[发明专利]一种城市中心区路边停车需求分析预测方法

权利要求书

1.一种城市中心区路边停车需求分析预测方法，其特征在于按照以下步骤进行：

步骤(1)：采集近三个月中心区路边停车设施的相关数据，包括停车场的具体位置、车辆驶入和驶离停车带的时刻、停车场泊位数、停车场的计费，用以代入Elman人工神经网络进行训练；

步骤(2)：建立Elman人工神经网络，设定人工神经网络输入层神经元个数、输出神经元个数、网络迭代次数、神经元激励函数形式、动态参数、允许误差预测参数；

步骤(3)：引入稳态自适应变异机制对Elman人工神经网络的参数β进行变异操作，形成改进的Elman人工神经网络；

步骤(4)：设定改进的Elman人工神经网络的初始隐含层神经元数及层数；

步骤(5)：将待预测目标数据的历史数据作为原始数据，经过数据纵向对比处理以及归一化后，把处理过的数据作为训练样本输入改进的Elman人工神经网络；返回步骤(4)，重新设置改进的Elman人工神经网络的最优隐含层神经元数及层数，带入训练样本到改进的Elman人工神经网络进行训练；

步骤(6)：对比通过设置不同的初始隐含层神经元数获得的不同组训练结果，选择与验证样本误差最小的一组对应的改进的Elman人工神经网络模型作为训练模型；

步骤(7)：在训练模型中输入待预测数据进行预测，得到待预测日的停车需求泊松分布参数，将得到的泊松分布参数制成城市路边路边停车需求模型；

步骤(8)：将城市路边路边停车需求模型进行拟合，制成拟合得到的城市路边路边停车需求模型，应用于实际停车场，对路边停车需求时间进行预测；

所述步骤(3)中变异操作是指引入稳态自适应变异机制对Elman人工神经网络的参数β进行变异操作，以引导Elman人工神经网络跳出局部最优，寻找全局最优解；基于稳态自适应变异机制的β计算公式如下：其中，Δθ为Elman人工神经网络相邻代数的数据计算精度误差，σ为稳态自适应变异阈值；

所述步骤(7)中停车需求泊松分布参数包括F_k和P_k，F_k是指车辆到达数的出现次数，P_k是指车辆到达数的出现次数为k时的概率，用基于改进的Elman人工神经网络得到的停车需求泊松分布参数F_k和P_k与实际路边停车数据进行比较。

2.按照权利要求1所述一种城市中心区路边停车需求分析预测方法，其特征在于：所述步骤(7)中待预测数据以待预测日前N天该时刻的泊松分布参数为输入值。

3.按照权利要求1所述一种城市中心区路边停车需求分析预测方法，其特征在于：所述步骤(8)中，将拟合得到的城市路边路边停车需求模型，推导路边停车场累计频率表，再通过路边停车场的停车数量与车辆的平均停车时间的关系，对车辆到达的分布时间进行预测；路边停车场的停车数量与车辆的平均停车时间的关系中，路边停车场累计频率表以每15分钟为一级，计算停车时间在0min，15min，30min……180min以上的车辆所占整天停车车辆的比例；路边停车场的停车数量与车辆的平均停车时间的关系反映为，把停车时间小于15分钟的停车需求称为临时停车，路边停车场的临时平均停车时间和车辆数之间存在线性关系，当汽车的停车时间长度大于15分钟时，路边停车场的停车数量与车辆的平均停车时间与存在指数关系：