CN116597687A - 一种云控系统下基于停车占用率预测的动态停车分配方法 - Google Patents
一种云控系统下基于停车占用率预测的动态停车分配方法 Download PDFInfo
- Publication number
- CN116597687A CN116597687A CN202310662346.7A CN202310662346A CN116597687A CN 116597687 A CN116597687 A CN 116597687A CN 202310662346 A CN202310662346 A CN 202310662346A CN 116597687 A CN116597687 A CN 116597687A
- Authority
- CN
- China
- Prior art keywords
- parking
- model
- vehicle
- parking lot
- time
- 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
Links
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种云控系统下基于停车占用率预测的动态停车分配方法,属于智慧停车技术领域。该方法提出了基于停车占用率预测的分配方法的基本框架,根据停车场占用率时间序列的特点,对停车占用率建立SARIMA预测模型进行预测,然后根据停车问题的动态特性动态分配模型,针对建立的动态分配模型,设计改进变邻域搜索算法的混合式启发式算法对模型进行求解,通过贪婪算法生成初始解,再采用改进变邻域搜索算法搜寻最优解,结合真实数据集设置仿真实验。本发明基于云控平台对停车占用率的研究,对停车占用率建立SARIMA预测模型进行预测,通过动态停车分配法利用云控平台为停车用户提供高效、准确以及低成本的停车方案。
Description
技术领域
本发明属于智慧停车技术领域,具体涉及一种云控系统下基于停车占用率预测的动态停车分配方法。
背景技术
智能网联汽车云控系统,也称为车路云一体化控制系统,该系统架构由云控平台、路侧基础设施、通信网络、智能网联汽车及其相关支撑平台;可以通过云控平台提供实时停车数据。
当前,停车场占用率预测问题一般被视为对某一时间序列的预测,一直采用选取时间序列预测方法来提高停车场占用率的准确度,而在实际场景中,由于待泊车辆信息和停车场信息等输入信息都是随着时间不断变化的,故采用上述预测方法来预测停车场占用率的准确度低。
本发明选取动态停车分配模型,建立基于时间序列预测的动态停车分配方案,从而解决实际停车应中面临的问题。
发明内容
有鉴于此,本发明的目的在于提供一种云控系统下基于停车占用率预测的动态停车分配方法。解决现有技术中停车场占用率预测准确率低的问题。本发明基于云控平台对停车占用率的研究,对停车占用率建立SARIMA预测模型进行预测,通过动态停车分配法利用云控平台为停车用户提供高效、准确以及低成本的停车方案。
如图1-6所示,为达到上述目的,本发明提供如下技术方案:
一种云控系统下基于停车占用率预测的动态停车分配方法,该方法包括以下步骤:
S1:在云控系统的架构下提出基于停车占用率的分配方法的基本框架;
S2:在所述基本框架内根据停车场占用率时间序列的特点,基于SARIMA模型对停车场占用率进行预测,得到对所述停车场占用率的预测结果;
S3:根据S2的预测结果,对停车问题的动态特性构建时间序列动态停车分配模型;
S4:对所述构建的时间序列动态停车分配模型,设计改进变邻域搜索算法的混合式启发式算法对时间序列动态停车分配模型进行求解。
进一步的,所述S1中基本框架包括云控中心、智能网联汽车、智能停车场以及停车分配方法;所述云控中心通过通信网实时监测所述智能停车场,所述智能网联汽车通过通信网向云控中心发起停车请求,云控中心对所述停车请求进行停车信息处理,启动停车分配方法,为智能网联汽车分配停车方案,智能网联汽车根据所述分配停车方案完成停车后智能停车场将停车场的状态更新给云控中心,智能停车场状态更新完成后智能网联汽车将车辆状态更新给云控中心。
进一步的,所述S2具体为,构建SARIMA模型、对数据预处理、模型定阶、模型寻优、模型适应性检验以及模型预测;
所述SARIMA模型是在自回归模型AR和移动平均模型MA的基础上发展来的;
所述自回归模型的基本思想是时间序列{Xt}的第t期的取值只跟前期的取值有关,故它的滞后值和当前残差的线性函数,公式表达如下:
式(1)中,p为自回归阶数,是模型的待定自回归系数,εt则是误差项;
所述移动平均模型基本思想是时间序列的当前序列值与过去时间的值无关,而是与过去时间的波动项有关,通过过去时间的残差来线性表示时间序列的当前值,公式表达如下:
Xt=μ+εt-θ1εt-1-θ2εt-2-…-θqεt-q (2)
式(2)中,μ是常数项,q是移动平均阶数,θi是模型的待定移动平均系数,εt则是误差项;
