CN113362637B - 一种区域性多场点空余停车位预测方法及系统 - Google Patents

一种区域性多场点空余停车位预测方法及系统 Download PDF

Info

Publication number
CN113362637B
CN113362637B CN202110487111.XA CN202110487111A CN113362637B CN 113362637 B CN113362637 B CN 113362637B CN 202110487111 A CN202110487111 A CN 202110487111A CN 113362637 B CN113362637 B CN 113362637B
Authority
CN
China
Prior art keywords
parking
convlstm
parking space
data
prediction model
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
CN202110487111.XA
Other languages
English (en)
Other versions
CN113362637A (zh
Inventor
胡倩
冯雅晶
唐震洲
樊俊凯
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.)
Wenzhou University
Original Assignee
Wenzhou University
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 Wenzhou University filed Critical Wenzhou University
Priority to CN202110487111.XA priority Critical patent/CN113362637B/zh
Publication of CN113362637A publication Critical patent/CN113362637A/zh
Application granted granted Critical
Publication of CN113362637B publication Critical patent/CN113362637B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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"

Landscapes

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

Abstract

本发明提供一种区域性多场点空余停车位预测方法，包括获取预测周期及其之前的历史周期内的可用停车数据；对所有可用停车数据进行预处理，并将预处理后的历史可用停车数据划为训练集、评估集，以及将预处理后的预测周期可用停车数据划为测试集；构建基于ConvLSTM‑DN网络结构的停车位预测模型，并使用网格搜索法确定ConvLSTM‑DN模型的超参数组合；将训练集和评估集导入已确定超参数组合的停车位预测模型中进行训练，得到训练好的停车位预测模型；在已训练好的停车位预测模型中，使用测试集，得到预测周期之后的下一周期的可用停车数据。实施本发明，不仅考虑了单个停车场历史数据时间上动态的关系，还考虑了不同停车场之间的空间影响，使得预测精度高且较易实现。

