CN108417032A - 一种城市中心区路边停车需求分析预测方法 - Google Patents
一种城市中心区路边停车需求分析预测方法 Download PDFInfo
- Publication number
- CN108417032A CN108417032A CN201810226062.2A CN201810226062A CN108417032A CN 108417032 A CN108417032 A CN 108417032A CN 201810226062 A CN201810226062 A CN 201810226062A CN 108417032 A CN108417032 A CN 108417032A
- Authority
- CN
- China
- Prior art keywords
- parking
- artificial neural
- data
- vehicle
- predicted
- 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
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市中心区路边停车需求分析预测方法,采集近三个月中心区路边停车设施的相关数据,建立人工神经网络,对人工神经网络的参数β进行变异操作,得到改进的人工神经网络;将待预测目标数据的历史数据作为原始数据,经过数据纵向对比处理以及归一化后,把处理过的数据作为训练样本输入改进的人工神经网络;选择与验证样本误差最小的一组对应的改进的人工神经网络模型作为训练模型输入待预测数据进行预测,得到待预测日的停车需求泊松分布参数;将拟合得到的城市路边路边停车需求模型,应用于实际停车场,对路边停车需求时间进行预测。本发明的有益效果是可为城市中心区路边停车需求的分析预测提供可行方案,据有良好的实用性。
Description
技术领域
本发明属于城市路边停车需求分析预测技术领域,涉及一种城市中心区路边停车需求分析预测方法。
背景技术
近年来,随着城市经济的快速发展和人们生活水平的提高,私家车的数量也急剧增加。而城市停车场规划与建设的增长速度却滞后于汽车保有量增加的幅度,停车位供给严重缺乏。此外,部分城市缺乏***性停车设施规划,这些问题导致城市路侧停车难和停车乱的问题日益严重。而城市中心区的路侧停车问题就就显得尤其严重,如何将快速准确的把握城市中心区路边停车需求基本特征,对其进行详尽的分析和精准的预测显得尤为重要。
随着智能算法的兴起,专家、学者相继提出许多关于停车需求分析预测的方法,这些方法主要包括,利用元胞自动机模型对交通流能耗进行估算,构建经济行为模型分析停车行为,利用马尔科夫链构建路边停车寻位模型,提出一种广义费用最小的城市路边停车模型进行停车规划等。这些研究表明,路边停车问题的解决思路主要集中于引导停车需求,提高交通通行效率等方面,但存在以下缺点:没有挖掘城市路边停车的时空分布特性,没有充分考虑车辆到达、驶离规律,预测停车时间的可能分布,并针对不同时段和区域制定不同停车策略,以其达到合理分流城市停车需求,缓解城市停车问题。
传统的Elman人工神经网络利用动量梯度下降法调整网络权重和权值,当输入数据量较大时,Elman人工神经网络容易进入局部最优状态,且收敛速度明显降低。而为了让Elman人工神经网络跳出局部最优解,可以基于遗传算法的变异思想,引入稳态自适应变异机制对Elman人工神经网络的参数β进行变异操作,以引导Elman人工神经网络跳出局部最优,寻找全局最优解。本发明提出一种基于改进Elman人工神经网络的城市中心区路边停车需求分析预测方法,更好预测路边停车需求分布,缓解城市停车问题。
发明内容
本发明的目的在于提供一种城市中心区路边停车需求分析预测方法,本发明的有益效果是获得的停车需求与实际停车需求基本吻合,可为城市中心区路边停车需求的分析预测提供可行方案,据有良好的实用性。
本发明所采用的技术方案是按照以下步骤进行:
步骤(1):采集近三个月中心区路边停车设施的相关数据,包括停车场的具***置、车辆驶入和驶离停车带的时刻、停车场泊位数、停车场的计费,用以代入Elman人工神经网络进行训练;
步骤(2):建立Elman人工神经网络,设定人工神经网络输入层神经元个数、输出神经元个数、网络迭代次数、神经元激励函数形式、动态参数、允许误差预测参数;
步骤(3):基于遗传算法的变异思想,引入稳态自适应变异机制对Elman人工神经网络的参数β进行变异操作;
步骤(4):设定改进的Elman人工神经网络的初始隐含层神经元数及层数;
