CN109215380B - 一种有效停车泊位的预测方法 - Google Patents

Abstract

一种有效停车泊位的预测方法，包括：步骤一，根据采集到的停车场的历史信息得到有效停车位的时间序列，并检验序列的完整性，记为第一待预测时间序列；步骤二，将时间序列在高维空间进行重构，实现随机成分与确定成分的分离；步骤三，把得出的低维空间流形坐标映射回原时间序列相空间重构得到的高维嵌入空间中；步骤四，训练集训练LSTM神经网络得到第一LSTM神经网络；训练集训练LSTM神经网络得到第二LSTM神经网络；将第一待预测时间序列训练值输入第一LSTM得到第一预测结果，将第二待预测时间序列训练值输入第二LSTM得到第二预测结果；步骤五，加权组合第一预测结果和第二预测结果，并与原序列的进行相似度检验，从而确定最终结果。

Description

一种有效停车泊位的预测方法

技术领域：

本发明涉及一种室内停车场车位预测方法。

背景技术：

随着人民生活水平日益提高，城市机动车保有量逐年增加，而停车位的数量却往往不能满足需求，停车难日益成为一个严峻的问题。近年来，大数据技术在智能交通领域的应用越来越多，很多研究通过对停车场历史数据进行分析，进而对停车场的车位信息做出较为准确的预测。以此为用户提供准确的出行信息，帮助用户做好出行规划，同时减少用户寻找停车位浪费的时间，在一定程度上缓解了城市交通压力。

在已有的停车场车位预测的研究中，主流思路是按照时间序列的分析进行研究，研究侧重于预测模型的构建使用，但其中对于去除时间序列随机性成分的研究不多。停车场车位时间序列是由随机过程成分和确定过程成分组成，随机过程成分具有随机性，无法直接预测，确定过程成分具有很强的规律性，预测效果较好。随机信号产生于随机***，不具有可预测性，其存在虽然在短期预测时影响不大，但是在多步预测时会很大影响预测精度。

发明内容：

本发明要克服现有技术的上述缺点，提供一种室内停车场空余泊位数量预测方法，既保证剔除序列的随机分量，又保证在短期预测的预测精度。

一种有效停车泊位的预测方法，用于预测中小型的停车场的有效停车泊位的数量,包括以下步骤：

步骤一，根据采集到的停车场的历史信息得到有效停车位的时间序列，并检验序列的完整性，记为第一待预测时间序列，即a＝{a_i|i＝1,2,…,n}，其中a_i表示第i个时间段的停车场空余泊位数量，n，i为自然数，n为待预测时间序列数量；

步骤二，将步骤一得到的时间序列在高维空间进行重构，选取嵌入维度为λ，令a_i＝f(a_i-λ,a_i-(λ-1),…,a_i-1),i＝1,2,…,n，利用局部切空间排列方法从重构的高维嵌入空间中提取***的主流形分布的低维空间，分离序列的随机成分与确定成分的；

步骤三，把得出的低维空间流形坐标映射回原时间序列相空间重构得到的高维嵌入空间中，再映射回一维时间序列即得到原序列中确定成分的时间序列，记为第二待预测时间序列，S_i＝{S_i|i＝1,2,…,n}，其中S_i表示原序列确定成分的时间序列中第i个时间段分空余泊位数量；

步骤四，将步骤一中的第一待预测时间序列70％划分为第一训练集，30％划分为第一测试集。将步骤三中的第二待预测时间序列70％划分为第二训练集，30％划分为第二测试集。第一训练集用来训练LSTM神经网络得到第一LSTM神经网络模型优化参数；使用第二训练集训练LSTM神经网络得到第二LSTM神经网络模型优化参数；将第一测试集输入到第一LSTM神经网络模型优化参数设置的LSTM神经网络中得到第一预测结果Q，Q＝{Q_t|t＝1,2,…,m}，其中Q_t为第t步预测结果，t和m为自然数，m为预测结果总数；将第二测试集输入到第二LSTM神经网络模型优化参数设置的LSTM神经网络中得到第二预测结果G，G＝{G_t|t＝1,2,…,m}，其中G_t为第t步预测结果，t和m为自然数，m为预测结果总数。