Description

一种区域性多场点空余停车位预测方法及系统
技术领域
本发明涉及计算机技术领域，尤其涉及一种区域性多场点空余停车位预测方法及系统。
背景技术
“停车难”已成为困扰许多驾驶员的难题，使得驾驶员到达目的地后快速的找到停车位是十分困难的。据以往经验表明，驾驶员寻找停车位需要平均花费3-15分钟，而巡航停车会进一步加重交通流量的25％-40％，增大交通负荷，极大地影响城市的环境问题。因此，有必要对可用停车位进行准确的预测，用以缓解以上问题。
总所周知，及时准确的可用停车位信息在停车引导系统中起着十分重要的作用，可以引导驾驶员到达目的地后快速的找到停车位，减少不必要的时间浪费。然而，目前很多停车引导系统，都是实时更新停车场的可用停车位数量，导致驾驶员所得到的停车位信息往往与到达目的地时的实际情况有很大的偏差。因此为了避免这种偏差，驾驶员们需要知道未来某一时刻停车场的可用停车位信息，用以提高停车效率。
近年来，有越来越多的学者开始对可用停车位预测开始研究。目前就时间序列分析的发展历史和所使用的统计分析方法来看，预测方法主要分为：(1)基于停车过程分析的数学模型预测方法。例如，2007年，M.Caliskan等人使用泊松分布模拟车辆到达和离开的过程，再根据得到的车辆到达和离开率通过高斯自回归模型来预测未来的可用停车位数；又如，F.Caicedo(2012)提出了一个集中式系统，根据离散Gamma分布的请求分配和模拟停车持续时间计算未来停车可用性概率；又如，Xiao J(2018)年利用连续时间的马尔科夫链M/M/C/C队列模型来模拟可用停车位数量的变化，该模型能够有效的估计出车辆的到达和离开率，再利用估计的参数预测未来的可用停车位数量。(2)基于人工智能相关算法的停车位预测方法。例如，2014年，Yanjie Ji(季彦婕)建立了基于小波网络的APS短期预测模型；又如，Fengquan Yu(2015)选择自回归积分滑动平均模型(ARIMA)预测未占用的停车位，并根据ARIMA模型的一般流程建立了可用停车位预测模型；又如，Y.Zheng(2015)通过回归树、BP神经网络、支持向量机这三种机器学习算法来预测可用停车位；又如，C.Badii(2018)提出了贝叶斯正则化网络(BARNN)，并且结合历史数据，天气条件和交通数数据进行停车位预测；又如，2018年，J.Fan(樊俊凯)使用了一种基于果蝇优化算法的SVR模型，2020年他将短期预测和长期预测集成到LSTM模型中，对可用停车位进行预测。
但是，上述预测方法均存在不足之处，其不足之处在于：在第(1)种基于数学模型的预测方法中，往往不能根据输入的数据做出相应参数调整，而且由于工作高度依赖于到达和离开过程的假设，大多偏重于理论分析，因此难以在实践中实施。在第(2)种基于人工智能相关算法的停车位预测方法中，只讨论了单个停车场历史数据时间上动态的关系，忽略了停车场之间的相互影响，导致预测精度较低。
因此，亟需一种新的停车位预测方法，不仅考虑了单个停车场历史数据时间上动态的关系，还考虑了停车场之间的相互影响，使得预测精度高且较易实现。
发明内容
本发明实施例所要解决的技术问题在于，提供一种区域性多场点空余停车位预测方法及系统，不仅考虑了单个停车场历史数据时间上动态的关系，还考虑了停车场之间的相互影响，使得预测精度高且较易实现。
为了解决上述技术问题，本发明实施例提供了一种区域性多场点空余停车位预测方法，包括以下步骤：
步骤S1、获取预测周期及其之前的历史周期内所采集到的预定网格区域中所有停车场的可用停车数据；
步骤S2、对所获取的所有停车场的可用停车数据均进行预处理，并将预处理后的历史周期内所采集到的所有停车场的可用停车数据划分为训练集和评估集，并将预处理后的预测周期内所采集到的所有停车场的可用停车数据划分为测试集；
步骤S3、构建基于ConvLSTM-DN网络结构的停车位预测模型，并使用网格搜索法确定所述停车位预测模型中ConvLSTM-DN的超参数组合；
步骤S4、将训练集和评估集导入已确定ConvLSTM-DN的超参数组合的停车位预测模型中进行训练，得到训练好的停车位预测模型；
步骤S5、在已训练好的停车位预测模型中，使用测试集，预测得到预测周期之后的下一周期内所有停车场的可用停车数据。
其中，所述ConvLSTM-DN网络结构由ConvLSTM组件和Densenet组件组成。
其中，所述ConvLSTM组件用于时空关系建模，是通过遗忘门fg、输入门ig和输出门og这三个门来控制内存单元状态；
其中，所述ConvLSTM组件在任意一个时刻输入Dt上的操作可定义为：
Figure GDA0003156671860000031
Figure GDA0003156671860000032