步骤(5):将待预测目标数据的历史数据作为原始数据,经过数据纵向对比处理以及归一化后,把处理过的数据作为训练样本输入改进的Elman人工神经网络;返回步骤(4),重新设置改进的Elman人工神经网络的最优隐含层神经元数及层数,带入训练样本到改进的Elman人工神经网络进行训练;
步骤(6):对比通过设置不同的初始隐含层神经元数获得的不同组训练结果,选择与验证样本误差最小的一组对应的改进的Elman人工神经网络模型作为训练模型;
步骤(7):在训练模型中输入待预测数据进行预测,得到待预测日的停车需求泊松分布参数;
步骤(8):将拟合得到的城市路边路边停车需求模型,应用于实际停车场,对路边停车需求时间进行预测。
进一步,步骤(3)中变异操作是指基于遗传算法的变异思想,引入稳态自适应变异机制对Elman人工神经网络的参数β进行变异操作,以引导Elman人工神经网络跳出局部最优,寻找全局最优解;基于稳态自适应变异机制的β计算公式如下:其中,Δθ为Elman人工神经网络相邻代数的数据计算精度误差,σ为稳态自适应变异阈值。
进一步,步骤(7)中待预测数据以待预测日前N天该时刻的泊松分布参数为输入值。
进一步,步骤(7)中停车需求泊松分布参数包括Fk和Pk,Fk是指车辆到达数的出现次数,Pk是指车辆到达数的出现次数为k时的概率,用基于改进的Elman人工神经网络得到的停车需求泊松分布参数Fk和Pk与实际路边停车数据进行比较。
进一步,步骤(8)中,将拟合得到的城市路边路边停车需求模型,推导路边停车场累计频率表,再通过路边停车场的停车数量与车辆的平均停车时间的关系,对车辆到达的分布时间进行预测;路边停车场的停车数量与车辆的平均停车时间的关系中,路边停车场累计频率表以每15分钟为一级,计算停车时间在0min,15min,30min……180min以上的车辆所占整天停车车辆的比例;路边停车场的停车数量与车辆的平均停车时间的关系反映为,把停车时间小于15分钟的停车需求称为临时停车,路边停车场的临时平均停车时间和车辆数之间存在某中线性关系,当汽车的停车时间长度大于15分钟时,路边停车场的停车数量与车辆的平均停车时间与存在指数关系:
附图说明
图1基于改进Elman人工神经网络的城市中心区路边停车需求分析预测方法技术结构图;
图2老城区四个主要路边停车场的停车时间分布图;
图3基于改进的Elman的泊松模型及基于基本泊松模型的停车时间需求预测精度分布。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明提出一种基于改进的Elman人工神经网络的城市中心区路边停车需求分析预测方法,利用已有的停车数据,用Elman人工神经网络调节泊松分布参数,获得路边停车场到达和驶离分布情况,继而推导路边停车场累计频率表,最后通过路边停车场的停车数量与车辆的平均停车时间的关系对车辆到达的分布时间进行预测。该技术的***架构图如图1所示。
实施例1:
1.根据合肥市路边停车设施的停车流水数据,通过Elman人工神经网络计算调节泊松分布参数,以获得更加合理的Fk和Pk参数设置,计算各个路边停车设施的车辆到达概率分布函数。表1为合肥老城区主要路边停车场的车辆到达泊松分布表,其中车辆到达的时间间隔为5分钟。从表1可得到五个主要停车场的到达车辆分布,其中,安庆路边停车设施,平均停车数量的期望值为2.514辆,芜湖路的路边停车平均停车数为1.889辆,红星路停车设施的平均停车数0.72辆,寿春路的路边停车数为2.083辆,阜南路为1.453辆。路边停车到达分布基本服从泊松分布。表1为合肥老城区各个路边停车设施的到达分布的概率密度函数。
表1
2.与车辆到达路边停车场分布类似,通过Elman人工神经网络计算调节泊松分布参数,以获得更加合理的Fk和Pk参数设置,实际停车数据表明车辆驶离停车场概率也用泊松分布进行拟合。表2为车辆在路边停车带结束停留状态,每5分钟驶离路边停车场的概率密度。
表2
3.结合合肥老城区的停车数据对交通流的车头间距进行拟合,得到表3所示的老城区主要路边停车场累计频率分布。
表3
4.交通工程领域内通常把停车时间小于15分钟的停车需求称为临时停车。路边停车场的临时平均停车时间和车辆数之间存在某中线性关系。当汽车的停车时间长度大于15分钟时,路边停车场的停车数量与车辆的平均停车时间与存在指数关系。因此,我们可以得到如下公式所示的路边停车带的停车数量与停车时间的关系。代入老城区的六安路、寿春路、长江路和阜南路等合肥主要老城区路边停车场的数据,可得到短时停车(停车时间小于15分钟)和长时停车回归模型,如表4所示。
表4
5.根据上述步骤比较老城区四个主要停车场的停车时间的实际观测值和理论值,如图2。整体而言,各个停车场的理论停车时间与实际观察值的走势基本相符,而且随着停车时间的增加,理论值与预测值之间的差异也越来越小。当驾驶员的停车时间超过150分钟时,路边停车设施的理论停车时间与实际停车时间非常接近,证明提出的路边停车模型的可靠性。
