CN110503104B - 一种基于卷积神经网络的短时剩余车位数量预测方法 - Google Patents
一种基于卷积神经网络的短时剩余车位数量预测方法 Download PDFInfo
- Publication number
- CN110503104B CN110503104B CN201910810616.8A CN201910810616A CN110503104B CN 110503104 B CN110503104 B CN 110503104B CN 201910810616 A CN201910810616 A CN 201910810616A CN 110503104 B CN110503104 B CN 110503104B
- Authority
- CN
- China
- Prior art keywords
- parking space
- time
- neural network
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 230000035945 sensitivity Effects 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 238000010835 comparative analysis Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013488 ordinary least square regression Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的短时剩余车位数量预测方法,包括建立短时剩余停车位数量预测模型和下一时段的剩余停车位数量预测两部分,首先,建立样本数据集,利用图像训练卷积神经网络,获得短时剩余停车位数量预测模型;其次,将预测场景下的当前时段二维时间序列图导入模型,即可预测下一时间段停车位剩余数量变化趋势。此外,将趋势图进行数图转化,即可以获得下一时间段剩余停车位数量。相比于其他深度、前馈神经网络,卷积神经网络需要训练的参数更少,且其特殊的空间结构能够利用输入的文本数字化数据转化为可视化的二维图像形式进行特征提取、学习与预测。通过对比分析,模型鲁棒性更好,预测结果精确度更高。
Description
技术领域
本发明属于智慧停车领域,涉及一种未来短时剩余车位数量的预测方法。利用先进的卷积神经网络,预测出下一时段停车场的剩余泊位数量。
背景技术
随着经济的快速发展,人均汽车保有量与日俱增,但停车位需求大于供应且利用率不高,导致城市交通压力与日俱增。因此,能否准确地对停车场有效停车位进行短时预测,提高停车场有效车位利用率已成为交通管理与控制方向的重要问题之一。
停车场剩余车位数量变化受停车场类型、位置、天气、节假日等诸多因素的影响,具有时间波动性,空间随机性及资源局限性。利用停车泊位信息采集技术获得停车场剩余车位实时信息与历史数据,建立短时剩余车位数预测模型,能够对停车场下一时段的剩余车位信息进行较为准确的实时预测。剩余车位预测信息可视化发布不仅为车主进行停车场选择时提供参考,方便交通出行,而且有利于交通管理部门对道路车辆进行宏观调控,缓解城市交通压力。
近年来,国内外学者建立了多种停车场剩余车位短时预测模型,如时间序列法、模糊神经网络、BP神经网络方法、小波神经网络等。时间序列法能将所有的影响因素都转化为时间因素,但其因素转换效率较低,转化误差导致预测精度降低;BP神经网络法推导过程严谨、物理概念清晰,但收敛速度慢,网络参数和训练参数难以确定;模糊神经网络是将神经网络的学习算法与模糊逻辑结合,可通过样本的学习提高神经网络的性能,但是模糊推理机需要基于知识库中的知识和规则进行推理过程不易实现;小波神经网络能够精确稳定地进行时间序列的短时预测,能够较好应用于多步预测的前期,但对数据的混沌特性反映不佳。因此本发明提出利用具有强大特征学习能力的卷积神经网络来预测未来短时剩余车位的数量,相比于用文本数据进行大量数据运算不同,本发明拓展到二维图像形式进行特征提取与预测,模型鲁棒性好,预测结果精确度高。
发明内容
为了提高现有短时剩余车位数量预测方法预测精度的不足,本发明提供一种基于卷积神经网络的短时剩余车位数量预测方法,该方法创新性的综合多种影响停车场使用率的因素,将卷积神经网络应用于剩余停车位预测,利用卷积神经网络先进的图像处理能力与特征学习能力,一定程度上弥补了现有神经网络模型存在的不足,提供了一种用图像去预测图像的新思路,充分获取剩余停车位数量的变化趋势中的隐含规律。
本发明的技术方案是:
一种基于卷积神经网络的短时剩余车位数量预测方法,包括建立短时剩余停车位数量预测模型和下一时段的剩余停车位数量预测两部分:
A.建立短时剩余停车位数量预测模型
步骤A1:建立样本数据集