自回归移动平均模型ARMA是AR模型和MA模型的组合,其基本思想是时间序列的当前序列值是它的先前值以及当前值与先前值的残差序列的线性组合,公式如下所示:
式(3),p为自回归阶数,q是移动平均阶数,是模型的待定自回归系数,θi是模型的待定移动平均系数,εt则是误差项;
自回归差分移动平均模型ARIMA是将非平稳时间序列差分后转化为平稳时间序列,再通过ARMA模型拟合;
所述非平稳时间序列xt经过d阶差分后的新平稳序列表达如下式所示:
式(4)中,是差分算子,B是后移算子;
再对平稳序列wt建立ARMA(p,q)模型,则原序列xt可以表示为ARIMA(p,d,q)模型,数学表达为:
式(5)中,θ(B)=1-θ1B-...-θqBq,d是进行的差分次数,E(εt)是误差项εt的均值,Var(εt)误差项εt的方差,E(εtεs)是任意两个不同时刻误差项乘积的均值;
季节性自回归差分移动平均模型SARIMA的基本思想是在ARIMA模型的基础上再对时间序列进行季节性差分以消除其季节性,转化为弱平稳序列;
模型记作SARIMA(p,d,q)(P,D,Q)S,其一般形式为:
式(6)中,p,P,q,Q分别表示季节与非季节自回归移动平均算子的最大滞后阶数,D,d分别表示非季节性和季节性差分的次数,S表示季节的长度;
确定模型后,对数据进行预处理,画出原始占用率序列的自相关的ACF图、偏自相关的PACF图,然后将数据进行差分和季节性差分处理并进行进行白噪声检验,确保该平稳序列不是白噪声序列;白噪声检验的方法一般采用Ljung-Box检验,即LB检验,其基本方法如下:
假设条件:
其中,ρk为延迟k阶的自相关系数,m为最大延迟阶数,原假设H0说明序列为独立同分布的白噪声;
检验统计量:
LB(Q)统计量近似服从自由度为m的χ2分布;
数据预处理后进行模型定阶与寻优,SARIMA模型中的参数d和D均取1,而S的取值根据数据周期选取;而对于模型的自回归阶数p,P和移动平均阶数q,Q,根据BIC值的大小来进行选;
BIC=ln(k)·n-2 ln(L) (9)
其中,k为模型参数个数,n为样本数量,L为似然函数;BIC值最小的模型阶数是最优的;
选取均方根误差RMSE、可解释方差Explained variance和平均绝对百分比误差MAPE作为模型预测结果的评价指标,具体公式如下:
式(10)中y代表实际值,代表预测值;式(11)中Var代表取方差。
进一步的,所述S3构建时间序列动态停车分配模型为:考虑驾驶员驾驶时间与步行时间以及停车场占用率的广义费用最低的动态分配模型,具体为:
动态停车分配模型的基本思想是将动态分配时段H内的h个决策时刻离散化为h个时间步,片={t1,...,th}代表决策时间范围,其中tk(k=1,...,h)则代表决策时刻所离散化的时间步;在每个决策时刻k下定义所有车辆集合为X(k),定义系统中所有车辆的属性为I(K),定义停车场属性集合为J(k);
X(K)={W(K),R(k),A(k)} (13)
其中,W(k)为待分配车辆集合,R(k)为等待车辆集合,A(k)为已完成停车车辆集合;
I(K)={V(K),L(k),D(k)} (14)其中,y(K)为车辆位置,L(K)为驾驶员的偏好类型,D(K)为目的地;
J(K)={O(k),Q(k),θ(k),E(k)} (15)
其中,O(k)为车场的位置坐标,Q(k)为停车场总容量,θ(k)为停车占用率,E(k)为停车场可用车位数;
车辆i到停车场j的距离用Dij(k)=||Oj(k)-Vi(k)||表示,车辆i到停车场j的驾驶时间用t′ij表示,t′ij=f(Dij(k),vd),vd代表车辆的驾驶速度,f为求解时间的函数,车辆到达停车场的时刻为tk+t′ij;车辆i的驾驶员从停车场j到目的地的距离为Dji(k)=||Di(k)-Oj(k)||,则车辆i的驾驶员从停车场j到目的地的步行时间t′wji=f(Dji(k),vw),其中vw表示驾驶员的步行速度;
动态模型的数学模型:在各个时间步tk下,将模型定义为Model(k),跟静态模型类似,将动态模型的0-1决策变量定义为xij,当等待分配车辆集合W(k)中的车辆i被分配到停车场j中时,xij=1;动态分配模型的具体表述如下:
t′ij=f(Dij(k),vd) (17)
t′wji=f(Dji(k),vw) (18)
S.t.:
xij∈{0,1},(i∈W(k),j∈P) (21)
目标函数(16)是要求所有待分配车辆的总停车成本最小,其中wθ广义费用中各费用的权重因子;约束函数(17)保证有一个停车场Pi中的停车位被分配给车辆i∈Vk,即保证每辆车分配一个停车位;约束函数(20)保证分配给停车场j的车辆数不会超过停车场Pi的可用停车位数量eij,其中P是停车场集合代表总共有P个停车场;同样的,为了避免出现模型不存在可行解的情况,引入虚拟停车场的设置,虚拟停车场同样被包含在停车场集合Pi中;而在每个决策时刻k下的停车分配结果用Model(k)(k=1,......,h)表示。
