[发明专利]基于优化小波神经网络的停车泊位多步预测方法

权利要求书

1.一种基于优化小波神经网络的停车泊位多步预测方法，其特征在于，包括如下步骤：

S1采集有效停车泊位信息，得到停车场的有效停车泊位的时间序列；

S2采用梯度下降法训练小波神经网络的各个参数，得到预测结果与实际结果之间的误差平方和e；

S3将步骤S2中得到的误差平方和e作为粒子群算法的适应度函数，然后利用粒子群算法逐步搜索粒子的当前局部最优值和整体的全局最优值，通过逐步迭代更新得到全局最优值：

3.1)将步骤S2中得到的误差平方和e作为粒子群优化算法的适应度函数，同时利用8*rand()函数将粒子群优化算法中的每个粒子的位置、速度、平移因子、伸缩因子以及每个粒子向量的连接权值进行随机初始化；

3.2)根据迭代公式不断进行迭代更新，并通过不断比较和更新得到粒子的当前局部最优值和整体的全局最优值：

假设在N维空间中，共有M个粒子，其中第i个粒子的位置为X_i＝(x_i1，x_i2，...，x_iD)，其速度为V_i＝(v_i1，v_i2，...，v_iD)，该粒子当前的局部最优位置为X_Pi＝(P_i1，P_i2，...，P_iD)，整个粒子群的全局最优位置为X_Gi＝(G_i1，G_i2，...，G_iD)，那么此时，粒子群优化算法在寻找个体的局部最优解和全局最优解时的迭代公式表示为：

L＝(P_id(y)-x_id(f))+C₂*rand()*(G_id(f)-x_id(f))；

v_id(f+1)＝β*(W*v_id(f)+C₁*rand()*L)；

x_id(f+1)＝x_id(f)+v_id(f+1)；

其中，L为当前粒子与全局最优位置的距离，f为迭代次数，W为惯性因子，利用rand()取得，用来控制当前粒子前一次迭代对当前迭代的影响，C₁、C₂为加速系数，分别用于调节当前粒子到自身最优位置和全局最优位置的步长，β为收缩因子；

3.3)当达到设定的最大迭代次数时，则停止迭代，此时得到的最优值即为所求的全局最优值；

S4将步骤S3中得到的全局最优值作为单隐层前馈神经网络的输入样本，采用ELM算法对步骤S3中得到的全局最优值进行训练，得到输出结果即为有效停车位时间序列的预测结果y；步骤S4具体如下：

4.1)记步骤S3得到的全局最优值的样本集合为X＝{(x_i，v_i)|x_i∈R^p，v_i∈R^q}，激活函数为G(x)，其中，训练样本总数为X’，R^p和R^q分别为x_i和v_i的最小范数最小二乘解，隐含层的神经元个数为

4.2)在MATLAB中，利用rand()函数随机设定训练样本的输入层与隐含层之间的连接权值W_i以及隐含层中的神经元的阈值b_i，其中i＝1，2，...，

4.3)基于已知条件中所给定的隐含层神经元的激活函数G(x)，求得隐含层的输出矩阵H，并将H作为输出层的输入样本；

4.4)求出最终输出层的权值矩阵y＝H*V；

S5将步骤S4中得到的有效停车位时间序列的预测结果y进行累减还原，从而获得有效停车泊位时间序列的最终预测结果Y＝y*(max(y)-min(y))+min(y)。