步骤A2:利用图像训练卷积神经网络,获得短时剩余停车位数量预测模型
B.下一时段剩余停车位数量预测
将当前时段剩余停车位数据以时间为序列进行排列,进行二维图像转化,即与A1数据集的形式相同,然后输入步骤A2获得的预测模型进行下一时段的剩余停车位趋势,并获得可视化的预测趋势图。
所述步骤A1进一步包括以下步骤:
步骤A11:停车场历史数据收集与分类;
收集不同天气(晴/雨)、不同用地性质和不同日子(假期、周末或工作日)属性的停车场历史数据,由此聚类建立所预测停车场的5个数据库:
①工作日-阴/晴天;
②工作日-雨天;
③周末-阴/晴天;
④周末-雨天;
⑤每个法定节假日假期(元旦、清明节等);
步骤A12:数图转化;
将数字化的文本数据以时间为序列进行二维图像转换,得到不同日子特性条件下每日的“剩余停车位数量走势-时间”图;最后将处理好的图像切分成等数量的训练集和测试集,用于卷积神经网络模型的训练与测试。
所述步骤A2进一步包括以下步骤:
预测模型结构包含输入层、卷积层、池化层、全连接层和输出层;卷积层使用卷积核进行特征提取和特征映射;池化层进行下采样,对特征图稀疏处理,减少数据运算量;而全连接层通常在卷积神经网络的尾部进行重新拟合,减少特征信息的损失。另外,我们设计反向传播算法,通过确定误差项的递推公式,进行梯度计算与权重更新,提高模型对图片的识别精度。
利用链式求导法计算损失函数对每个权重的偏导数(梯度),然后根据梯度下降算法更新权重;整个算法训练整体上分为三个步骤:
步骤A21:前向计算每个神经元的输出值aj,j表示网络的第j个神经元,以下同;
所述步骤A23进一步包括以下步骤:
步骤A231:选择损失函数用于模型的参数估计,使用l2损失函数;
步骤A232:建立基线模型,使用普通最小二乘回归OLS法,图片特征(像素数据)具有很少的线性结构,可以被利用来预测log返回,另外OLS基线占用的功能空间远小于其他基线模型;
步骤A233:进行参数调优,为了实现更低的损失,调整solver.Prototxt文件中指定的优化参数,包括learning rate,learning rate update等参数和优化方式(SGD,Adagrad,Nesterov加速梯度);
本发明采用学习率自适应的RMSprop随机梯度下降法,其是对Adagrad算法的改进,主要是解决学习速率过快衰减的问题;将学习速率设置为0.001,在TensorFlow中写为tf.train.RMSPropOptimizer(learning_rate=learning_rate,momentum=0.9,decay=0.9,epsilon=1e-10),即设定γ=0.9,学习率η=0.001,ε=1e-10;
s←γ*s+(1-γ)*▽θJ2(θ)
采用γ=0.9,η=0.001,其实这样就是一个指数衰减的均值项,减少了出现的***情况,因此有助于避免学习速率过快下降的问题;
步骤A234:测试数据的检验与拟合,对测试数据的误差进行计算分析,以训练时间,样本均方误差MSE的平均值和标准差为测试指标,对模型预测的速度、精度和稳定性进行评价;
样本均方误差MSE是指参数估计值与参数真值之差平方的期望值,可以评价数据的变化程度,其计算公式如下所示:
式中,N为训练样本数;yn(k)为第k个点的期望输出值;y(k)为第k个点的实际输出值。
同时,将本发明使用的预测模型与其他模型预测效果进行对比。由于各模型预测效果具有随机性,故对停车场的有效剩余停车位数据可进行多次预测实验,在一定程度上降低偶然性的影响。
所述步骤B进一步包括以下步骤:
步骤B1:获得上述不同日子特性条件、不同用地性质下各类训练好的模型,根据预测当天日子特性选择相应的卷积神经网络短时剩余车位数量预测模型;
步骤B2:将当天当前时段剩余车位数据转化成二维图形,导入所选模型进行处理,即可获得下一时段的剩余停车位走势图;
步骤B3:将其转换成数字形式后,即可以进行可视化与发布。
本发明开创了一种新的停车诱导泊位预测方法,与现有方法相比,本发明方法利用卷积神经网络处理停车场剩余车位数据,可预测下一时段的剩余停车位数量。后期基于用户均衡理论,结合智能交通诱导***,通过可视化发布实现区域性的、不同特性的停车场停车资源共享与调度。本发明方法预测模型训练参数量少,预测精确度高,为未来停车场实现智慧停车奠定了理论方法基础,对智慧城市的建设具有重大的实用价值。
附图说明
图1为本发明预测方法总体流程框图;
图2为本发明预测方法卷积神经网络预测模型训练流程图;
图3为卷积神经网络层级结构图;
图4实施例短时预测误差分析图;
图5实施例可视化发布效果图。
具体实施方式
下面将结合某商场停车场实施例加以详细说明。应当指出,当本发明方法运用于不同用地特性的停车场时,只是数据源不同,即使用的数据库不同,模型的训练与预测方法一致。此外,所描述的实施例仅旨在便于对本发明的了解,不对任何实际应用起限定作用。