进一步的,所述S4对构建的时间序列动态停车分配模型,设计改进变邻域搜索算法的混合式启发式算法对时间序列动态停车分配模型进行求解具体为:
基于时间驱动的动态分配模型求解方法:首先需要将动态的分配问题分解为一系列的静态分配问题,在每个决策点对停车场状态和待分配车辆集合进行一次更新,其中在决策时刻k的待分配车辆集合的更新公式如下:
W(k)=(W(k-1)NW(k-1)a)∪W(k)new (23)
其中W(k)表示k时刻待分配车辆,W(k-1)a表示时刻k-1成功分配停车位的车辆,W(k)new表示在时刻k请求分配的车辆及重新申请分配的车辆;W(k)中所有车辆到达区域内所有停车场的行驶时间矩阵T′以及所有驾驶员从各停车场到达目的地所需要的步行时间矩阵T″,其中T′=(t′ij),i∈W(k),j∈Pi,T″=(t′wij),i∈W(k),j∈Pi,然后根据这些数据对Model(k)进行求解,在完成k时刻的停车分配后,在下个时刻k+1继续求解Model(k+1),不断循环直到整个动态停车分配流程结束;
算法实现过程:设计的启发式算法以变邻域搜索算法VNS为核心算法,用贪婪算法生成初始解,构建混合启发式算法来解决停车分配问题;使用变邻域搜索算法求解停车成本最低的方案,所述领域搜索算法采用重新分配和循环交换的领域结构;
贪婪算法生成初始解:对每一辆车i,分别求将该车分配到各个停车场j中的停车成本,并按成本对各停车场进行排序;排序后便可得到对于车辆i的各停车场按成本排序的序列o(i,j),j=1,...,m;其中o(i,1)就代表对于车辆i停车成本最低的停车场索引,o(i,2)则代表了成本第二低的停车场索引,o(i,n)则表示成本排在第n位的停车场索引;在贪婪算法中,对每辆车i都找到其停车成本最低的停车场0(i,1),但如果不满足约束条件,解不可行的话,即在车辆到达停车场时刻停车场已没有可用停车位或者该时刻下已经被分配到该停车场的车辆数已经大于其可用停车位数量,则车辆将被分配到成本第二低的停车场o(i,2)中,以此类推;
重新分配的邻域设置:给定一个可行解x,其对应形式为(i,xi),对于每辆车i,更改其所分配的停车场xi;由此重新分配邻域可以定义为重复重新分配k次得到新解y;对于重新分配前后的两个解x和y而言,仅当对k辆车的分配结果不同,即xi≠yi时,两个解之间的不同分配结果的数量等于k,而对于剩下的n-k辆车则保持xi=yi;
循环交换的邻域设置:给定一个解x,其中(i1,j1)和(i2,j2)表示两个车辆与停车场配对的结果;假设车辆i1和i2分别交换它们在解x中的停车位,得到一个新的解y中的(i1,j2)和(i2,j1);交换邻域中则包含了所有执行这种交换后由解x得到的新解y;在这个邻域中的所有解并不都是可行的,有些车辆到达时,所有的停车位都会被占用;将解x的第k个交换邻域定义为/>表示解x经过k个交换得到新解的交换结构;
重新分配局部搜索使用重新分配邻域给定一个初始可行解x,在重新分配邻域中,每辆车都试图改变其所分配的停车位,/>的基数是n×m,通过将解中的车辆在邻域结构中重新分配停车位rv(rv<m)次方式来将其显著减少;
循环交换局部搜索使用交换局部邻域在循环交换局部搜索中,一次交换会有两辆车i1,i2和两个相对应的停车场j1,j2,会有四个时间点:
t1:车辆i1到达其当前分配停车场j1的时间;
t2:车辆i2到达其当前分配停车场j2的时间;
t3:车辆i1到达其当前分配停车场j2的时间;
t4:车辆i2到达其当前分配停车场j1的时间。
进一步的,所述S5进行性能评估具体为:根据停车占用率的变化情况,按照历史数据以及一定的规则生成停车需求,进行动态停车分配实验研究,根据模型有效性的评估指标,来评估模型有效性;
实验设定:车辆的行驶距离驾驶员步行距离采取曼哈顿距离进行计算,曼哈顿距离计算公式如下:
c=|x1-x2|+|y1-y2|=|Δx|+|Δy| (24)
车辆和车辆目的地的位置采用经纬度表示,在进行行驶里程计算时,将经纬度转化成距离,计算公式如下:
式(25)和(26)中lon1和lat1代表车辆目的地的经度和纬度,lon2和lat2代表当前车辆的经度和纬度,Re为地球半径。
设置个体最优停车车位分配方法和整体分配方法进行实验对比;
所述个体最优停车车位分配方法,具体为:
S61:无系统分配情况下驾驶员开车到离他目的地最近的停车场,所花费的驾驶时间;
S62:驾驶员到达时发现S61所述的停车场没有空位,则尝试下一个最近的停车场,消耗的额外的时间;
S63:所述S62的停车场没有空位,则继续到第三近的停车场,依次类推;
所述整体分配方法,具体为:系统仅根据停车请求发起当前时刻下的停车场占用信息对当前车辆进行车辆分配。
进一步的,所述模型有效性的评估指标包括平均行驶距离、平均步行距离以及停泊失败次数。
本发明的有益效果在于:
第一,本发明提出了基于停车占用率预测的停车分配方法能够有效地提高用户的停车成功率,减少车辆的反复寻泊,提高停车效率。
