A publication Critical patent/CN113344168A/zh
Application granted granted Critical
Publication of CN113344168B publication Critical patent/CN113344168B/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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q50/10—Services
    • 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
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
    • G08G1/148—Management of a network of parking areas
    • 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

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

Abstract

本发明公开了一种短期泊位预测方法及系统，其中方法包括如下步骤：S100：获取一段时间内的泊位历史数据，并对泊位历史数据进行预处理获得有效泊位时间序列；S200：采用小波函数对有效泊位时间序列进行分解和多尺度重构，获得N+1个时间序列CN,D1,D2,…,DN；S300：将步骤S200中获得的N+1个时间序列作为BP神经网络的训练样本和测试样本，并利用优化算法来优化BP神经网络的权值和阈值，构建预测模型；S400：获取待测数据，将待测数据作为待测样本导入到预测模型中，得到N+1个时间序列上的预测值，并将各个时间序列上的预测值进行融合。根据上述技术方案的预测方法，预测模型收敛速度更快，不会陷入局部最优解，预测结果更准确。

Description

短期泊位预测方法及系统
技术领域
本发明涉及人工智能领域，特别涉及一种短期泊位预测方法及系统。
背景技术
在面对泊位预测问题时，现有技术往往采用ARIMA时间序列和神经网络两种方法建立预测模型，其中神经网络的预测模型的准确率高于传统的ARIMA时间序列预测模型，但神经网络的成功很大程度上依赖于初始连接的权值，收敛速度慢，易陷入局部最优解的问题。
发明内容
发明目的：本发明的目的是提出一种短期泊位预测方法，可以提高神经网络的收敛速度，避免陷入局部最优解，实现准确的泊位预测。
本发明的另一目的是提出一种可以实施上述短期泊位预测方法的系统，可以实现准确的泊位预测，便于引导停车场内的车辆。
技术方案：本发明所述的短期泊位预测方法，包括如下步骤：
S100：获取一段时间内的泊位历史数据，并对泊位历史数据进行预处理获得有效泊位时间序列；
S200：采用小波函数对有效泊位时间序列进行分解和多尺度重构，获得N+1个时间序列CN,D1,D2,…,DN；
S300：将步骤S200中获得的N+1个时间序列作为BP神经网络的训练样本和测试样本，并利用优化算法来优化BP神经网络的权值和阈值，构建预测模型；
S400：获取待测数据，将待测数据作为待测样本导入到预测模型中，得到N+1个时间序列上的预测值，并将各个时间序列上的预测值进行融合。
进一步的，所述步骤S300中的优化算法为灰狼优化算法。
进一步的，所述步骤S100具体包括：
S110：计算各采样点t时刻停车场的泊位空闲率
Figure BDA0003056161720000011
式中X(t)为t时刻空闲车位数，O(t)为t时刻出去车辆数，I(t)为t时刻进入车辆数，T为停车场总车位数；