Figure GDA0003156671860000033
Figure GDA0003156671860000034
Figure GDA0003156671860000035
其中，σ(.)表示激活函数sigmoid(.)，*表示卷积操作，⊙表示矩阵中的元素对应相乘，w(.)和b(.)为需要学习的权重和偏置，tanh(.)表示非线性激励函数双曲正切函数，
Figure GDA0003156671860000036
分别表示t时刻存储在细胞状态和隐藏状态的三维张量；
所述ConvLSTM组件的输出为
Figure GDA0003156671860000037
其中，所述Densenet组件用于对所述ConvLSTM组件输出Ost进行特征学习；
其中，在所述Densenet组件中，任意密集层与其后继层都有着直接连接，且密集块中的第lth层接收前面所有网络层的输出Ost,O1,...,Ol-1作为输入，第lth层的输出可以表示为：
Figure GDA0003156671860000041
其中，所述ConvLSTM-DN的超参数组合为密集块的数量、密集层的数量、历史观测值的数量、学习率、迭代次数及批尺寸。
本发明实施例还提供了一种区域性多场点空余停车位预测系统，包括如下5个单元：
可用停车历史数据获取单元110，用于获取预测周期及其之前的历史周期内所采集到的预定网格区域中所有停车场的可用停车数据；
可用停车历史数据处理单元120，用于对所获取的所有停车场的可用停车数据均进行预处理，并将预处理后的历史周期内所采集到的所有停车场的可用停车数据划分为训练集和评估集，并将预处理后的预测周期内所采集到的所有停车场的可用停车数据划分为测试集；
停车位预测模型构建及优化单元130，用于构建基于ConvLSTM-DN网络结构的停车位预测模型，并使用网格搜索法确定所述停车位预测模型中ConvLSTM-DN的超参数组合；
停车位预测模型训练单元140，用于将训练集和评估集导入已确定ConvLSTM-DN的超参数组合的停车位预测模型中进行训练，得到训练好的停车位预测模型；
停车位预测结果输出单元150，用于在已训练好的停车位预测模型中，使用测试集，预测得到预测周期之后的下一周期内所有停车场的可用停车数据。
其中，所述ConvLSTM-DN网络结构由ConvLSTM组件和Densenet组件组成。
实施本发明实施例，具有如下有益效果：
本发明利用ConvLSTM-DN网络结构可以捕捉时间和空间上的关系的原理，构建基于ConvLSTM-DN网络结构的停车位预测模型，并使用网格搜索法对ConvLSTM-DN的超参数组合进行优化，然后用于可用停车数据预测，不仅考虑了单个停车场历史数据时间上动态的关系，还考虑了停车场之间的相互影响，使得预测精度高且较易实现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的区域性多场点空余停车位预测方法的流程图；
图2为本发明实施例提供的区域性多场点空余停车位预测方法中ConvLSTM-DN网络结构的示意图；
图3为图2ConvLSTM-DN网络结构中ConvLSTM组件结构的示意图；
图4为本发明实施例提供的区域性多场点空余停车位预测方法的应用场景中可用停车数据的最终结果示意图；
图5为本发明实施例提供的区域性多场点空余停车位预测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提出的一种区域性多场点空余停车位预测方法，包括以下步骤：
步骤S1、获取预测周期及其之前的历史周期内所采集到的预定网格区域中所有停车场的可用停车数据；
步骤S2、对所获取的所有停车场的可用停车数据均进行预处理，并将预处理后的历史周期内所采集到的所有停车场的可用停车数据划分为训练集和评估集，并将预处理后的预测周期内所采集到的所有停车场的可用停车数据划分为测试集；
步骤S3、构建基于ConvLSTM-DN网络结构的停车位预测模型，并使用网格搜索法确定所述停车位预测模型中ConvLSTM-DN的超参数组合；
步骤S4、将训练集和评估集导入已确定ConvLSTM-DN的超参数组合的停车位预测模型中进行训练，得到训练好的停车位预测模型；
步骤S5、在已训练好的停车位预测模型中，使用测试集，预测得到预测周期之后的下一周期内所有停车场的可用停车数据。
具体过程为，在步骤S1中，停车数据是每隔5min记录一次的网格区域内所有停车场的可用停车数量。因此，可以周期性获取预定网格区域中所有停车场的可用停车数据，并对相应周期按照一定时间单位进行组合成预测周期及其之前的历史周期。例如，可使用预测周期t-50,t-45,...,t来预测t+5/t+15/t+30/…的可用停车位数量。
而按照预测时刻的不同，可将不超过30分钟的预测定义为短期预测，超过30分钟的预测定义为长期预测。