参照图1-3,一种基于卷积神经网络的短时剩余车位数量预测方法,包括建立短时剩余停车位数量预测模型和下一时段的剩余停车位数量预测两部分:
A.建立短时剩余停车位数量预测模型
步骤A1:建立样本数据集;
步骤A11:停车场的交通特征参数包括不同车辆历史停放时间,单位时间内的历史饱和度、车位周转率和进出场车流量;
收集不同天气(晴/雨)、不同用地性质和不同日子(假期、周末或工作日)属性的停车场历史数据,由此聚类建立所预测停车场的5个数据库:①工作日-阴/晴天;②工作日-雨天;③周末-阴/晴天;④周末-雨天;⑤每个法定节假日假期(元旦、清明节等);
使用一个具体实施例对设计的预测模型进行验证,通过收集闸机数据和读取停车场视频的方法对南京某商场停车场2018年1月至10月的停车数据进行统计。统计的停车数据为有效剩余停车位数据,即正在开放的停车场内未被车辆或其他物品占用,可以用来停放车辆的实时剩余停车泊位。
商城营业时间为早上7点至晚23点,停车场跟随营业时间开放与关闭,并在非营业时段停车场无车辆停放,停车车位总数为400个。本实施例以十分钟为一个单位统计时段,选取当日车辆开始到达时段,车辆离去时段以及车辆到达峰值时段三个时间段进行统计,其中当日车辆离去时段中,选取21:40-22:40为区间进行统计,该时段停车场即将关闭,车辆基本离去但停车场仍有车位被占用。
表1为统计数据中某日停车特征参数数据表:
步骤A12:将文本数据以时间为序列进行二维图像转换,得到不同日子特性条件下每日的“剩余停车位数量走势图-时间”,最后将处理好的数据切分成训练集和测试集,作为后续卷积神经网络模型的训练与测试。
训练集为数据库中所有相同日子特性数据以走势图形式由卷积神经网络模型进行图片学习,得出该日子特性下的一组拟合数据;测试集为随机抽取该数据库中的一组日子特性剩余停车位数据图用于预测下一数段剩余车位变化趋势。另外,预测出的变化趋势将与相同日子特性下的剩余车位数据图进行误差分析用于测试模型精度。
步骤A2:利用图像训练卷积神经网络,获得短时剩余停车位数预测模型,进一步包括以下步骤:
步骤A21:搭建卷积神经模型,最终前向计算每个神经元的输出值aj,j表示网络的第j个神经元,具体结构分为输入层、卷积层、池化层、全连接层和输出层(如图2所示):
步骤A211:输入层,在卷积神经网络的输入层中,图片数据输入格式保留了本身的结构;若识别一张50×50的RGB格式图片,卷积神经网络将输入一个3×50×50的三维神经元(RGB图片中共三个颜色通道,每个通道都有一个50×50的矩阵);
卷积神经网络的输入特征需要进行标准化处理,学习数据输入卷积神经网络前,需在通道或时间/频率维对输入数据进行归一化,若输入数据为像素,则将分布于的原始像素值[0,255]归一化至[0,1]区间。
步骤A212:卷积层,用ConvLayer类来实现两个卷积层,首先对卷积层初始化,可以在构造函数中设置卷积层的超参数:input层的高(宽、深)度、filter的高(宽、深)度以及output层的高(宽、深)度;同时确保channel数=input层深度=filter深度;filter数、zero padding层数、stride的大小;
根据卷积神经网络中图像大小、步幅和卷积后的Feature Map大小的关系,使用calculate_output_size函数用来确定卷积层输出的大小,其计算式如下
W2=(W1-F+2P)/S+1
H2=(H1-F+2P)/S+1
其中W2是卷积后Feature Map的宽度;W1是卷积前图像的宽度;F是filter的宽度;P是Zero Padding数量;S是步幅;H2是卷积后Feature Map的高度;H1是卷积前图像的宽度。两式本质上是一样的。
Filter里保存了卷积层的参数以及梯度,使用梯度下降算法来更新参数。对参数的初始化采用常用的策略,即:采用权重随机算法,初始化为一个很小的值,同时偏置项初始化为0。
本发明中使用Relu函数作为激活函数,同时使用LRN层来对激活函数的输出数据进行横向抑制,凸显我们想要的峰值特征。
Relu函数作为激活函数有助于卷积神经网络短时剩余车位数预测模型的持续学习,采用双卷积层与性修正单元,使用L2正则化,单一图片识别准确率高达99.23%。
确定结构风险函数最小化作为目标函数计算误差项,以L2范数作为正则函数,正则化参数λ=0.1。下列为目标函数的形式:
卷积层前向计算
convlayer类的forward方法可以实现卷积层的前向计算,即计算根据输入来计算卷积层的输出,其计算公式如下:
D是深度;F是filter的大小(宽度或高度,两者相同);Wd,m,n表示filter的第d层第m行第n列权重;ai,j表示图像的第d层第i行第j列像素。采用的步长为1,利用矩阵形式表达前向计算,A是卷积层输出的feature map,计算式子如下:
