[发明专利]一种城市中心区路边停车需求分析预测方法

说明书

本发明公开了一种城市中心区路边停车需求分析预测方法，采集近三个月中心区路边停车设施的相关数据，建立人工神经网络，对人工神经网络的参数β进行变异操作，得到改进的人工神经网络；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人工神经网络；选择与验证样本误差最小的一组对应的改进的人工神经网络模型作为训练模型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。本发明的有益效果是可为城市中心区路边停车需求的分析预测提供可行方案，据有良好的实用性。

技术领域

本发明属于城市路边停车需求分析预测技术领域，涉及一种城市中心区路边停车需求分析预测方法。

背景技术

近年来，随着城市经济的快速发展和人们生活水平的提高，私家车的数量也急剧增加。而城市停车场规划与建设的增长速度却滞后于汽车保有量增加的幅度，停车位供给严重缺乏。此外，部分城市缺乏系统性停车设施规划，这些问题导致城市路侧停车难和停车乱的问题日益严重。而城市中心区的路侧停车问题就就显得尤其严重，如何将快速准确的把握城市中心区路边停车需求基本特征，对其进行详尽的分析和精准的预测显得尤为重要。

随着智能算法的兴起，专家、学者相继提出许多关于停车需求分析预测的方法，这些方法主要包括，利用元胞自动机模型对交通流能耗进行估算，构建经济行为模型分析停车行为，利用马尔科夫链构建路边停车寻位模型，提出一种广义费用最小的城市路边停车模型进行停车规划等。这些研究表明，路边停车问题的解决思路主要集中于引导停车需求，提高交通通行效率等方面，但存在以下缺点：没有挖掘城市路边停车的时空分布特性，没有充分考虑车辆到达、驶离规律，预测停车时间的可能分布，并针对不同时段和区域制定不同停车策略，以其达到合理分流城市停车需求，缓解城市停车问题。

传统的Elman人工神经网络利用动量梯度下降法调整网络权重和权值，当输入数据量较大时，Elman人工神经网络容易进入局部最优状态，且收敛速度明显降低。而为了让Elman人工神经网络跳出局部最优解，可以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。本发明提出一种基于改进Elman人工神经网络的城市中心区路边停车需求分析预测方法，更好预测路边停车需求分布，缓解城市停车问题。

发明内容

本发明的目的在于提供一种城市中心区路边停车需求分析预测方法，本发明的有益效果是获得的停车需求与实际停车需求基本吻合，可为城市中心区路边停车需求的分析预测提供可行方案，据有良好的实用性。

本发明所采用的技术方案是按照以下步骤进行：

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；