[发明专利]基于优化LSTM模型的道路停车泊位预测方法

权利要求书

1.一种基于优化LSTM模型的道路停车泊位预测方法，其特征在于，包括：

步骤S1：接收停车泊位预测请求，其中，所述停车泊位预测请求用于请求预测目标停车场内预定时间段中每间隔单位时间的剩余停车泊位数；

步骤S2：获取所述目标停车场的历史停车数据，其中，所述历史停车数据包括车辆标识、车辆行驶目标和数据记录时间，其中，所述车辆行驶目标为驶入停车场或驶出停车场；

步骤S3：根据所述历史停车数据计算所述目标停车场内每间隔所述单位时间的历史剩余停车泊位数得到样本集x⁽⁰⁾＝{x₁，x₂，...，x_k}，其中，x_i为第i个所述单位时间时所述目标停车场内剩余停车泊位数，i大于等于1且小于等于k；

步骤S4：将所述样本集划分为训练集和测试集，其中，所述训练集包括所述样本集中的前N个剩余停车泊位数，所述测试集包括所述样本集中的第N+1至第k个剩余停车泊位数，N大于1且小于k；

步骤S5：对所述训练集和所述测试集进行归一化处理，得到归一化训练集和归一化测试集；

步骤S6：将所述归一化训练集输入神经网络模型进行训练，得到第一预测结果集，其中，将输入数据依次输入第一LSTM层，得到所述第一LSTM层的输出结果；

从所述第一LSTM层接收到的输入数据中的第s-1个数据开始，将所述第一LSTM层的输出结果输入至Bi-LSTM层，得到所述Bi-LSTM层的输出结果；

将所述Bi-LSTM层的输出结果输入第二LSTM层，所述第二LSTM层的输出结果；

将所述第二LSTM层的输出结果输入全连接层，得到所述全连接层的输出结果；

将所述全连接层的输出结果输入输出层，所述输出层输出所述第一预测结果集；

步骤S7：判断训练误差是否小于第一预定误差阈值，判断训练次数是否达到预定次数阈值；

步骤S8：若所述训练误差小于所述第一预定误差阈值，和/或所述训练次数达到所述预定次数阈值，则将所述归一化测试集输入至所述神经网络模型，得到第二预测结果集，并执行步骤S10；

步骤S9：若所述训练误差不小于所述第一预定误差阈值且所述训练次数未达到所述预定次数阈值，则将所述训练次数加1，并返回步骤S6，其中，所述训练次数的初始值为1；

步骤S10：将所述第二预测结果集进行反归一化处理；

步骤S11：计算反归一化处理后的所述第二预测结果集中的预测结果与所述测试集中对应的剩余停车泊位数之间的误差；

步骤S12：判断所述误差是否小于第二预定误差阈值；

步骤S13：若所述误差不小于所述第二预定误差阈值，则根据所述误差调整所述神经网络模型的参数，将所述训练次数置为1，并返回步骤S6；

步骤S14：若所述误差小于所述第二预定误差阈值，则将所述第二预测结果集中对应所述预定时间段的数据输出。

2.根据权利要求1所述的基于优化LSTM模型的道路停车泊位预测方法，其特征在于，所述停车泊位预测请求用于请求预定日期内预定时间段中每间隔单位时间的剩余停车泊位数，所述步骤S2包括：

判断所述预定日期为工作日或休息日；

若所述预定日期为工作日，则获取所述目标停车场的工作日的历史停车数据；

若所述预定日期为休息日，则获取所述目标停车场的休息日的历史停车数据。

3.根据权利要求1所述的基于优化LSTM模型的道路停车泊位预测方法，在所述步骤S5中，采用以下公式对所述训练集和测试集中的数据进行归一化处理：

x_k＝(x_k-x_min)/(x_max-x_min)，

其中，x_max为所述样本集中的最大值，x_min为所述样本集中的最小值。