步骤A213:池化层的输出计算,本发明在池化层中采用Max Pooling去做下采样,以去掉Feature Map中不重要的样本,进一步减少参数数量。对于深度为D的Feature Map,各层独立做池化,因此池化后的深度仍然为D。
步骤A214:全连接层与输出层,全连接层主要对特征进行重新拟合,减少特征信息的丢失;输出层主要准备做好最后目标结果的输出。
全连接层处理输入内容(可能是卷积层或是池化层的输出)后会输出一个N维向量,N维向量中的每一数字都代表某一特定类别的概率,采用softmax分类器作为表现输出的方式。完全连接层观察上一层的输出并确定选取分类中吻合度最高的特征,输出表示更高级特征的激活映射。当计算出权重与先前层之间的点积后,将得到不同分类的正确概率,并被展开为向量并通过激励函数传递至下一层。
输出层结构和工作原理与传统前馈神经网络中的输出层相同。本发明中对剩余车位的预测主要涉及图像分类和图像语义分割问题。对于图像分类问题,输出层使用逻辑函数或归一化指数函数(softmax function)输出分类标签;对于图像语义分割问题,输出层直接输出每个像素的分类结果。
步骤A22:反向传播算法训练,该部分为卷积层核心算法,需要完成几个任务:①将误差项传递到上一层;②计算每个filter的权重的梯度,更新参数;③梯度检查;
步骤A221:卷积层的误差传递
在本发明中,输入层的深度为D,filter数量为N,步长stride为1(实际应用中若步长为S时,可对sensitivity map相应的位置进行Zero padding补0,将其还原成步长为1时的sensitivity map),卷积层误差项传递的算法如下:
步骤A222:Max Pooling的误差传递
在卷积神经网络的训练中,Pooling层需要做的仅仅是将误差项传递到上一层,没有需要学习的参数从而没有梯度的计算,对于Max Pooling,下一层的误差项的值会原封不动的传递到上一层对应区块中的最大值所对应的神经元,而其他神经元的误差项的值都是0。
步骤A23:梯度计算(权重更新)与梯度检查;
步骤A231:梯度计算,由于卷积层是权重共享的,当获得了第l层sensitivity map的情况下,采用sensitivity map作为卷积核,在input上进行cross-correlation,下式进行计算filter的权重的梯度:
损失函数使用l2损失函数,用普通最小二乘回归(OLS)法建立基线模型;图片特征(像素数据)具有很少的线性结构,可以被利用来预测log返回,另外OLS基线占用的功能空间远小于其他基线模型。
进行参数调优,为了实现更低的损失,调整solver.Prototxt文件中指定的优化参数,包括learning rate,learning rate update等参数和优化方式(SGD,Adagrad,Nesterov加速梯度)。本发明建议采用的是学习率自适应的RMSprop随机梯度下降法,其是对Adagrad算法的改进,主要是解决学习速率过快衰减的问题。将学习速率设置为0.001,在TensorFlow中写为tf.train.RMSPropOptimizer(learning_rate=learning_rate,momentum=0.9,decay=0.9,epsilon=1e-10),即设定γ=0.9,学习率η=0.001,ε=1e-10,
s←γ*s+(1-γ)*▽θJ2(θ)
采用γ=0.9,η=0.001,其实这样就是一个指数衰减的均值项,减少了出现的***情况,因此有助于避免学习速率过快下降的问题。
步骤A232:梯度检查,先把W[1],b[1];……W[L],b[L]转化成向量θ,对于每一个网络节点i定义为:
下一步比较dθapproxd与dθ是否大致相等,主要是计算两个向量之间的欧式距离:
通常设置阈值threshold=e-7,如果difference小于阈值,则认为所求梯度没问题。本实施例经过参数调优,模型中各参数如表2所示;
表2模型参数表
数据集采用留出法划分,直接将数据集划分为训练集与测试集两个互斥的集合。批尺寸可以理解为每一批样本的数量,它的极限值为训练集样本总数,数据较多时,采用小批梯度下降法。该方法样本数据分为若干批,分批来计算损失函数和更新参数,这样方向比较稳定,计算成本也相对较小。批标准化在卷积神经网络训练过程中使得每一层神经网络的输入保持相同分布。引入过拟合率这一指标,一定程度上降低了模型过拟合几率。应强调的是,在具体的应用中,可根据实际情况调整不同的参数。
步骤A233:测试数据的检验。对测试数据的误差进行计算分析。以训练时间,样本均方误差(MSE)的平均值和标准差为测试指标,对模型预测的速度、精度和稳定性进行评价。样本均方误差(MSE)是指参数估计值与参数真值之差平方的期望值,可以评价数据的变化程度。其计算公式如下所示:
式中,N为训练样本数;yn(k)为第k个点的期望输出值;y(k)为第k个点的实际输出值。