本发明利用基于Elman改进泊松分布和基本泊松分布两种方法对合肥的六安路停车场、寿春路停车场、长江路停车场及阜南路停车场等四个主要停车场的平均停车时间需求进行预测。结果表明基于改进的Elman算法校正的泊松模型得到的车辆到达分布时间预测精度明显好于基于历史数据统计获得的泊松模型的预测精度。图3显示停车时间需求较小的情况下(小于15分钟),两种算法的预测精度基本相同。随着停车时间需求的增长,基本泊松算法的预测精度明显变差,而基于改进Elman算法泊松模型的预测精度不超过15分钟。
本发明方法通过采集城市中心区路边停车设施的相关数据,利用历史车辆实际到达、驶离数据导入Elman人工神经网络输入层;同时基于遗传算法的变异思想,引入稳态自适应变异机制对Elman人工神经网络的参数β进行变异操作;通过训练找到一组最优解对泊松分布的参数进行校正,对车辆到达、驶离停车场到分布情况进行拟合;最后对城市路边停车时间需求进行预测。本发明提供的基于改进Elman人工神经网络的的城市中心区路边停车需求分析与预测方法相比于基于基本泊松分布的路边停车需求分析预测方法,其停车需求时间预测精度明显更高,能够很好地应用于停车时间预测,预测结果更准确,可以很好地满足实际应用的需要。
本发明的优点还在于:
1、本发明提出的基于改进Elman人工神经网络的城市中心区路边停车需求分析预测方法,着重挖掘城市路边停车的时空分布特性,充分考虑车辆到达、驶离规律,预测停车时间的可能分布,并针对不同时段和区域制定不同停车策略,以其达到合理分流城市停车需求,缓解城市停车问题。
2、本发明提出的基于改进Elman人工神经网络的城市中心区路边停车需求分析预测方法,对用Elman神经网络以调节泊松分布参数,以获得更加合理的Pk和Fk参数设置。避免传统泊松分布拟合停车到达分布的观测样本数量不够完善和Fk的实际到达分布并不完全服从理论分布两个问题。
3、本发明提出的基于改进Elman人工神经网络的城市中心区路边停车需求分析预测方法,通过基于遗传算法的变异思想,引入稳态自适应变异机制对Elman人工神经网络的参数β进行变异操作,以引导Elman人工神经网络跳出局部最优,寻找全局最优解。避免输入数据量较大时,Elman人工神经网络容易进入局部最优状态,且收敛速度明显降低的问题。
以上所述仅是对本发明的较佳实施方式而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施方式所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (5)
1.一种城市中心区路边停车需求分析预测方法,其特征在于按照以下步骤进行:
步骤(1):采集近三个月中心区路边停车设施的相关数据,包括停车场的具***置、车辆驶入和驶离停车带的时刻、停车场泊位数、停车场的计费,用以代入Elman人工神经网络进行训练;
步骤(2):建立Elman人工神经网络,设定人工神经网络输入层神经元个数、输出神经元个数、网络迭代次数、神经元激励函数形式、动态参数、允许误差预测参数;
步骤(3):基于遗传算法的变异思想,引入稳态自适应变异机制对Elman人工神经网络的参数β进行变异操作;
步骤(4):设定改进的Elman人工神经网络的初始隐含层神经元数及层数;
步骤(5):将待预测目标数据的历史数据作为原始数据,经过数据纵向对比处理以及归一化后,把处理过的数据作为训练样本输入改进的Elman人工神经网络;返回步骤(4),重新设置改进的Elman人工神经网络的最优隐含层神经元数及层数,带入训练样本到改进的Elman人工神经网络进行训练;
步骤(6):对比通过设置不同的初始隐含层神经元数获得的不同组训练结果,选择与验证样本误差最小的一组对应的改进的Elman人工神经网络模型作为训练模型;
步骤(7):在训练模型中输入待预测数据进行预测,得到待预测日的停车需求泊松分布参数;
步骤(8):将拟合得到的城市路边路边停车需求模型,应用于实际停车场,对路边停车需求时间进行预测。
2.按照权利要求1所述一种城市中心区路边停车需求分析预测方法,其特征在于:所述步骤(3)中变异操作是指基于遗传算法的变异思想,引入稳态自适应变异机制对Elman人工神经网络的参数β进行变异操作,以引导Elman人工神经网络跳出局部最优,寻找全局最优解;基于稳态自适应变异机制的β计算公式如下:其中,Δθ为Elman人工神经网络相邻代数的数据计算精度误差,σ为稳态自适应变异阈值。
3.按照权利要求1所述一种城市中心区路边停车需求分析预测方法,其特征在于:所述步骤(7)中待预测数据以待预测日前N天该时刻的泊松分布参数为输入值。