S220：取连续n个相同时间间隔的采样点的泊位空闲率作为一个样本，第n+1个采样点的泊位空闲率作为该样本的预测值，依次类推获得样本n至n+1，2至n+2，3至n+3，……，n-1至2n-1及对应的预测值n+2，n+3，n+4，……，2n；
S230：对样本数据进行归一化操作获得有效泊位时间序列。
进一步的，所述步骤S200具体包括：
S210：采用第一小波函数对有效泊位时间序列进行多分辨率的N尺度分解，获得一个尺度为N的低频系数向量cN和N个不同尺度下的高频系数向量d1,d2,…,dN；
S220：采用第二小波函数分别对低频系数向量cN和高频系数向量d1,d2,…,dN进行多尺度重构，得到N+1个时间序列CN,D1,D2,…,DN。
进一步的，所述步骤S300具体包括：
S310：确定并构建BP神经网络结构，确定隐藏层节点个数
Figure BDA0003056161720000021
式中m为嵌入维数，输入层节点数目等于嵌入维数，n为输出层节点数目，a为调节常数；
S320：随机设置预测模型的权值和阈值作为每只灰狼的个体位置来构成种群，初始化收敛系数A、C和线性递减参数a，并确定种群最大迭代次数tmax，随机设置预测模型的权值和阈值作为每只灰狼的个体位置，并将每只狼的个体位置带入灰狼围捕模型中的到灰狼的位置更新公式：
X(t+1)＝XP(t)-A·|C·XP(t)-X(t)|
式中猎物位置XP(t)＝(wmh,whn,ah,bn)，其中wmh为BP神经网络的第k个节点到第h个节点的权值，whn为第k个节点到第h个节点的权值，ah为输入层到影藏层的权值，bn为影藏层到输出层的权值，t表示迭代次数；
S330：计算各灰狼的适应度值，找到适应度前三的灰狼作为α狼、β狼和δ狼，以下式更新其他灰狼ω的位置信息及参数A、C和a的值：
X1＝Xα(t)-A1·D
X2＝Xβ(t)-A2·D
X3＝Xδ(t)-A3·D
式中，A1、A2、A3与参数A相似，C1、C2、C3与参数C相似；
S340：将各灰狼的个体位置带入到BP神经网络中形成预测模型，将训练样本和测试样本带入到预测模型中试验，记录预测误差最小及相应的α狼的位置；
S350：重复步骤S330到S340，直到达到最大迭代次数或α狼的预测误差满足条件，此时α狼的个体位置即为最优解xi。
进一步的，所述步骤330中的适应度值为回归模型评价参数R2：
Figure BDA0003056161720000022
式中k为预测模型的神经元个数，
Figure BDA0003056161720000031
为灰狼的个体位置带入BP神经网络形成的预测模型对测试样本的预测值，yk为真实值，
Figure BDA0003056161720000032
为真实值的平均值。
进一步的，所述步骤350后还包括：
S361：构建最优解xi的隶属度函数μ(x)：
Figure BDA0003056161720000033
S362：随机生成θ-cut水平值，获得搜索过程的动态边界：
Figure BDA0003056161720000034
S363：将边界模糊技术映射通过下式优化到搜索中：
Figure BDA0003056161720000035
式中rf1(x)和rf2(x)为对x乘以一个0到1内的随机数；
S363：重复步骤S362-S363，直到
Figure BDA0003056161720000036
则
Figure BDA0003056161720000037
本发明所述的短期泊位预测系统，包括信息采集层、信息传输层、应用层及第三方平台，所述应用层包括云平台，所述云平台上架设有基于权利要求1至9任一项所述的短期泊位预测方法开发的泊位预测模块。
有益效果：与现有技术相比，本发明具有如下优点：通过灰狼算法给BP神经网络提供一个“足够好”的初始解来解决BP神经网络的局部极值问题，加快收敛速度，避免陷入局部最优解。
附图说明
图1为本发明的实施例的短期泊位预测方法的流程图；
图2为本发明的实施例的灰狼算法优化的流程图；