第二,本发明提出的基于预测的停车分配方法在STDDes值越小时,即用户目的地越集中时,更能体现出对停车资源的有效分配。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为云控系统下的停车分配方法时间流程图;
图2为SARIMA模型建模流程图;
图3为停车场占用率变化趋势图;
图4为停车场占用率序列差分前自相关与自偏相关图;
图5为停车场占用率序列差分后自相关与自偏相关图;
图6为云控系统下基于停车占用率预测的停车分配方法框架图;
图7为ARIMA与SARIMA模型预测结果对比;
图8为动态分配模型求解流程图;
图9为改进VNS算法流程图;
图10为在停车位充足与不充足的情况下不同分配方法效果图;图10(a)为不同分配方法在停车位充足与不充足情况下平均行驶距离图;图10(b)为不同分配方法在停车位充足与不充足情况下驾驶员平均步行距离图;图10(c)为不同分配方法在停车位充足与不充足情况下一次停泊失败人数图;
图11为不同请求时间段下不同分配方法效果图;图11(a)为不同分配方法在各个时段下的平均行驶距离图;图11(b)为不同分配方法在各个时段下的驾驶员平均步行距离图;图11(c)为不同分配方法在各个时段下的一次停泊失败人数图;
图12为不同目的地密度下不同分配方法效果图;图12(a)为不同目的地密度下各方法的平均行驶距离图;图12(b)为不同目的地密度下各方法的驾驶员平均步行距离图;图12(c)为不同目的地密度下各方法的一次停泊失败人数图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图6-12所示,为一种云系统下基于停车占用率的动态分配方法。
如图6所示,本发明的实施过程包括:
S1:在云控系统的架构下提出基于停车占用率预测的分配方法的基本框架;
S2:基于SARIMA模型的停车场占用率预测;
S3:针对停车分配问题,选取动态停车分配模型;
S4:动态分配模型求解:介绍基于时间序列动态停车分配模型的求解流程,以及算法实现过程。
S5:性能评估:根据SFPark路边停车系统项目中的真实数据集对S4中构建的模型进行性能评估。
本实例结合美国洛杉矶SFPark项目中统计而来的真实停车数据作为原始数据进行停车占用率预测的相关说明,并且利用预测结果验证动态停车分配模型的有效性。
(1)确定SARIMA模型中的参数d和D均取1,由自相关图得出序列周期为18,则S取值为18,然后通过BIC值最小,确定最优模型为SARIMA(1,1,7)×(1,1,1)18。
(2)运用Ljung-Box检验对模型的残差序列进行白噪声检验,p值在1阶、6阶、12阶、18阶均远大于0.05,可认为残差序列为白噪声序列,可以通过SARIMA(1,1,7)×(1,1,1)18模型对训练集进行拟合并对测试集进行预测。
由预测结果可知SARIMA模型较之ARIMA模型对停车占用率这类周期性的时间序列预测效果更好,预测结果RMSE降低了大约22.5%;可解释方差也更为接近1,由0.76提高到了0.86,说明预测值与真实值的分散程度更接近;MAPE也从14.10%减低至9.66%,预测误差更小。而从图7中也可以看出,SARIMA模型预测值更贴近真实值曲线,预测效果更好。
(3)如图8所示,利用SARIMA模型预测值,结合动态停车分配模型提供用户最低成本停车方案,求解模型流程图;如图9所示,动态停车分配模型中改进的VNS算法流程图。
(4)车辆速度设置为40公里/小时,步行速度设置为6公里/小时,设置三组对比实验来验证本专利所提出的停车分配方法的有效性,分别为a.停车位充足与紧张情况下停车分配对比;b.不同时间段下停车分配对比;c.不同目的地密度下停车分配对比。
a.仿真开始时间设置为17:00,用户目的地生成的标准偏差STDDes=3000,考虑停车位充足和停车位紧张两种情况,设置的车辆数量分别为100辆和300辆。在停车位充足和紧张两种情况下分别对三种停车分配方法进行仿真实验,最终仿真结果如图10、图10(a)、图10(b)、图10(c)所示;本发明提出的基于预测的动态停车分配方法可以有效减少车辆的反复停泊,减少车辆行驶距离和一次停泊失败的人数,尤其是在系统内停车位数量供应不足的情况下。
b.探究发起停车分配请求的时间段对停车分配模型的影响,比较了不同请求时间段的三种停车分配方法的平均行驶距离、步行距离和一次停泊失败的人数,具体开始时间分别为:08:00、11:00、14:00、17:00、20:00五个时间段,仿真具体结果如图11、图11(a)、图11(b)、图11(c)所示;本专利提出的基于停车占用率预测的停车分配方法在不同时间段下均可以表现出更好的效果,通过预测来提高用户的停车成功率。
c.分析不同用户目的地分布密度的停车分配方法之间的差异,该实验中,本文根据三个STDDes值:1000、3000和5000生成了三种密度。STDDes值越大,则用户目的地的密度越小;反之则密度越大,用户目的地大部分集中在中心点附近,仿真具体结果如图12、图12(a)、图12(b)、图12(c)所示;本发明提出的基于预测的停车分配方法在STDDes值越小时,即用户目的地越集中时,更能体现出对停车资源的有效分配。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种云控系统下基于停车占用率预测的动态停车分配方法,其特征在于:该方法包括以下步骤:
S1:在云控系统的架构下提出基于停车占用率的分配方法的基本框架;
S2:在所述基本框架内根据停车场占用率时间序列的特点,基于SARIMA模型对停车场占用率进行预测,得到对所述停车场占用率的预测结果;
S3:根据S2的预测结果,对停车问题的动态特性构建时间序列动态停车分配模型;
S4:对所述构建的时间序列动态停车分配模型,设计改进变邻域搜索算法的混合式启发式算法对时间序列动态停车分配模型进行求解。
2.根据权利要求1所述的一种云控系统下基于停车占用率预测的动态停车分配方法,其特征在于:所述S1中基本框架包括云控中心、智能网联汽车、智能停车场以及停车分配方法;所述云控中心通过通信网实时监测所述智能停车场,所述智能网联汽车通过通信网向云控中心发起停车请求,云控中心对所述停车请求进行停车信息处理,启动停车分配方法,为智能网联汽车分配停车方案,智能网联汽车根据所述分配停车方案完成停车后智能停车场将停车场的状态更新给云控中心,智能停车场状态更新完成后智能网联汽车将车辆状态更新给云控中心。
3.根据权利要求1所述的一种云控系统下基于停车占用率预测的动态停车分配方法,其特征在于:所述S2具体为,构建SARIMA模型、对数据预处理、模型定阶、模型寻优、模型适应性检验以及模型预测;
所述SARIMA模型是在自回归模型AR和移动平均模型MA的基础上发展来的;
所述自回归模型的基本思想是时间序列{Xt}的第t期的取值只跟前期的取值有关,故它的滞后值和当前残差的线性函数,公式表达如下:
式(1)中,p为自回归阶数,是模型的待定自回归系数,εt则是误差项;
所述移动平均模型基本思想是时间序列的当前序列值与过去时间的值无关,而是与过去时间的波动项有关,通过过去时间的残差来线性表示时间序列的当前值,公式表达如下:
Xt=μ+εt-θ1εt-1-θ2εt-2-…-θqεt-q (2)
式(2)中,μ是常数项,q是移动平均阶数,θi是模型的待定移动平均系数,εt则是误差项;
自回归移动平均模型ARMA是AR模型和MA模型的组合,其基本思想是时间序列的当前序列值是它的先前值以及当前值与先前值的残差序列的线性组合,公式如下所示:
式(3),p为自回归阶数,q是移动平均阶数,是模型的待定自回归系数,θi是模型的待定移动平均系数,εt则是误差项;
自回归差分移动平均模型ARIMA是将非平稳时间序列差分后转化为平稳时间序列,再通过ARMA模型拟合;
所述非平稳时间序列xt经过d阶差分后的新平稳序列表达如下式所示:
式(4)中,是差分算子,B是后移算子;
再对平稳序列wt建立ARMA(p,q)模型,则原序列xt可以表示为ARIMA(p,d,q)模型,数学表达为:
式(5)中,θ(B)=1-θ1B-…-θqBq,d是进行的差分次数,E(εt)是误差项εt的均值,Var(εt)误差项εt的方差,E(εtεs)是任意两个不同时刻误差项乘积的均值;
季节性自回归差分移动平均模型SARIMA的基本思想是在ARIMA模型的基础上再对时间序列进行季节性差分以消除其季节性,转化为弱平稳序列;
模型记作SARIMA(p,d,q)(P,D,Q)S,其一般形式为:
式(6)中,p,P,q,Q分别表示季节与非季节自回归移动平均算子的最大滞后阶数,D,d分别表示非季节性和季节性差分的次数,S表示季节的长度;
确定模型后,对数据进行预处理,画出原始占用率序列的自相关的ACF图、偏自相关的PACF图,然后将数据进行差分和季节性差分处理并进行进行白噪声检验,确保该平稳序列不是白噪声序列;白噪声检验的方法一般采用Ljung-Box检验,即LB检验,其基本方法如下:
假设条件:
其中,ρk为延迟k阶的自相关系数,m为最大延迟阶数,原假设H0说明序列为独立同分布的白噪声;
检验统计量:
LB(Q)统计量近似服从自由度为m的χ2分布;
数据预处理后进行模型定阶与寻优,SARIMA模型中的参数d和D均取1,而S的取值根据数据周期选取;而对于模型的自回归阶数p,P和移动平均阶数q,Q,根据BIC值的大小来进行选;
BIC=ln(k)·n-2ln(L) (9)
其中,k为模型参数个数,n为样本数量,L为似然函数;BIC值最小的模型阶数是最优的;
选取均方根误差RMSE、可解释方差Explained variance和平均绝对百分比误差MAPE作为模型预测结果的评价指标,具体公式如下:
式(10)中y代表实际值,代表预测值;式(11)中Var代表取方差。
4.根据权利要求1所述的一种云控系统下基于停车占用率预测的动态停车分配方法,其特征在于:所述S3构建时间序列动态停车分配模型为:考虑驾驶员驾驶时间与步行时间以及停车场占用率的广义费用最低的动态分配模型,具体为:
动态停车分配模型的基本思想是将动态分配时段H内的h个决策时刻离散化为h个时间步,H={t1,…,th}代表决策时间范围,其中tk(k=1,…,h)则代表决策时刻所离散化的时间步;在每个决策时刻k下定义所有车辆集合为X(k),定义系统中所有车辆的属性为I(K),定义停车场属性集合为J(k);
X(K)={W(K),R(k),A(k)} (13)
其中,W(K)为待分配车辆集合,R(k)为等待车辆集合,A(k)为已完成停车车辆集合;
I(K)={V(K),L(k),D(k)} (14)
其中,V(K)为车辆位置,L(K)为驾驶员的偏好类型,D(K)为目的地;
J(K)={O(k),Q(k),θ(k),E(k)} (15)
其中,O(k)为车场的位置坐标,Q(k)为停车场总容量,θ(k)为停车占用率,E(k)为停车场可用车位数;
车辆i到停车场j的距离用Dij(k)=||Oj(k)-Vi(k)||表示,车辆i到停车场j的驾驶时间用t'ij表示,t'ij=f(Dij(k),vd),vd代表车辆的驾驶速度,f为求解时间的函数,车辆到达停车场的时刻为tk+t'ij;车辆i的驾驶员从停车场j到目的地的距离为Dji(k)=||Di(k)-Oj(k)||,则车辆i的驾驶员从停车场j到目的地的步行时间t'wji=f(Dji(k),vw),其中vw表示驾驶员的步行速度;
动态模型的数学模型:在各个时间步tk下,将模型定义为Model(k),跟静态模型类似,将动态模型的0-1决策变量定义为xij,当等待分配车辆集合W(k)中的车辆i被分配到停车场j中时,xij=1;动态分配模型的具体表述如下:
t′ij=f(Dij(k),vd) (17)
t′wji=f(Dji(k),vw) (18)
s.t.:
xij∈{0,1},(i∈W(k),j∈P) (21)
目标函数(16)是要求所有待分配车辆的总停车成本最小,其中wθ广义费用中各费用的权重因子;约束函数(17)保证有一个停车场Pi中的停车位被分配给车辆i∈Vk,即保证每辆车分配一个停车位;约束函数(20)保证分配给停车场j的车辆数不会超过停车场Pi的可用停车位数量eij,其中P是停车场集合代表总共有P个停车场;同样的,为了避免出现模型不存在可行解的情况,引入虚拟停车场的设置,虚拟停车场同样被包含在停车场集合Pi中;而在每个决策时刻k下的停车分配结果用Model(k)(k=1,……,h)表示。
5.根据权利要求1所述的一种云控系统下基于停车占用率预测的动态停车分配方法,其特征在于:
所述S4对构建的时间序列动态停车分配模型,设计改进变邻域搜索算法的混合式启发式算法对时间序列动态停车分配模型进行求解具体为:
基于时间驱动的动态分配模型求解方法:首先需要将动态的分配问题分解为一系列的静态分配问题,在每个决策点对停车场状态和待分配车辆集合进行一次更新,其中在决策时刻k的待分配车辆集合的更新公式如下:
W(k)=(W(k-1)\W(k-1)a)∪W(k)new (23)
其中W(k)表示k时刻待分配车辆,W(k-1)a表示时刻k-1成功分配停车位的车辆,W(k)new表示在时刻k请求分配的车辆及重新申请分配的车辆;W(k)中所有车辆到达区域内所有停车场的行驶时间矩阵T'以及所有驾驶员从各停车场到达目的地所需要的步行时间矩阵T”,其中T'=(t'ij),i∈W(k),j∈Pi,T”=(t'wij),i∈W(k),j∈Pi,然后根据这些数据对Model(k)进行求解,在完成k时刻的停车分配后,在下个时刻k+1继续求解Model(k+1),不断循环直到整个动态停车分配流程结束;
算法实现过程:设计的启发式算法以变邻域搜索算法VNS为核心算法,用贪婪算法生成初始解,构建混合启发式算法来解决停车分配问题;使用变邻域搜索算法求解停车成本最低的方案,所述领域搜索算法采用重新分配和循环交换的领域结构;
贪婪算法生成初始解:对每一辆车i,分别求将该车分配到各个停车场j中的停车成本,并按成本对各停车场进行排序;排序后便可得到对于车辆i的各停车场按成本排序的序列p(i,j),j=1,…,m;其中p(i,1)就代表对于车辆i停车成本最低的停车场索引,o(i,2)则代表了成本第二低的停车场索引,o(i,n)则表示成本排在第n位的停车场索引;在贪婪算法中,对每辆车i都找到其停车成本最低的停车场p(i,1),但如果不满足约束条件,解不可行的话,即在车辆到达停车场时刻停车场已没有可用停车位或者该时刻下已经被分配到该停车场的车辆数已经大于其可用停车位数量,则车辆将被分配到成本第二低的停车场p(i,2)中,以此类推;
重新分配的邻域设置:给定一个可行解x,其对应形式为(i,xi),对于每辆车i,更改其所分配的停车场xi;由此重新分配邻域可以定义为重复重新分配k次得到新解y;对于重新分配前后的两个解x和y而言,仅当对k辆车的分配结果不同,即xi≠yi时,两个解之间的不同分配结果的数量等于k,而对于剩下的n-k辆车则保持xi=yi;