同时,将本发明使用的预测模型与其他模型预测效果进行对比。由于各模型预测效果具有随机性,故对停车场的有效剩余停车位数据可进行多次预测实验,在一定程度上降低偶然性的影响。
B.下一时段剩余停车位数量预测
本实施例中,我们共收集了某商场过去十个月的停车场剩余车位变化数据,调取9:00-10:00等三个时段商场的剩余车位变化数据进行训练,设置水平线为10分钟,预测9:10-10:10等三个时间段的数据。采用卷积神经网络短时剩余车位数预测模型对数据库中停车位变化数据训练经数图转换最终得到短时预测剩余停车趋势及误差分析数据表。数据表共分三列,第一列为实时采集数据,第二列为短时预测剩余车位数,第三列为历史拟合剩余车位数据,同时对预测数据的误差进行计算分析。预测误差指实时剩余停车位与短时预测停车位之间的误差;参照误差指短时预测数据与历史拟合数据的误差。
表3短时预测剩余停车趋势及误差分析数据表
综上,本发明预测精度高达99.35%,可以有效的根据实时采集数据预测停车场短时剩余停车位变化趋势。本实施例的短时预测误差分析图,如图4所示,由该图可知,采用卷积神经网络短时剩余车位数预测模型对停车场剩余停车位进行短时预测的精度高,预测偏差小。在停车高峰期,本发明预测结果更精准,预测效果更好。
与传统的预测模型相比,本发明具有预测精度高,预测时间短,训练过程简单三个显著特点。实际应用中,通过读取停车场实时剩余车位变化数据,卷积神经网络短时剩余车位数预测模型可直接对预测水平线后置时间的剩余停车位变化趋势并在停车场入口进行信息发布,为司机寻找泊位提供参考。
剩余停车位预测信息可供数据二次分析与可视化发布,经数图转换,预测信息最终以数字形式存储在数据库中。目前道路剩余停车位预测信息发布方式主要有三种形式(智慧停车App发布、道路交通诱导屏发布、停车场入口LED显示屏发布),发布范围由宏观到局部。预测信息可视化发布以停车时空资源消耗为指标,停车时空资源是指停车场拥有停车泊位数和其所对应的开放时间之积,该指标可反应停车场车位供给能力,为驾驶员寻找停车场提供参考。本实施例的可视化发布效果图,如图5所示,该图以停车时空资源消耗为指标,不同的停车场,时空资源消耗程度不同。在停车高峰期,司机可根据发布的停车资源占用信息,选择合适的停车场进行泊车。
Claims (4)
1.一种基于卷积神经网络的短时剩余车位数量预测方法,其特征在于,该方法包括建立短时剩余停车位数量预测模型和下一时段的剩余停车位数量预测两部分:
A.建立短时剩余停车位数量预测模型
步骤A1:建立样本数据集;
步骤A11:停车场历史数据收集与分类
收集不同天气、不同用地性质和不同日子属性的停车场历史数据,由此聚类建立所预测停车场的5个数据库:
①工作日-阴/晴天;
②工作日-雨天;
③周末-阴/晴天;
④周末-雨天;
⑤法定节假日;
步骤A12:数图转化
将数字化的文本数据以时间为序列进行二维图像转换,得到不同日子特性条件下每日的“剩余停车位数量走势-时间”图,最后将处理好的图像切分成等数量的训练集和测试集,用于卷积神经网络模型的训练与测试;
步骤A2:利用图像训练卷积神经网络,获得短时剩余停车位数量预测模型;
B.下一时段剩余停车位数量预测
将当前时段剩余停车位数据以时间为序列进行排列,进行二维图像转化,即与A1数据集的形式相同,然后输入步骤A2获得的预测模型进行下一时段的剩余停车位趋势,并获得可视化的预测趋势图。
2.根据权利要求1所述的方法,其特征在于,步骤A2所述的预测模型结构包含输入层、卷积层、池化层、全连接层和输出层;
卷积层使用卷积核进行特征提取和特征映射;池化层进行下采样,对特征图稀疏处理,减少数据运算量;而全连接层在卷积神经网络的尾部进行重新拟合,减少特征信息的损失;另外,设计反向传播算法,通过确定误差项的递推公式,进行梯度计算与权重更新,提高模型对图片的识别精度;
利用链式求导法计算损失函数对每个权重的偏导数,然后根据梯度下降算法更新权重;整个算法训练整体上分为三个步骤:
步骤A21:前向计算每个神经元的输出值aj,j表示网络的第j个神经元,以下同;
3.根据权利要求2所述的方法,其特征在于,所述步骤A23包括以下步骤:
步骤A231:选择损失函数用于模型的参数估计,使用l2损失函数;
步骤A232:建立基线模型,使用普通最小二乘回归OLS法;
步骤A233:进行参数调优,调整solver.Prototxt文件中指定的优化参数;采用学习率自适应的RMSprop随机梯度下降法,其是对Adagrad算法的改进;
将学习速率设置为0.001,在TensorFlow中写为tf.train.RMSPropOptimizer,learning_rate=learning_rate,momentum=0.9,decay=0.9,epsilon=1e-10,即设定γ=0.9,学习率η=0.001,ε=1e-10,
步骤A234:测试数据的检验与拟合,对测试数据的误差进行计算分析,以训练时间,样本均方误差MSE的平均值和标准差为测试指标,对模型预测的速度、精度和稳定性进行评价;