图3位本发明的最优解局部搜索的示意图；
图4为本发明的实施例的短期泊位预测系统的系统框图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参照图1，根据本发明实施例的短期泊位预测方法，包括如下步骤：
S100：获取一段时间内的泊位历史数据，并对泊位历史数据进行预处理获得有效泊位时间序列；
S200：采用小波函数对有效泊位时间序列进行分解和多尺度重构，获得N+1个时间序列CN,D1,D2,…,DN；
S300：将步骤S200中获得的N+1个时间序列作为BP神经网络的训练样本和测试样本，并利用优化算法来优化BP神经网络的权值和阈值，构建预测模型；
S400：获取待测数据，将待测数据作为待测样本导入到预测模型中，得到N+1个时间序列上的预测值，并将各个时间序列上的预测值进行融合。
根据上述技术方案的短期泊位预测方法，BP神经网络的初始连接的权值和阈值经过优化算法优化，使得训练出来的预测模型收敛速度更快，且不会产生局部极值，进而不会陷入局部最优解中。可以理解的是，优化算法可以采用灰狼算法、粒子群算法、蚁群算法等群智能算法中的一种或几种的结合。
在一些实施例中，通过如下方式对历史数据进行预处理：
S110：计算各采样点t时刻停车场的泊位空闲率
Figure BDA0003056161720000041
式中X(t)为t时刻空闲车位数，O(t)为t时刻出去车辆数，I(t)为t时刻进入车辆数，T为停车场总车位数；
S220：取连续n个相同时间间隔的采样点的泊位空闲率作为一个样本，第n+1个采样点的泊位空闲率作为该样本的预测值，依次类推获得样本n至n+1，2至n+2，3至n+3，……，n-1至2n-1及对应的预测值n+2，n+3，n+4，……，2n；
S230：对样本数据进行归一化操作获得有效泊位时间序列。
在一些实施例中，样本数据的归一化采用最大最小归一化算法。
参照图1，在一些实施例中，为了进一步地提取有效泊位时间序列中的特征，步骤S200的具体步骤包括：
S210：采用第一小波函数对有效泊位时间序列进行多分辨率的N尺度分解，获得一个尺度为N的低频系数向量cN和N个不同尺度下的高频系数向量d1,d2,…,dN；
S220：采用第二小波函数分别对低频系数向量cN和高频系数向量d1,d2,…,dN进行多尺度重构，得到N+1个时间序列CN,D1,D2,…,DN。
其中CN为低频信号，可以反映有效泊位本质变化趋势；D1,D2,…,DN为高频干扰信号，反映有效泊位的随机变化趋势。从N+1个时间序列中选择若干作为训练样本，其余作为测试样本。
参照图1及图2，在一些实施例中，以BP神经网络的权值和阈值作为猎物，采用灰狼算法寻找权值和阈值的最优解，其具体过程如下：
S310：确定并构建BP神经网络结构，确定隐藏层节点个数
Figure BDA0003056161720000051
式中m为嵌入维数，输入层节点数目等于嵌入维数，n为输出层节点数目，a为调节常数；
S320：随机设置预测模型的权值和阈值作为每只灰狼的个体位置来构成种群，初始化收敛系数A、C和线性递减参数a，并确定种群最大迭代次数tmax，随机设置预测模型的权值和阈值作为每只灰狼的个体位置，并将每只狼的个体位置带入灰狼围捕模型中的到灰狼的位置更新公式：
X(t+1)＝XP(t)-A·|C·XP(t)-X(t)|   (1)
式中猎物位置XP(t)＝(wmh,whn,ah,bn)，其中wmh为BP神经网络的第k个节点到第h个节点的权值，whn为第k个节点到第h个节点的权值，ah为输入层到影藏层的权值，bn为影藏层到输出层的权值，t表示迭代次数；
S330：计算各灰狼的适应度值，找到适应度前三的灰狼作为α狼、β狼和δ狼，以下式更新其他灰狼ω的位置信息及参数A、C和a的值：
Figure BDA0003056161720000052
式中，A1、A2、A3与参数A相似，C1、C2、C3与参数C相似；