在步骤S2中，对所获取的所有停车场的可用停车数据均进行归一化操作。使用min-max标准化方法进行归一化：
Figure GDA0003156671860000061
同时，假设使用m个历史数据将历史数据集重构为[Dt-(m-1)δ,Dt-(m-2)δ,…,Dt]，再将重构后的数据集划分为训练集、评估集和测试集。
在步骤S3中，搭建基于ConvLSTM-DN网络结构的停车位预测模型，其中ConvLSTM-DN网络结构由两个组件组成，分别为ConvLSTM组件和Densenet组件，如图2所示。
如图3所示，ConvLSTM组件用于时空关系建模，是通过遗忘门fg、输入门ig和输出门og这三个门来控制内存单元状态；
其中，ConvLSTM组件在任意一个时刻输入Dt上的操作可定义为：
Figure GDA0003156671860000062
Figure GDA0003156671860000063
Figure GDA0003156671860000064
Figure GDA0003156671860000065
Figure GDA0003156671860000071
其中，σ(.)表示激活函数sigmoid(.)，*表示卷积操作，⊙表示矩阵中的元素对应相乘，w(.)和b(.)为需要学习的权重和偏置，tanh(.)表示非线性激励函数双曲正切函数，
Figure GDA0003156671860000072
分别表示t时刻存储在细胞状态和隐藏状态的三维张量；
此外，本发明使用一个三层的ConvLSTM来捕捉时空上的关系，定义ConvLSTM组件的输出为
Figure GDA0003156671860000073
同时，Densenet组件用于对ConvLSTM组件输出Ost进行特征学习；其中，在Densenet组件中，任意密集层与其后继层都有着直接连接，且密集块中的第lth层接收前面所有网络层的输出Ost,O1,...,Ol-1作为输入，第lth层的输出可以表示为：
Figure GDA0003156671860000074
通过激活函数σ(.)之后，最后的预测结果可以表示为
Figure GDA0003156671860000075
在ConvLSTM-DN模型构建时，模型超参数需要确定之后才可以进行预测。使用网格搜索法确定停车位预测模型中ConvLSTM-DN的超参数组合；其中，ConvLSTM-DN的超参数组合为密集块的数量(L)，密集层的数量(l)，历史观测值的数量(m)，学习率(lr)，迭代次数(epoch_size)，批尺寸(batch_size)。
在步骤S4中，将训练集和评估集导入已确定ConvLSTM-DN的超参数组合的停车位预测模型中进行训练，得到训练好的停车位预测模型；
在步骤S5中，在已训练好的停车位预测模型中，使用测试集，即根据预处理后的预测周期内所采集到的所有停车场的可用停车数据，预测得到预测周期之后的下一周期内所有停车场的可用停车数据，如图4所示。
如图5所示，为本发明实施例中，提供的一种区域性多场点空余停车位预测系统，包括如下5个单元：
可用停车历史数据获取单元110，用于获取预测周期及其之前的历史周期内所采集到的预定网格区域中所有停车场的可用停车数据；
可用停车历史数据处理单元120，用于对所获取的所有停车场的可用停车数据均进行预处理，并将预处理后的历史周期内所采集到的所有停车场的可用停车数据划分为训练集和评估集，并将预处理后的预测周期内所采集到的所有停车场的可用停车数据划分为测试集；
停车位预测模型构建及优化单元130，用于构建基于ConvLSTM-DN网络结构的停车位预测模型，并使用网格搜索法确定所述停车位预测模型中ConvLSTM-DN的超参数组合；
停车位预测模型训练单元140，用于将训练集和评估集导入已确定ConvLSTM-DN的超参数组合的停车位预测模型中进行训练，得到训练好的停车位预测模型；
停车位预测结果输出单元150，用于在已训练好的停车位预测模型中，使用测试集，预测得到预测周期之后的下一周期内所有停车场的可用停车数据。
其中，所述ConvLSTM-DN网络结构由ConvLSTM组件和Densenet组件组成。
实施本发明实施例，具有如下有益效果：
本发明利用ConvLSTM-DN网络结构可以捕捉时间和空间上的关系的原理，构建基于ConvLSTM-DN网络结构的停车位预测模型，并使用网格搜索法对ConvLSTM-DN的超参数组合进行优化，然后用于可用停车数据预测，不仅考虑了单个停车场历史数据时间上动态的关系，还考虑了停车场之间的相互影响，使得预测精度高且较易实现。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (2)