样本均方误差MSE是指参数估计值与参数真值之差平方的期望值,可以评价数据的变化程度,其计算公式如下所示:
式中,N为训练样本数;yn(k)为第k个点的期望输出值;y(k)为第k个点的实际输出值。
4.根据权利要求1所述的方法,其特征在于,所述步骤B包括以下步骤:
步骤B1:获得步骤A不同日子特性条件、不同用地性质下各类训练好的模型,根据预测当天日子特性选择相应的卷积神经网络短时剩余车位数量预测模型;
步骤B2:将当天当前时段剩余车位数据转化成二维图形,导入所选模型进行处理,即可获得下一时段的剩余停车位走势图;
步骤B3:将其转换成数字形式后,即可以进行可视化与发布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910810616.8A CN110503104B (zh) | 2019-08-29 | 2019-08-29 | 一种基于卷积神经网络的短时剩余车位数量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910810616.8A CN110503104B (zh) | 2019-08-29 | 2019-08-29 | 一种基于卷积神经网络的短时剩余车位数量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503104A CN110503104A (zh) | 2019-11-26 |
CN110503104B true CN110503104B (zh) | 2021-04-27 |
Family
ID=68590469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910810616.8A Active CN110503104B (zh) | 2019-08-29 | 2019-08-29 | 一种基于卷积神经网络的短时剩余车位数量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503104B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111785034A (zh) * | 2020-07-01 | 2020-10-16 | 宁波工程学院 | 一种道路违法抓拍方法、***、终端设备和储存介质 |
CN111813830B (zh) * | 2020-07-02 | 2023-03-28 | 清华大学 | 一种基于轨道交通工业互联网的工业时序数据检索方法 |
CN113257004B (zh) * | 2021-06-03 | 2021-09-21 | 成都宜泊信息科技有限公司 | 一种车位管理方法、***、存储介质及电子设备 |
CN113487905A (zh) * | 2021-06-09 | 2021-10-08 | 海南漫游谷电子商务有限公司 | 一种停车场车位预测方法及服务器 |
CN115019551B (zh) * | 2022-08-01 | 2022-11-15 | 阿里巴巴(中国)有限公司 | 场库的余位的校正方法、余位预测模型的训练方法和装置 |
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 |
CN117829377A (zh) * | 2024-03-04 | 2024-04-05 | 德阳城市智慧之心信息技术有限公司 | 基于神经网络的剩余车位预测方法、装置、设备及介质 |
CN117874474B (zh) * | 2024-03-13 | 2024-05-24 | 三峡电能有限公司 | 一种基于深度学习的充电场站空闲状态设备数量预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447273A (zh) * | 2018-03-30 | 2018-08-24 | 合肥城市泊车投资管理有限公司 | 一种基于智能停车***的剩余车位预测方法 |
CN109492817A (zh) * | 2018-11-16 | 2019-03-19 | 杭州电子科技大学 | 一种封闭区域内未来泊位需求数量短时预测方法 |
CN109492808A (zh) * | 2018-11-07 | 2019-03-19 | 浙江科技学院 | 一种室内停车场剩余车位预测方法 |
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 |
CN109949606A (zh) * | 2019-04-18 | 2019-06-28 | 佛山市百宇行智能科技有限公司 | 一种智能停车的大数据分析方法 |
-
2019