S340：将各灰狼的个体位置带入到BP神经网络中形成预测模型，将训练样本和测试样本带入到预测模型中试验，记录预测误差最小及相应的α狼的位置；
S350：重复步骤S330到S340，直到达到最大迭代次数或α狼的预测误差满足条件，此时α狼的个体位置即为最优解xi。
在一些实施例中，灰狼个体的适应度值采用回归模型评价参数R2(拟合优度)，可以反映自变量x对因变量y的变动的解释的程度，越接近1说明预测的越准确。其表达式如下：
Figure BDA0003056161720000053
式中k为预测模型的神经元个数，
Figure BDA0003056161720000061
为灰狼的个体位置带入BP神经网络形成的预测模型对测试样本的预测值，yk为真实值，
Figure BDA0003056161720000062
为真实值的平均值。
计算前先将随机生成或者更新后的灰狼个体位置表示的权重与训练样本相乘后带入到预测模型中训练，再将测试样本乘以权重后带入到训练后的预测模型中得到预测值，并与测试样本对应的真实预测值比较获得评价参数R2。再通过评价参数R2选出代表最优解的α狼、次优解的β狼和第三优解的δ狼，再通过三狼通过式(2)更新其余灰狼ω的位置，并重新计算更新后的狼群内各灰狼的适应度值，重新选出α狼、β狼和δ狼，再进入下一次对猎物的围猎，重复知道迭代次数达到阈值，或者预测误差满足要求，最后一次迭代的α狼的个体位置值即为最优解
Figure BDA0003056161720000063
参照如3，在一些实施例中，为了进一步地选出最优的BP神经网络的权重和阈值，训练处尽可能好的预测模型，经过灰狼算法获得的最优解xi还需要经过局部搜索优化，其具体步骤如下：
S361：构建最优解xi的隶属度函数μ(x)：
Figure BDA0003056161720000064
S362：随机生成θ-cut水平值，获得搜索过程的动态边界：
Figure BDA0003056161720000065
S363：将边界模糊技术映射通过下式优化到搜索中：
Figure BDA0003056161720000066
式中rf1(x)和rf2(x)为对x乘以一个0到1内的随机数；
S363：重复步骤S362-S363，直到
Figure BDA0003056161720000067
则
Figure BDA0003056161720000068
经过上述局部搜索优化后获得的最优解，能为BP神经网络带来一个“足够好”的初始解，加快训练后的预测模型的收敛速度，能提供更为准确的停车场的泊位预测。
参照图4，根据本发明实施例的短期泊位预测系统，包括信息采集层、信息传输层、应用层及第三方平台，其中应用层包括云平台，云平台上架设有基于上述短期泊位预测方法开发的泊位预测模块。
在一些实施例中，信息收集层包括由摄像头、5G通信模组和NB-IOT模组组成的图像信息采集器，设置于停车场的制高点，便于捕获车位信息。信息传输层主要是物联网云平台，在本实施例中选用中国移动提供的onenet平台，物联网云平台根据协议解析终端设备上报的数据，并将数据转化为标准的JSON格式的数据传输到应用层。应用层为架设于云端的智能停车场监控平台，采用集群部署于centos7操作系统，前端网页采用tomcat部署，具有可以实施上述短期泊位预测方法的泊位预测模块。
由信息采集层的信息采集器的摄像头进行视频图像采集，通过数据传输通道发送到外部存储器中，接着MCU读取外部存储器中原始图像，将数据通过DMA数据传输通道发送到卷积计算加速器，网络最后一层输出检测结果，在通过DMA传输回MCU，进行车位统计。最终采集到的泊位信息传输到NB-IOT，定时回传至云端控制台。只在图像回传出现异常时，将图像通过5G通信模组传输回云平台。由云平台接管图像处理，输出泊位信息。同时在云平台上根据泊位预测模块预测短期的泊位变化，并实时推送给第三方平台用户。