4.按照权利要求1所述一种城市中心区路边停车需求分析预测方法,其特征在于:所述步骤(7)中停车需求泊松分布参数包括Fk和Pk,Fk是指车辆到达数的出现次数,Pk是指车辆到达数的出现次数为k时的概率,用基于改进的Elman人工神经网络得到的停车需求泊松分布参数Fk和Pk与实际路边停车数据进行比较。
5.按照权利要求1所述一种城市中心区路边停车需求分析预测方法,其特征在于:所述步骤(8)中,将拟合得到的城市路边路边停车需求模型,推导路边停车场累计频率表,再通过路边停车场的停车数量与车辆的平均停车时间的关系,对车辆到达的分布时间进行预测;路边停车场的停车数量与车辆的平均停车时间的关系中,路边停车场累计频率表以每15分钟为一级,计算停车时间在0min,15min,30min……180min以上的车辆所占整天停车车辆的比例;路边停车场的停车数量与车辆的平均停车时间的关系反映为,把停车时间小于15分钟的停车需求称为临时停车,路边停车场的临时平均停车时间和车辆数之间存在某中线性关系,当汽车的停车时间长度大于15分钟时,路边停车场的停车数量与车辆的平均停车时间与存在指数关系:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810226062.2A CN108417032B (zh) | 2018-03-19 | 2018-03-19 | 一种城市中心区路边停车需求分析预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810226062.2A CN108417032B (zh) | 2018-03-19 | 2018-03-19 | 一种城市中心区路边停车需求分析预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108417032A true CN108417032A (zh) | 2018-08-17 |
CN108417032B CN108417032B (zh) | 2020-05-29 |
Family
ID=63132189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810226062.2A Active CN108417032B (zh) | 2018-03-19 | 2018-03-19 | 一种城市中心区路边停车需求分析预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108417032B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448360A (zh) * | 2018-07-25 | 2019-03-08 | 招商局重庆交通科研设计院有限公司 | 提高道路复合利用率的方法 |
CN109886459A (zh) * | 2019-01-16 | 2019-06-14 | 同济大学 | 一种基于神经网络的公共停车场停车需求预测方法 |
CN109979233A (zh) * | 2019-04-22 | 2019-07-05 | 浙江铭盛科技有限公司 | 基于窄带物联网的停车场停车规划*** |
CN110059884A (zh) * | 2019-04-23 | 2019-07-26 | 常州市规划设计院(常州市规划编研中心) | 一种学校接送中心停车位预估方法 |
CN110232584A (zh) * | 2019-04-11 | 2019-09-13 | 深圳市城市交通规划设计研究中心有限公司 | 停车场选址方法、装置、计算机可读存储介质及终端设备 |
CN112201076A (zh) * | 2020-09-18 | 2021-01-08 | 西安宇视信息科技有限公司 | 一种泊车位数量的确定方法、装置、介质及电子设备 |
US11436488B2 (en) * | 2018-10-30 | 2022-09-06 | Toyota Jidosha Kabushiki Kaisha | Control device |
CN116433269A (zh) * | 2023-06-13 | 2023-07-14 | 四川交通职业技术学院 | 基于大数据的片区式无人驾驶车辆停车场收费方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093643A (zh) * | 2013-01-09 | 2013-05-08 | 东南大学 | 一种确定公共停车场泊位数的方法 |
CN102867407B (zh) * | 2012-09-13 | 2014-07-09 | 东南大学 | 一种停车场有效泊位占有率多步预测方法 |
