[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

说明书

本发明公开了一种基于优化小波神经网络的停车泊位多步预测方法，将实际测得有效停车泊位数据处理成以5分钟为时间间隔的有效停车泊位时间序列,利用小波函数‘db32’进行多尺度分解与重构，并将其作为小波神经网络的隐含层函数；利用粒子群算法对权值进行调整，逐步迭代更新得到最优值；利用ELM算法降低EPWNN的预测时间，根据多步预测策略得到预测结果。本发明相对于遗传算法优化神经网络、遗传算法优化小波神经网络、极限学习机优化小波变换、极限学习机优化小波神经网络、粒子群优化神经网络算法、粒子群优化小波神经网络等算法，EPWNN算法的预测误差平均降低了89.17％，预测所需的时间平均降低了50.83％。

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于优化小波神经网络的停车泊位多步预测方法。

背景技术

汽车的便利、快捷使其成为了生活中不可或缺的重要部分，而伴随着私家车数量的飞速增长，城市原本有限的空间也变得更加的拥挤，相对于每辆车的停放空间也逐渐越来越小。城市的停车问题日趋严重，停车需求量日趋加大，城市的停车问题已经严重阻碍经济的发展。因而停车位的预测对于交通问题的改善具有十分重要的意义。

目前有关预测方法主要有：BP神经网络、模糊神经网络、灰色理论、马尔科夫、小波函数、支持向量机、粒子群优化算法、极限学习机等。杨兆升等通过将过去3个时刻的实测数据输入对神经网络进行训练，提出了基于模糊神经网络以及BP神经网络的停车位预测模型，虽然神经网络是适合于具有非线性的时间序列的预测的，但它通过梯度下降法沿着局部改善的方向逐步改善网络参数，易陷入局部极值，并且网络的收敛速度慢，学习周期长，模糊神经网络是将神经网络的学习算法与模糊逻辑结合，通过样本的学习提高神经网络的性能，需要对知识和规则进行推理，不易实现，且由于该模型认定后一时刻的泊位数据取决于由前3个时刻的泊位数据是没有理论依据的，因而具有一定的盲目性，所以导致其预测结果不够精确。为解决上述问题，并使输入的数据有理有据，陈群等采用Elman神经网络和相空间重构的方法确定输入的数据及个数，提出了基于相空间重构和Elman神经网络的停车泊位预测方法，使得预测结果更精准。为进一步提高预测精度，季彦婕等提出了基于Markov模型的小波分析的预测方法，预测结果有一定提高，但预测结果仍然不足够精确。灰色理论适合于时间短、数据资料少、波动性不大的预测问题，但由于其预测结果是单调的指数型变化，因而对于波动性强或需要做长期预测的序列的预测不是很理想，因此，灰色理论在短时交通流预测方面的精度一般不高。马尔科夫预测适合于描述随机波动性较大的预测问题，但它要求数据具有平稳过程等均指特点，不适合随机性较强的有效停车位的时间序列的预测。因而许增昭通过分析研究停车场历史数据，总结有效泊位变化规律，并深入研究了马尔柯夫预测模型适用性，借鉴短时交通量的预测方法，提出了基于灰色马尔柯夫模型的停车场有效泊位短时预测方法，但其研究却止步于理论阶段，其预测精度和适用性都有待检验。为提高预测的精度及算法的适用性，杨飞等针对交通流的混沌特征，提出了一种基于小波回声状态网络的交通流多步预测模型，预测精度虽然相对有一定提高，但其网络的学习比较困难，难以操作，且预测结果不够稳定。为使预测算法简单、易操作，Rajabioun等和Klappenecker等都通过数学方法对停车泊位进行预测，虽然算法容易操作，但其鲁棒性及容错性效果比较差，因而预测结果也不理想。小波神经网络就是指将小波分析理论与人工神经网络理论相结合。其隐含层节点函数是小波函数，与常规神经网络相比，小波神经网络的权值学习算法简单易行，并且误差函数是一个凸函数，没有局部极小点，收敛速度快^[1-2]。因此，为更有效的提高有效停车泊位的预测精度，季彦婕等提出了基于小波神经网络及基于小波变换和粒子群小波神经网络的停车泊位预测模型，后一种模型为前一种模型的改进，该模型利用小波变换对所输入的数据进行分解和重构，再通过小波神经网络对停车泊位进行预测，极大提高了预测准确性^[3-4]。陈晓实结合小波变换的多步预测策略，提出了基于小波变换的有效停车位多步预测研究^[5]。支持向量机(Support Vector Machine,SVM)方法运用结构风险最小化原则，在训练样本很少的情况下具有很好的推广能力,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，SVM学习问题属于凸优化问题，可利用已知的有效算法发现目标函数的全局最小值，它通过最大化决策边界的边缘来控制模型的能力，但用户必须提供其他参数，如使用核函数类型和引入松弛变量等，这是很困难的，因而对有效停车位的预测的实现比较难^[6-7]。粒子群算法没有遗传算法的“交叉”(Crossover)和“变异”(Mutat ion)操作，不需要对许多参数进行调整，从随机解出发，通过迭代由局部最优寻找全局最优，相对优于神经网络和遗传算法，不易陷入全局最优，但由于也是通过适应度函数反复迭代更新来评价解的质量，因而速度较慢^[8]。极限学习机作为单隐层前馈神经网络，其输入层与隐藏层之间的权值参数和隐藏层上的偏置向量参数都不需要像其他基于梯度的学习算法一样通过反复迭代进行调整更新，因而训练参数少、速度非常快^[9]。