Claims (6)

1.一种短期泊位预测方法，其特征在于，包括如下步骤：
S100：获取一段时间内的泊位历史数据，并对泊位历史数据进行预处理获得有效泊位时间序列；
S200：采用小波函数对有效泊位时间序列进行分解和多尺度重构，获得N+1个时间序列CN,D1,D2,…,DN；
S300：将步骤S200中获得的N+1个时间序列作为BP神经网络的训练样本和测试样本，并利用优化算法来优化BP神经网络的权值和阈值，构建预测模型；
S400：获取待测数据，将待测数据作为待测样本导入到预测模型中，得到N+1个时间序列上的预测值，并将各个时间序列上的预测值进行融合；
所述步骤S300中的优化算法为灰狼优化算法，所述步骤S300具体包括：
S310：确定并构建BP神经网络结构，确定隐藏层节点个数
Figure FDA0004091964690000011
式中m为嵌入维数，输入层节点数目等于嵌入维数，n为输出层节点数目，a为调节常数；
S320：随机设置预测模型的权值和阈值作为每只灰狼的个体位置来构成种群，初始化收敛系数A、C和线性递减参数a，并确定种群最大迭代次数tmax，随机设置预测模型的权值和阈值作为每只灰狼的个体位置，并将每只狼的个体位置带入灰狼围捕模型中的到灰狼的位置更新公式：
X(t+1)＝XP(t)-A·|C·XP(t)-X(t)|
式中猎物位置XP(t)＝(wmh,whn,ah,bn)，其中wmh为BP神经网络的第k个节点到第h个节点的权值，whn为第k个节点到第h个节点的权值，ah为输入层到影藏层的权值，bn为影藏层到输出层的权值，t表示迭代次数；
S330：计算各灰狼的适应度值，找到适应度前三的灰狼作为α狼、β狼和δ狼，以下式更新其他灰狼ω的位置信息及参数A、C和a的值：
X1＝Xα(t)-A1·D
X2＝Xβ(t)-A2·D
X3＝Xδ(t)-A3·D
式中，A1、A2、A3与参数A相似，C1、C2、C3与参数C相似；
S340：将各灰狼的个体位置带入到BP神经网络中形成预测模型，将训练样本和测试样本带入到预测模型中试验，记录预测误差最小及相应的α狼的位置；
S350：重复步骤S330到S340，直到达到最大迭代次数或α狼的预测误差满足条件，此时α狼的个体位置即为最优解xi；
所述步骤350后还包括：
S360：对步骤S350中获得的最优解xi进行局部搜索；
所述步骤S360具体包括：
S361：构建最优解xi的隶属度函数μ(x)：
Figure FDA0004091964690000021
S362：随机生成θ-cut水平值，获得搜索过程的动态边界：
Figure FDA0004091964690000022
S363：将边界模糊技术映射通过下式优化到搜索中：
Figure FDA0004091964690000023
式中rf1(x)和rf2(x)为对x乘以一个0到1内的随机数；
S363：重复步骤S362-S363，直到
Figure FDA0004091964690000024
则
Figure FDA0004091964690000025
2.根据权利要求1所述的短期泊位预测方法，其特征在于，所述步骤S100具体包括：
S110：计算各采样点t时刻停车场的泊位空闲率
Figure FDA0004091964690000026
式中X(t)为t时刻空闲车位数，O(t)为t时刻出去车辆数，I(t)为t时刻进入车辆数，T为停车场总车位数；
S220：取连续n个相同时间间隔的采样点的泊位空闲率作为一个样本，第n+1个采样点的泊位空闲率作为该样本的预测值，依次类推获得样本n至n+1，2至n+2，3至n+3，……，n-1至2n-1及对应的预测值n+2，n+3，n+4，……，2n；
S230：对样本数据进行归一化操作获得有效泊位时间序列。
3.根据权利要求2所述的短期泊位预测方法，其特征在于，所述步骤230中的归一化操作采用最大最小归一化方法。
4.根据权利要求1所述的短期泊位预测方法，其特征在于，所述步骤S200具体包括：
S210：采用第一小波函数对有效泊位时间序列进行多分辨率的N尺度分解，获得一个尺度为N的低频系数向量cN和N个不同尺度下的高频系数向量d1,d2,…,dN；
S220：采用第二小波函数分别对低频系数向量cN和高频系数向量d1,d2,…,dN进行多尺度重构，得到N+1个时间序列CN,D1,D2,…,DN。
5.根据权利要求1所述的短期泊位预测方法，其特征在于，所述步骤330中的适应度值为回归模型评价参数R2，具体公式如下：
Figure FDA0004091964690000031
式中k为预测模型的神经元个数，
Figure FDA0004091964690000032
为灰狼的个体位置带入BP神经网络形成的预测模型对测试样本的预测值，yk为真实值，
Figure FDA0004091964690000033
为真实值的平均值。
6.一种短期泊位预测系统，包括信息采集层、信息传输层、应用层及第三方平台，其特征在于，所述应用层包括云平台，所述云平台上架设有基于权利要求1至5任一项所述的短期泊位预测方法开发的泊位预测模块。
CN202110500097.2A 2021-05-08 2021-05-08 短期泊位预测方法及系统 Active CN113344168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110500097.2A CN113344168B (zh) 2021-05-08 2021-05-08 短期泊位预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110500097.2A CN113344168B (zh) 2021-05-08 2021-05-08 短期泊位预测方法及系统