步骤五，加权组合第一预测结果和第二预测结果，并与原序列的进行相似度检验，从而确定最终结果。

进一步，所述步骤一中所得序列进行的完整性检验时，当发现缺值时采用插值的方法补充缺值；

进一步，所述步骤二中利用主流形式识别方法实现随机成分与确定成分分离具体包括：

(1)选取样本点领域。令时间序列重构相空间第i个样本点为x_i，选取包括该样本点自身在内的k个距离该样本点最近的点作为邻域，记为X_i＝[x_i1,x_i2,…,x_ik]，其中x_i1,x_i2,…,x_ik为距离x_i最近的k个点，k为大于1的整数，[]表示矩阵符号。

(2)局部线性投影变换。计算样本点x_i邻域的中心化矩阵，记为

其中

为邻域中k个点的平均值，l_k为长度为k的权值矩阵，T为矩阵转置符号。对中心化矩阵做奇异值求解，将所得的奇异值从大到小排列，取其中前d个奇异值组成矩阵R_i；所得的前d个奇异值对应的奇异向量组成矩阵，记做V_i；其中d为取值在1和k之间的整数；

(3)排列局部坐标。构造排列矩阵为

其中A_i是满足[x₁,x₂,…,x_n]A_i＝[x_i1,x_i2,…,x_ik]的选择矩阵，

I为单位矩阵，φ为构造的排列矩阵，k_i表示第i个样本点的邻域中取点个数，∑为连加符号。计算矩阵θ奇异值从小到大排序后的前d+1个奇异值对应的奇异向量,记为

组成整个样本的低维空间流形，记为

进一步，所述步骤三将低维空间流形坐标变换回步骤二得到的高维嵌入空间中。即

其中L_i为X_i到

的转化矩阵，

为低维流行中第i个奇异向量，

表示i个奇异向量的平均值，y_i为变换回高维空间的时间序列。将y_i映射回一维序列得到原序列去除随机成分后为S_i。

进一步，所述步骤四LSTM神经网络的训练中，对网络的权值训练采用正则化优化的方法，以提高LSTM神经网络的泛化能力。具体为：

根据隐藏层的输出计算出LSTM的输出值构造LSTM的目标函数，然后对目标函数加入正则项，通过ADAM算法最小化目标函数，并不断更新LSTM中的参数，直到达到阈值。

进一步，所述步骤五将步骤四得到的第一预测结果Q_t与第二预测结果G_t加权结合，得到最终输出Z_t，其中Z_t＝wQ_t+(1-w)G_t,t＝1,2,······,m。

其中w为动态权值，取0.0～1.0之间的21个数，间隔0.05，Z_t为t时刻的最终预测结果。w首先令为0.0，计算t＝1时刻至t＝21时刻的21个组合模型的预测结果，即得到21个Z_t；然后令w的依次取值递增0.05，分别得到21个Z_t值；最后选取其中一个w值作为w的最佳取值，记为w_op。

通过循环计算，输出21组与权值w相关的数据，即得到一组加权集成后的车位预测数据。其中为确定w的最佳取值，采用关联度计算的方法。以的实际值曲线和组合模型预测值Z_t的差值大小作为关联度的衡量标准，采用Z_t曲线和实际停车场空余泊位数量序列的几何形状的相似程度来判断两者联系是否紧密。关联度计算公式为：