1.一种区域性多场点空余停车位预测方法，其特征在于，包括以下步骤：
步骤S1、获取预测周期及其之前的历史周期内所采集到的预定网格区域中所有停车场的可用停车数据；
步骤S2、对所获取的所有停车场的可用停车数据均进行预处理，并将预处理后的历史周期内所采集到的所有停车场的可用停车数据划分为训练集和评估集，并将预处理后的预测周期内所采集到的所有停车场的可用停车数据划分为测试集；
步骤S3、构建基于ConvLSTM-DN网络结构的停车位预测模型，并使用网格搜索法确定所述停车位预测模型中ConvLSTM-DN的超参数组合；
步骤S4、将训练集和评估集导入已确定ConvLSTM-DN的超参数组合的停车位预测模型中进行训练，得到训练好的停车位预测模型；
步骤S5、在已训练好的停车位预测模型中，使用测试集，预测得到预测周期之后的下一周期内所有停车场的可用停车数据；
所述ConvLSTM-DN网络结构由ConvLSTM组件和Densenet组件组成；
所述的ConvLSTM组件是由m行k列ConvLSTM cell所组成，m表示输入的历史停车场观测数据的个数，k表示ConvLSTM cell堆叠的层数；
所述的Densenet组件由6个模块组成，分别为Dense Block 1,Transition layer 1,Dense Block 2,Transition layer 2,Dense Block 3以及由BN、ReLU和Conv所复合而成的复合函数；每个Dense Block中都包含了l层Denselayer；
所述ConvLSTM组件用于时空关系建模，是通过遗忘门fg、输入门ig和输出门og这三个门来控制内存单元状态；
其中，所述ConvLSTM组件在任意一个时刻输入Dt上的操作可定义为：
Figure FDF0000018905470000021
Figure FDF0000018905470000022
Figure FDF0000018905470000023
Figure FDF0000018905470000024
Figure 290249DEST_PATH_IMAGE002
其中，σ(·)表示激活函数sigmoid(.)，*表示卷积操作，⊙表示矩阵中的元素对应相乘，w(.)和b(.)为需要学习的权重和偏置，tanh(.)表示非线性激励函数双曲正切函数，
Figure FDF0000018905470000025
分别表示t时刻存储在细胞状态和隐藏状态的三维张量；
所述ConvLSTM组件的输出为
Figure FDF0000018905470000026
所述Densenet组件用于对所述ConvLSTM组件输出Ost进行特征学习；
其中，在所述Densenet组件中，任意密集层与其后继层都有着直接连接，且密集块中的第lth层接收前面所有网络层的输出Ost，O1，...，Ol-1作为输入，第lth层的输出可以表示为：
Figure DEST_PATH_IMAGE002
；
所述ConvLSTM-DN的超参数组合为密集块的数量、密集层的数量、历史观测值的数量、学习率、迭代次数及批尺寸。
2.一种区域性多场点空余停车位预测系统，其特征在于，包括如下5个单元：
可用停车历史数据获取单元110，用于获取预测周期及其之前的历史周期内所采集到的预定网格区域中所有停车场的可用停车数据；
可用停车历史数据处理单元120，用于对所获取的所有停车场的可用停车数据均进行预处理，并将预处理后的历史周期内所采集到的所有停车场的可用停车数据划分为训练集和评估集，并将预处理后的预测周期内所采集到的所有停车场的可用停车数据划分为测试集；
停车位预测模型构建及优化单元130，用于构建基于ConvLSTM-DN网络结构的停车位预测模型，并使用网格搜索法确定所述停车位预测模型中ConvLSTM-DN的超参数组合；
停车位预测模型训练单元140，用于将训练集和评估集导入已确定ConvLSTM-DN的超参数组合的停车位预测模型中进行训练，得到训练好的停车位预测模型；
停车位预测结果输出单元150，用于在已训练好的停车位预测模型中，使用测试集，预测得到预测周期之后的下一周期内所有停车场的可用停车数据；
所述ConvLSTM-DN网络结构由ConvLSTM组件和Densenet组件组成；
所述的ConvLSTM组件是由m行k列ConvLSTM cell所组成，m表示输入的历史停车场观测数据的个数，k表示ConvLSTM cell堆叠的层数；
所述的Densenet组件由6个模块组成，分别为Dense Block 1,Transition layer 1,Dense Block 2,Transition layer 2,Dense Block 3以及由BN、ReLU和Conv所复合而成的复合函数；每个Dense Block中都包含了l层Denselayer。
CN202110487111.XA 2021-05-04 2021-05-04 一种区域性多场点空余停车位预测方法及系统 Active CN113362637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110487111.XA CN113362637B (zh) 2021-05-04 2021-05-04 一种区域性多场点空余停车位预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110487111.XA CN113362637B (zh) 2021-05-04 2021-05-04 一种区域性多场点空余停车位预测方法及系统