循环交换的邻域设置:给定一个解x,其中(i1,j1)和(i2,j2)表示两个车辆与停车场配对的结果;假设车辆i1和i2分别交换它们在解x中的停车位,得到一个新的解y中的(i1,j2)和(i2,j1);交换邻域中则包含了所有执行这种交换后由解x得到的新解y;在这个邻域中的所有解并不都是可行的,有些车辆到达时,所有的停车位都会被占用;将解x的第k个交换邻域定义为/>表示解x经过k个交换得到新解的交换结构;
重新分配局部搜索使用重新分配邻域给定一个初始可行解x,在重新分配邻域中,每辆车都试图改变其所分配的停车位,/>的基数是n×m,通过将解中的车辆在邻域结构中重新分配停车位rv(rv<m)次方式来将其显著减少;
循环交换局部搜索使用交换局部邻域在循环交换局部搜索中,一次交换会有两辆车i1,i2和两个相对应的停车场j1,j2,会有四个时间点:
t1:车辆i1到达其当前分配停车场j1的时间;
t2:车辆i2到达其当前分配停车场j2的时间;
t3:车辆i1到达其当前分配停车场j2的时间;
t4:车辆i2到达其当前分配停车场j1的时间。
6.根据权利要求1所述的一种云控系统下基于停车占用率预测的动态停车分配方法,其特征在于:所述S5进行性能评估具体为:根据停车占用率的变化情况,按照历史数据以及一定的规则生成停车需求,进行动态停车分配实验研究,根据模型有效性的评估指标,来评估模型有效性;
实验设定:车辆的行驶距离驾驶员步行距离采取曼哈顿距离进行计算,曼哈顿距离计算公式如下:
c=|x1-x2|+|y1-y2|=|Δx|+|Δy| (24)
车辆和车辆目的地的位置采用经纬度表示,在进行行驶里程计算时,将经纬度转化成距离,计算公式如下:
式(25)和(26)中lon1和lat1代表车辆目的地的经度和纬度,lon2和lat2代表当前车辆的经度和纬度,Re为地球半径。
设置个体最优停车车位分配方法和整体分配方法进行实验对比;
所述个体最优停车车位分配方法,具体为:
S61:无系统分配情况下驾驶员开车到离他目的地最近的停车场,所花费的驾驶时间;
S62:驾驶员到达时发现S61所述的停车场没有空位,则尝试下一个最近的停车场,消耗的额外的时间;
S63:所述S62的停车场没有空位,则继续到第三近的停车场,依次类推;
所述整体分配方法,具体为:系统仅根据停车请求发起当前时刻下的停车场占用信息对当前车辆进行车辆分配。
7.根据权利要求6所述的一种云控系统下基于停车占用率预测的动态停车分配方法,其特征在于:所述模型有效性的评估指标包括平均行驶距离、平均步行距离以及停泊失败次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310662346.7A CN116597687A (zh) | 2023-06-06 | 2023-06-06 | 一种云控系统下基于停车占用率预测的动态停车分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310662346.7A CN116597687A (zh) | 2023-06-06 | 2023-06-06 | 一种云控系统下基于停车占用率预测的动态停车分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116597687A true CN116597687A (zh) | 2023-08-15 |
Family
ID=87589875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310662346.7A Pending CN116597687A (zh) | 2023-06-06 | 2023-06-06 | 一种云控系统下基于停车占用率预测的动态停车分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597687A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649781A (zh) * | 2024-01-30 | 2024-03-05 | 泰安市东信智联信息科技有限公司 | 基于数据融合的智慧停车监测数据智能处理方法 |
-
2023
- 2023-06-06 CN CN202310662346.7A patent/CN116597687A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649781A (zh) * | 2024-01-30 | 2024-03-05 | 泰安市东信智联信息科技有限公司 | 基于数据融合的智慧停车监测数据智能处理方法 |
CN117649781B (zh) * | 2024-01-30 | 2024-04-16 | 泰安市东信智联信息科技有限公司 | 基于数据融合的智慧停车监测数据智能处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sayarshad et al. | Non-myopic relocation of idle mobility-on-demand vehicles as a dynamic location-allocation-queueing problem | |