其中γ为关联度，f_t为实际泊位时间序列中第t个时间段的实际值，

为m个f_t的平均值，

为Z_t序列的平均值。当关联度γ为最大时，w的取值为最佳权重，取一组最佳权重记为w_op。所以模型在t时刻的预测结果为：

Z_t＝w_opQ_t+(1-w_op)G_t,t＝1,2,······,m。

本发明的优点是：使用组合模型预测的方法，有效减少干扰，提高预测结果精准程度。

附图说明：

图1是本发明方法的流程图。

具体实施方式：

下面结合附图进一步阐明本发明的技术方案。

本发明的停车场有效车位数量多步预测方法，具体步骤如下：

步骤一：在停车场入口控制***查询不同时间段的空余车位数量信息，处理得到不同时间间隔(实例取5分钟)的停车场实际占用停车泊位序列。在停车场控制***获取每个时刻的场内空余车位的数量信息，以5分钟的时间为间隔将得到的数据集划分，从而得到停车场泊位序列a＝{a_i|i＝1,2,…,n}，其中a_i表示第i个时间段的停车场空余泊位数量，其中n，i为自然数，n为待预测时间序列数量。检查数据集是否有空缺，当存在缺值时用插值的方法补全数据集。

步骤二：将序列{a_i},i＝1,2,…,n在高维相空间重构。首先选取嵌入维度为λ，令

a_i＝f(a_i-λ,a_i-(λ-1),…,a_i-1),i＝1,2,…,n

那么对时间序列A＝(a₁,a₂,…,a_n)相空间重构可得P(j,k)＝a_k+(j-1)τ，其中τ为延滞时间，γ是范围为(0,n)的整数，P(j,k)为相空间重构之后的矩阵空间，j,k是范围为(1,λ-1)的整数。

从相空间重构后高维嵌入空间中提取原序列的主流形分布的低维空间，剥离序列中的的随机性成分。具体步骤为：

(1)选取样本点领域。设时间序列重构相空间第i个样本点为x_i，选取包括自身在内的k个距离该样本点最近的点作为邻域，记为X_i＝[x_i1,x_i2,…,x_ik]，其中x_i1,x_i2,…,x_ik为距离x_i最近的k个点，k为自然数，[]为矩阵符号。

(2)局部线性投影变换。首先计算每个样本点x_i邻域的中心化矩阵，即

其中

为k个邻域的均值，l_k为长度为k的权值矩阵；对所得的中心化矩阵进行奇异值分解，将所得的奇异值从大到小排列，取其中前d个奇异值组成矩阵R_i；所得的前d个奇异值对应的奇异向量组成矩阵，记做V_i，其中d是范围在区间(1,k)的整数。

(3)排列局部坐标。构造排列矩阵

其中A_i是满足[x₁,x₂,…,x_n]A_i＝X_i条件的选择矩阵，

I为单位矩阵，k_i表示第i个样本点的邻域中取点个数，I为单位矩阵，φ为构造的排列矩阵，T表示矩阵转置，[]为矩阵符号；计算矩阵θ奇异值从小到大排序后的前d+1个奇异值对应的奇异向量,记为

组成整个样本的低维空间流形，记为为

[]为矩阵符号。

步骤三：将所得的低维空间流形坐标变换回步骤二所得的第一待预测时间序列相空间重构得到的高维嵌入空间中。即

其中y_i为低维空间流形坐标变换回步骤二所得的高维嵌入空间坐标，L_i为X_i到

的转化矩阵，

为第i个奇异向量，

为

的均值，y_i为变换回高维空间的序列。将y_i映射到一维序列，即

O_i表示第i点的邻域中心点，∑y_i符合条件的额区域中所有元素相加。可得原序列剔除随机成分后为S_i。

步骤四：训练LSTM神经网络预测模型；

分别使用步骤一与步骤三得到的序列训练LSTM神经网络模型。所述LSTM神经网络的具体构建参照现有技术，为便于实施提供过程建议如下：

(1)由步骤一得到的初始序列a_i，以及由步骤三得到的去除随机成分的序列S_i，将其70％划分为训练集，30％划分为测试集合。对其分别进行归一化处理得到B_i与C_i，公式如下。