Publications (2)

Publication Number Publication Date
CN113362637A CN113362637A (zh) 2021-09-07
CN113362637B true CN113362637B (zh) 2022-11-29

Family

ID=77525743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110487111.XA Active CN113362637B (zh) 2021-05-04 2021-05-04 一种区域性多场点空余停车位预测方法及系统

Country Status (1)

Country Link
CN (1) CN113362637B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114093196B (zh) * 2021-11-17 2023-05-09 湖北大学 基于移动性权重分簇算法的智能停车位选择方法
CN115019509B (zh) * 2022-06-22 2023-08-04 同济大学 基于两阶段注意力lstm的停车场空余车位预测方法及系统
CN116187591B (zh) * 2023-04-27 2023-07-07 松立控股集团股份有限公司 基于动态时空趋势的商业停车场剩余车位数量预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622301B (zh) * 2017-08-16 2021-01-05 温州大学 一种停车场空余停车泊位数的预测方法
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

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
一种基于序列到序列时空注意力学习的交通流预测模型;杜圣东 等;《计算机研究与发展》;20200831;第57卷(第8期);第1715-1728页 *
基于DenseNet 的无人机光学图像树种分类研究;林志玮 等;《遥感技术与应用》;20190831;第34卷(第4期);第704-711页 *
基于DenseNet的图像识别方法研究;高建瓴 等;《贵州大学学报(自然科学版)》;20191231;第36卷(第6期);第58-62页 *
基于多尺度特征结构的U-Net 肺结节检测算法;朱辉 等;《计算机工程》;20190430;第45卷(第4期);第254-261页 *
基于深层神经网络的道路交通标志检测识别方法研究;王斯健 等;《科技资讯》;20191231;第1-4页 *
融合视觉和文本的短标注视频情感分析研究;万俊伟;《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》;20200215;正文第17-20页 *

Also Published As

Publication number Publication date
CN113362637A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN113362637B (zh) 一种区域性多场点空余停车位预测方法及系统
CN108280551B (zh) 一种利用长短期记忆网络的光伏发电功率预测方法
CN109492814B (zh) 一种城市交通流量预测方法、系统及电子设备
CN111210633B (zh) 一种基于深度学习的短时交通流预测方法
CN110633871B (zh) 一种基于卷积长短期记忆网络的区域交通需求预测方法
Lin et al. An efficient deep reinforcement learning model for urban traffic control
CN110555990B (zh) 一种基于lstm神经网络的有效停车时空资源预测方法
CN112330215B (zh) 一种城市用车需求量预测方法、设备及存储介质
CN109920248B (zh) 一种基于gru神经网络的公交到站时间预测方法
CN106952181A (zh) 基于长短时记忆神经网络的电力负荷预测系统
Atef et al. A comparative study using deep learning and support vector regression for electricity price forecasting in smart grids
Huang et al. A GAN framework-based dynamic multi-graph convolutional network for origin–destination-based ride-hailing demand prediction
CN110210656B (zh) 基于站点行为分析的共享单车流量预测方法及系统
CN112437451B (zh) 一种基于生成对抗网络的无线网络流量预测方法和设备
CN111507762A (zh) 基于多任务共预测神经网络的城市出租车需求预测方法
CN113255900A (zh) 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法
Tormozov et al. Optimization of neural network parameters based on a genetic algorithm for prediction of time series
Pełka et al. Pattern-based long short-term memory for mid-term electrical load forecasting
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
CN115206092A (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN116865251A (zh) 一种短期负荷概率预测方法及系统
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN114582131A (zh) 一种基于匝道智能控流算法的监控方法及系统
CN114997488A (zh) 一种综合能源系统负荷预测方法及装置
Godahewa et al. Simulation and optimisation of air conditioning systems using machine learning

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