CN105243461A (zh) * | 2015-11-20 | 2016-01-13 | 江苏省电力公司 | 一种基于人工神经网络改进训练策略的短期负荷预测方法 |
CN105328155A (zh) * | 2015-10-08 | 2016-02-17 | 东北电力大学 | 一种基于改进神经网络的漏钢可视化特征预报方法 |
CN106503840A (zh) * | 2016-10-17 | 2017-03-15 | 中国科学院深圳先进技术研究院 | 停车场可用车位预测方法及*** |
US20170083792A1 (en) * | 2015-09-22 | 2017-03-23 | Xerox Corporation | Similarity-based detection of prominent objects using deep cnn pooling layers as features |
CN106548254A (zh) * | 2016-11-16 | 2017-03-29 | 上海理工大学 | 一种有效停车泊位的预测方法 |
CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
-
2018
- 2018-03-19 CN CN201810226062.2A patent/CN108417032B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867407B (zh) * | 2012-09-13 | 2014-07-09 | 东南大学 | 一种停车场有效泊位占有率多步预测方法 |
CN103093643A (zh) * | 2013-01-09 | 2013-05-08 | 东南大学 | 一种确定公共停车场泊位数的方法 |
US20170083792A1 (en) * | 2015-09-22 | 2017-03-23 | Xerox Corporation | Similarity-based detection of prominent objects using deep cnn pooling layers as features |
CN105328155A (zh) * | 2015-10-08 | 2016-02-17 | 东北电力大学 | 一种基于改进神经网络的漏钢可视化特征预报方法 |
CN105243461A (zh) * | 2015-11-20 | 2016-01-13 | 江苏省电力公司 | 一种基于人工神经网络改进训练策略的短期负荷预测方法 |
CN106503840A (zh) * | 2016-10-17 | 2017-03-15 | 中国科学院深圳先进技术研究院 | 停车场可用车位预测方法及*** |
CN106548254A (zh) * | 2016-11-16 | 2017-03-29 | 上海理工大学 | 一种有效停车泊位的预测方法 |
CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
CN107146462A (zh) * | 2017-06-23 | 2017-09-08 | 武汉大学 | 一种停车场空闲车位数长时预测方法 |
Non-Patent Citations (2)
Title |
---|
刘颖: "基于BP神经网络预测的城区占道停车智能管理***的设计与实现", 《中国优秀硕士学位论文全文数据库》 * |
高广银 等: "基于BP神经网络的停车诱导泊位预测", 《计算机***应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448360A (zh) * | 2018-07-25 | 2019-03-08 | 招商局重庆交通科研设计院有限公司 | 提高道路复合利用率的方法 |
US11436488B2 (en) * | 2018-10-30 | 2022-09-06 | Toyota Jidosha Kabushiki Kaisha | Control device |
CN109886459A (zh) * | 2019-01-16 | 2019-06-14 | 同济大学 | 一种基于神经网络的公共停车场停车需求预测方法 |
CN110232584A (zh) * | 2019-04-11 | 2019-09-13 | 深圳市城市交通规划设计研究中心有限公司 | 停车场选址方法、装置、计算机可读存储介质及终端设备 |
CN110232584B (zh) * | 2019-04-11 | 2022-08-02 | 深圳市城市交通规划设计研究中心有限公司 | 停车场选址方法、装置、计算机可读存储介质及终端设备 |