其中a_MAX表示第一待预测序列中的最大值，a_MIN表示第一带预测序列中的最小值，S_MAX表示第二待预测序列的最大值，S_MAX表示第二待预测序列的最小值(2)将得到的数据B_i与C_i的训练集数据分别训练两个LSTM神经网络，令使用B_i训练集数据熟练的LSTM神经网络为第一LSTM，C_i训练集训练的LSTM神经网络为第二LSTM。训练集数据与神经网络的前一刻隐藏层状态值共同传输到隐藏层单元，并以此通过三个门计算。首先经过单元中的遗忘门，通过sig mod层产生一个0到1的值，以决定是否让上个时刻的Cell状态值通过计算。然后经过单元的输入门，通过sig mod层来控制更新参数值，并结合tanh层产生的Cell候选状态值，共同决定Cell的新状态值。最后经过单元的输出门决定神经网络隐藏层的输出值。首先通过sigmod层得到一个初始输出，然后使用tanh函数将新状态值缩放到-1到1之间，再与sigmod层得到一个初始输出逐个相乘得到隐藏层的输出。

(3)根据隐藏层的输出计算出LSTM的输出值y，由此构造LSTM的目标函数，然后对目标函数加入正则项，通过ADAM算法最小化目标函数，并不断更新LSTM中的参数，直到达到阈值。正则项为

其中w为权重，λ₁，λ₂为正则化参数，y为LSTM的输出值，

为LSTM输出值的平均值，min为取最小项。

LSTM训练完成后，将B_i的测试集数据输入第一LSTM，输出得到第一预测结果Q_t,t＝1,2,…,m，其中Q_t为第t步预测结果，t和m为自然数，m为预测结果总数；将C_i的测试集数据输入第二LSTM，输出得到第二预测结果G_t,t＝1,2,…,m。其中G_t为第t步预测结果。

步骤五：将步骤四得到的第一预测结果Q_i与第二预测结果G_i加权结合，得到最终输出Z_t。其中Z_t＝wQ_t+(1-w)G_t,t＝1,2,······,m。

其中w为动态权值，取0.0～1.0之间的21个数，间隔0.05，Z_t为t时刻的最终预测结果。w首先令为0.0，计算t＝1时刻至t＝21时刻的21个组合模型的预测结果，即得到21个Z_t；然后令w的依次取值递增0.05，分别得到21个Z_t值；最后选取其中一个w值作为w的最佳取值，取一组最佳权值记为w_op。

通过循环计算，输出21组与权值w相关的数据，即得到一组加权集成后的车位预测数据。其中为确定w的最佳取值，采用关联度计算的方法。以停车场空余泊位数量的实际值曲线和组合组合预测值Z_t的差值大小作为关联度的衡量标准，采用Z_t曲线和实际空余泊位序列的几何形状的相似程度来判断两者联系是否紧密。关联度计算公式为：

其中r为关联度，f_t为实际泊位时间序列中第t个时间段的实际值，

为m个f_t的平均值，

为Z(t)序列的平均值。当关联度r为最大时，w的取值为最佳权重，取一组最佳权值记为w_op。所以组合模型在t时刻的预测结果为：

Z_t＝w_opQ_t+(1-w_op)G_t,t＝1,2,······,m。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种有效停车泊位的预测方法，用于预测中小型停车场的有效停车泊位的数量,包括以下步骤：

步骤一，根据采集到的停车场的历史信息得到有效停车位的时间序列，并检验序列的完整性，记为第一待预测时间序列A，A＝{a_i|i＝1,2,…,n}，其中a_i表示第i个时间段的停车场空余泊位数量，n，i为自然数，n为待预测时间序列数量；

步骤二，将步骤一得到的时间序列在高维空间进行相空间重构，利用局部切空间排列方法从重构的高维嵌入空间中提取***的主流形分布的低维空间，剥离序列中的随机成分，具体包括：