Publications (2)

Publication Number Publication Date
CN113344168A CN113344168A (zh) 2021-09-03
CN113344168B true CN113344168B (zh) 2023-04-28

Family

ID=77470095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110500097.2A Active CN113344168B (zh) 2021-05-08 2021-05-08 短期泊位预测方法及系统

Country Status (1)

Country Link
CN (1) CN113344168B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115472034A (zh) * 2022-07-20 2022-12-13 中国交通信息科技集团有限公司 一种分层云架构的停车运营管理系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024343A (zh) * 2010-12-20 2011-04-20 东南大学 停车场有效泊位占有率短时预测方法
CN102855773A (zh) * 2012-09-13 2013-01-02 东南大学 一种停车场有效泊位占有率短时预测方法
CN106548254B (zh) * 2016-11-16 2020-05-05 上海理工大学 一种有效停车泊位的预测方法
CN108091135B (zh) * 2017-12-12 2021-01-19 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
CN111723945A (zh) * 2020-06-03 2020-09-29 杭州欣禾圣世科技有限公司 一种基于改进灰狼算法的bp神经网络优化方法

Also Published As

Publication number Publication date
CN113344168A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN111160176B (zh) 基于融合特征的一维卷积神经网络地面雷达目标分类方法
CN114155478B (zh) 一种情感识别方法、装置、系统及计算机可读存储介质
CN112183742B (zh) 基于渐进式量化和Hessian信息的神经网络混合量化方法
CN110929842B (zh) 非合作无线电信号突发时间区域精确智能检测方法
CN112906828A (zh) 一种基于时域编码和脉冲神经网络的图像分类方法
CN113486303A (zh) 一种基于修饰模型集成的长时间序列预测方法
CN114186672A (zh) 一种用于脉冲神经网络的高效高精度训练算法
CN112686376A (zh) 一种基于时序图神经网络的节点表示方法及增量学习方法
CN113344168B (zh) 短期泊位预测方法及系统
CN111832228A (zh) 基于cnn-lstm的振动传递系统
CN111368900A (zh) 一种图像目标物识别方法
CN113627240B (zh) 一种基于改进ssd学习模型的无人机树木种类识别方法
Pandhiani et al. Time series forecasting by using hybrid models for monthly streamflow data
CN117079005A (zh) 一种光缆故障监测方法、系统、装置及可读存储介质
CN114926737A (zh) 一种基于卷积脉冲神经网络的低功耗目标检测方法
CN111797968B (zh) 一种基于脉冲神经网络的重加权稀疏重建方法
CN117079416B (zh) 基于人工智能算法的多人5d雷达跌倒检测方法及系统
CN117037287B (zh) 一种基于3d脉冲神经网络的行为识别方法、系统及装置
CN112434716A (zh) 一种基于条件对抗神经网络的水下目标数据扩增方法及系统
CN116963156B (zh) 一种无线信号传输能力检测方法和装置
CN113359091B (zh) 基于深度学习的多核函数混叠雷达辐射源识别方法和系统
CN116188834B (zh) 基于自适应训练模型的全切片图像分类方法及装置
CN114157544B (zh) 基于卷积神经网络的帧同步方法、设备及介质
CN117668701B (zh) Ai人工智能机器学习系统及方法
CN112926619B (zh) 一种高精度水下激光目标识别系统

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: 20240515

Address after: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd.

Country or region after: China

Address before: 223003 Jiangsu Huaian economic and Technological Development Zone, 1 East Road.

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY

Country or region before: China