[发明专利]一种确定公共停车场泊位数的方法

说明书

技术领域

本发明涉及一种确定公共停车场泊位数的方法，具体涉及一种运用BP神经网络确定公共停车场泊位数的方法，属于城市交通规划和停车场规划领域。

背景技术

随着国民经济的快速增长和城市化进程的加快，我国的城市机动化水平在最近几十年迅速发展，交通需求量急剧增加。然而，由于我国的城市交通基础设施缺乏和滞后，所以，城市机动车的迅猛发展，不仅严重加剧了道路负荷，带来交通阻塞等问题，同时也带来停车设施严重不足，车辆乱停乱放等问题。

社会公共停车场是我国最重要的停车设施之一，如果在社会公共停车场建设前期没有做好其泊位数的预测工作，可能会导致一些严重的问题。一方面如果社会公共停车场较少，会导致停车设施无法满足停车需求，车辆路边违章停车，严重占用道路，甚至会制约社会、经济的发展；另一方面，如果社会公共停车场过多，则会造成停车场利用效率不高，资金和土地的浪费。所以准确的对社会公共停车场泊位数进行预测是合理规划和建设社会公共停车的基础，有着重大的意义。

目前停车需求预测方法有停车生成率模型、用地与交通影响分析模型、多元回归分析预测模型和配建停车需求标准等，但现有的方法并没有考虑人口和经济等因素，同时工程设计人员从模型中获取的拟建停车场规模一是从行业标准中推算得出，二是根据模型回归得出。但获取的停车场规模并不是建立在拟建地区的人口经济等因素基础之上的，是否能够满足拟建地区的停车问题存在异议，另外现有的模型都比较复杂，参数很难获取，并且没有快速收敛的算法，在工程实践中是不适用的。

发明内容

发明目的：本发明的目的在于针对现有技术的不足，提供一种模型简单、参数容易取得并且容易收敛的公共停车场泊位数的确定方法。

技术方案：本发明所述的一种确定公共停车场泊位数的方法，按如下步骤进行：

（1）确定影响公共停车场泊位数的因素，所述因素包括人口、GDP、家庭平均月收入和家庭平均小汽车数；调查上述因素的数据，将经调查的数据分为训练数据组和预测数据组。

（2）构建BP神经网络，所述BP神经网络包括输入层、隐层和输出层，所述输入层包括4个神经元，所述输出层为1个神经元，所述隐层的神经元个数确定方法为其中m是输入层神经元个数；n是输出层神经元个数；α是1~10的常数，通过网络的训练确定。

（3）将训练数据组的数据进行预处理，预处理采用[0，1]数据归一的方法，使训练数据映射到0~1之间。这样转移函数在该区间内变化梯度增大，网络收敛速度提高，网络性能得到改善。

（4）将预处理好的训练数据输入到BP神经网络，每个因素对应BP神经网络输入层的1个神经元，输入层的数据通过双曲正切S型函数的处理生成隐层的数据，隐层数据通过线性转移函数的处理生成输出层的数据，将输出层的数据与实际值进行比较，如果误差不满足精度要求，则调整隐层变量和权重，继续进行训练；如果误差满足精度要求，则训练停止。

图3中变量是指隐藏变量，根据收敛性的要求，Matlab自动生成的一系列的值，根据公式Matlab可自动调整该变量的个数以及其值，并且不断变化，直到BP神经网络收敛为止，该值在操作界面中是看不到的。

（5）将预测数据组的数据输入到BP神经网络，每个因素对应BP神经网络输入层的1个神经元，输入层的数据通过双曲正切S型函数的处理生成隐层的数据，隐层数据通过线性转移函数的处理生成输出层的数据，即为公共停车场泊位数。

所述方法基于Matlab工具进行，步骤（1）通过Matlab工具的BP神经网络工具箱实现，步骤（3）通过Matlab工具的mapminmax命令实现，步骤（4）通过Matlab工具的traingdm命令实现，步骤（4）中隐层变量和权重是一个隐藏性的数值，根据收敛性的要求由Matlab工具自动生成，根据公式Matlab工具自动调整该变量和权重的个数和值，并且不断变化，直到BP神经网络收敛为止。

步骤（4）中调整隐层和输出层权重使用沿着误差的梯度下降法，提高学习过程的效率。

有益效果：本发明所述的一种确定公共停车场泊位数的方法，分析确定了影响公共停车场泊位的因素，构建社会公共停车场泊位数包括输入层、隐层和输出层的3层BP神经网络结构，通过训练和预测确定公共停车场的泊位数，此方法模型简单，参数容易取得，易收敛，实现对大数据的智能处理，在城市建设、大型商业区规划或者小区规划中，获得广泛的应用。

附图说明

图1为本发明所述的一种确定公共停车场泊位数的方法的流程图；