[发明专利]基于优化LSTM模型的道路停车泊位预测方法

说明书

本发明公开了一种基于优化LSTM模型的道路停车泊位预测方法，包括以下步骤：获取目标停车场的历史停车数据，计算目标停车场内每间隔单位时间的停车泊位数得到样本集；将样本集划分为训练集和测试集并分别进行归一化处理；将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，若第一预测结果集中的结果小于第一误差阈值，则将归一化测试集输入至神经网络模型，得到第二预测结果集，将第二预测结果集进行反归一化处理，计算反归一化处理后得到的结果与剩余停车泊位数之间的误差；若误差小于第二预定误差阈值，将第二预测结果集中对应预定时间段的数据输出。本发明可以更准确的对停车场的剩余停车泊位数进行预测。

技术领域

本发明涉及道路停车场泊位预测领域，更具体地，涉及一种基于优化LSTM模型的道路停车泊位预测方法。

背景技术

随着我国经济的飞速发展，城市公共停车设施的建设也越来越受到重视,而城市车辆保有量迅速增长，外来车辆大量增加，公共停车设施的严重滞后，停车设施多头分散管理、相互脱钩、缺乏联系与协调使目前的停车愈加困难，尤其是中心商务区的停车难问题日益突出。

随着车辆数量的增加，由于缺乏有效的管理，城市道路或城镇道路旁的车辆的乱停乱放的现象越发严重，很多车辆甚至在禁止区域内停车。这种违法停车的现象不仅造成了道路行车的拥堵，而且逐渐演变成为引发交通事故的一个重要原因。

当前现有的对停车泊位的预测算法有非线性时间序列分析法、系统模糊分析法、神经网络分析法等，它们存在以下问题：

非线性时间序列分析法虽然结合多种影响因素，可对有效停车泊位进行短时预测，但其对数据的波动性处理能力较弱，预测结果的稳定性较差。系统模糊分析法可明显降低采集数据的波动率，并对输出结果进行的处理，但其运算能力具有一定局限性，数据较大情况下准确率会有所下降。神经网络分析法虽具有较高的容错性及鲁棒性，具有拟合非线性复杂系统的预测能力，但由于其对输入数据的处理能力有限，预测容易陷入局部最优，并且预测结果随机波动性较大，预测结果有时稳定性较差。

因此亟待设计一种预测结果稳定、预测准确度高的道路停车泊位预测方法。

发明内容

有鉴于此，本发明提供了一种基于优化LSTM模型的道路停车泊位预测方法，解决了现有技术中对停车场的剩余停车泊位数预测结果不稳定，准确度低的问题。

为了解决上述问题，本发明提供了一种基于优化LSTM模型的道路停车泊位预测方法，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；