CN102044149B (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
Agussurja et al. | A state aggregation approach for stochastic multiperiod last-mile ride-sharing problems | |
Guo et al. | Vehicle rebalancing with charging scheduling in one-way car-sharing systems | |
CN116597687A (zh) | 一种云控系统下基于停车占用率预测的动态停车分配方法 | |
Roorda et al. | Incorporating within-household interactions into mode choice model with genetic algorithm for parameter estimation | |
Duan et al. | Optimizing order dispatch for ride-sharing systems | |
CN112418514A (zh) | 一种运用蚁群系统优化校园公交线路规划的方法 | |
Sayarshad et al. | A scalable non-myopic atomic game for a smart parking mechanism | |
Haliem et al. | A distributed model-free ride-sharing algorithm with pricing using deep reinforcement learning | |
Narayanan et al. | Modelling reservation-based shared autonomous vehicle services: A dynamic user equilibrium approach | |
CN111738490A (zh) | 柔性公交线路资源复用分配调度方法 | |
CN112183863B (zh) | 基于引力模型的细粒度出租车路线推荐方法、系统及介质 | |
Filipovska et al. | Anticipatory fleet repositioning for shared-use autonomous mobility services: An optimization and learning-based approach | |
Ribeiro Jr et al. | HARMONIC: Shapley values in market games for resource allocation in vehicular clouds | |
CN112613663B (zh) | 共享车辆调度方法、计算设备和计算机可读存储介质 | |
WO2019235289A1 (ja) | 車両乗合支援システム | |
US11250363B2 (en) | Resource allocation using scalable non-myopic atomic game for smart parking and other applications | |
Qu et al. | A dynamic ridesplitting method with potential pick-up probability based on GPS trajectories | |
Li et al. | Using non-cooperative game theory for taxi-sharing recommendation systems | |
CN112329962A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
Patole et al. | Taxi demand prediction using lstm and optimized taxi geo-distribution | |
Agureev et al. | Mathematical Model of Transport Behavior Based on Transport Macro System Theory | |
US20240177003A1 (en) | Vehicle repositioning determination for vehicle pool | |
CN118334896A (zh) | 一种智能泊车服务中的泊车场预约泊位占比异构设置方法及装置 |
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 |