(21)选取样本点邻域；设时间序列重构相空间中第i个样本点为x_i，i为自然数，选取包括该样本点在内的k个距离该样本点最近的点作为邻域X_i，X_i＝[x_i1,x_i2,…,x_ik]，其中x_i1,x_i2,…,x_ik为距离x_i最近的k个点，[]为矩阵符号，k的值为自然数；

(22)局部线性投影变换；计算样本点x_i邻域的中心化矩阵，记为

其中

为邻域中k个点的平均值，l_k为长度为k的权值矩阵，T为矩阵转置符号；对所得的中心化矩阵做奇异值分解，将所得的奇异值从大到小排列，取其中前d个奇异值组成矩阵R_i；所得的前d个奇异值对应的奇异向量组成矩阵，记做V_i；其中d为取值在1和k之间的整数；

(23)排列局部坐标；构造排列矩阵θ，

其中A_i是满足[x₁,x₂,…,x_n]A_i＝X_i条件的选择矩阵，

I为单位矩阵，k_i表示第i个样本点的邻域中取点个数；计算矩阵θ奇异值从小到大排序后的前d+1个奇异值对应的奇异向量,记为

组成整个样本的低维空间流形；

步骤三，将上述步骤(23)所得的低维空间流形变换回步骤二所得的高维嵌入空间中，得到高维空间的序列，再将其映射到一维序列得到一维序列S，S＝{S_i|i＝1,2,…,n}，记为第二待预测时间序列，其中S_i表示一维序列中第i个时间段停车场空余泊位数量，i和n为自然数，n为待预测时间序列数量；

步骤四，将步骤一中的第一待预测时间序列70％划分为第一训练集，30％划分为第一测试集；将步骤三中的第二待预测时间序列70％划分为第二训练集，30％划分为第二测试集；第一训练集用来训练LSTM神经网络得到第一LSTM神经网络模型优化参数；使用第二训练集训练LSTM神经网络得到第二LSTM神经网络模型优化参数；将第一测试集输入到第一LSTM神经网络模型优化参数设置的LSTM神经网络中得到第一预测结果Q，Q＝{Q_t|t＝1,2,…,m}，其中Q_t为第t步预测结果，t和m为自然数，m为预测结果总数；将第二测试集输入到第二LSTM神经网络模型优化参数设置的LSTM神经网络中得到第二预测结果G，G＝{G_t|t＝1,2,…,m}，其中G_t为第t步预测结果，t和m为自然数，m为预测结果总数；

对LSTM神经网络模型优化参数采用正则化优化的方法，以提高LSTM神经网络的泛化能力，具体为：根据隐藏层的输出计算出LSTM的输出值，由此构造LSTM的目标函数，然后对目标函数加入正则项，通过ADAM算法最小化目标函数，并不断更新LSTM中的参数；

步骤五，加权组合第一预测结果Q和第二预测结果G，并与原序列进行相似度检验，从而确定最终结果；具体为：

将步骤四得到Q_t与G_t加权结合，计算混合模型预测值Z_t；Z_t＝wQ_t+(1-w)G_t,t＝1,2,…,m；其中w为动态权值，其值为0至1之间，m为预测结果总数；

通过循环计算，输出21组与权值w相关的数据，即得到一组加权集成后的车位预测数据；其中为确定w的最佳取值，采用关联度计算的方法；以停车场空余泊位数量的实际值曲线和组合模型预测值Z_t的差值大小作为关联度的衡量标准，采用Z_t曲线和实际空余泊位序列的几何形状的相似程度来判断两者联系是否紧密；关联度计算公式为：

其中γ为关联度，f_t为实际泊位时间序列中第t个时间段的实际值，

为m个f_t的平均值，Z_t为混合模型预测值，

为m个Z_t的平均值；当关联度γ为最大时，w的取值为最佳权重，记为w_op；所以组合模型在t时刻的预测结果为：

Z_t＝w_opQ_t+(1-w_op)G_t,t＝1,2,……,m。

Images