- 2019-08-29 CN CN201910810616.8A patent/CN110503104B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447273A (zh) * | 2018-03-30 | 2018-08-24 | 合肥城市泊车投资管理有限公司 | 一种基于智能停车***的剩余车位预测方法 |
CN109492808A (zh) * | 2018-11-07 | 2019-03-19 | 浙江科技学院 | 一种室内停车场剩余车位预测方法 |
CN109492817A (zh) * | 2018-11-16 | 2019-03-19 | 杭州电子科技大学 | 一种封闭区域内未来泊位需求数量短时预测方法 |
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 |
CN109949606A (zh) * | 2019-04-18 | 2019-06-28 | 佛山市百宇行智能科技有限公司 | 一种智能停车的大数据分析方法 |
Non-Patent Citations (2)
Title |
---|
A deep learning approach to real-time parking occupancy prediction in spatio-temporal networks incorporating multiple spatio-temporal data sources;Shuguan Yang 等;《arXiv》;20190121;第1-22页 * |
开车出门没处停?未来可用AI实时预判空车位;雷锋网;《阿里云开发者社区》;20190124;第1页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110503104A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503104B (zh) | 一种基于卷积神经网络的短时剩余车位数量预测方法 | |
CN111210633B (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及*** | |
CN110348624B (zh) | 一种基于Stacking集成策略的沙尘暴等级预测方法 | |
CN110555990B (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN109034449A (zh) | 基于深度学习和乘客行为模式的短期公交客流预测方法 | |
CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN113159364A (zh) | 一种大型交通场站的客流预测方法及*** | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、***及装置 | |
CN110458337B (zh) | 一种基于c-gru的网约车供需预测方法 | |
CN108417029A (zh) | 基于自适应多任务深度学习的城市路网行程时间估计方法 | |
CN111242292B (zh) | 基于深度时空网络的od数据预测方法及*** | |
CN106910199A (zh) | 面向城市空间信息采集的车联网众包方法 | |
CN112598165B (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN113051811B (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
CN112488185A (zh) | 包含时空特性的车辆运行参数预测方法,***,电子设备及可读存储介质 | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN111915076A (zh) | 一种利用人工智能神经网络实现景区观景人员预测的方法 | |
CN113537569B (zh) | 一种基于权重堆叠决策树的短时公交客流预测方法及*** | |
CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 | |
CN114418606A (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
CN116797274A (zh) | 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法 |
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 |