CN109979233A (zh) * | 2019-04-22 | 2019-07-05 | 浙江铭盛科技有限公司 | 基于窄带物联网的停车场停车规划*** |
CN109979233B (zh) * | 2019-04-22 | 2020-08-07 | 浙江铭盛科技有限公司 | 基于窄带物联网的停车场停车规划*** |
CN110059884A (zh) * | 2019-04-23 | 2019-07-26 | 常州市规划设计院(常州市规划编研中心) | 一种学校接送中心停车位预估方法 |
CN110059884B (zh) * | 2019-04-23 | 2022-12-09 | 常州市规划设计院 | 一种学校接送中心停车位预估方法 |
CN112201076A (zh) * | 2020-09-18 | 2021-01-08 | 西安宇视信息科技有限公司 | 一种泊车位数量的确定方法、装置、介质及电子设备 |
CN116433269A (zh) * | 2023-06-13 | 2023-07-14 | 四川交通职业技术学院 | 基于大数据的片区式无人驾驶车辆停车场收费方法及装置 |
CN116433269B (zh) * | 2023-06-13 | 2023-08-18 | 四川交通职业技术学院 | 基于大数据的片区式无人驾驶车辆停车场收费方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108417032B (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108417032A (zh) | 一种城市中心区路边停车需求分析预测方法 | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN110555990B (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN103729550B (zh) | 基于传播时间聚类分析的多模型集成洪水预报方法 | |
CN101639978B (zh) | 一种动态划分交通控制子区的方法 | |
CN103093643B (zh) | 一种确定公共停车场泊位数的方法 | |
CN110782093A (zh) | 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及*** | |
CN110223517A (zh) | 基于时空相关性的短时交通流量预测方法 | |
CN109785618B (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
CN107292383B (zh) | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 | |
CN110348644B (zh) | 一种电动汽车充电设施建设需求预测的方法 | |
CN110299008B (zh) | 一种基于强化学习的交通流多步预测方法 | |
CN106339608A (zh) | 一种基于在线变分贝叶斯支持向量回归的交通事故率预测*** | |
CN108629503A (zh) | 一种基于深度学习的出租车上车需求量的预测方法 | |
CN111985619B (zh) | 一种基于短时交通流预测的城市单交叉口控制方法 | |
CN103927891A (zh) | 一种基于双贝叶斯的路口动态转向比例两步预测方法 | |
CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
CN110619442A (zh) | 一种基于强化学习的车辆泊位预测方法 | |
CN109657878A (zh) | 一种空调负荷预测方法及装置 | |
CN110309436A (zh) | 一种考虑车主选择行为的汽车服务网络协同选址方法与*** | |
CN110909953A (zh) | 一种基于ann-lstm的泊位预测方法 | |
CN108648449A (zh) | 基于卡尔曼滤波和nar神经网络组合的车位预测方法 | |
CN115760213A (zh) | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN115170006B (zh) | 发车调度方法、装置、设备和存储介质 |
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 |