[发明专利]一种室内停车场剩余车位预测方法

说明书

一种室内停车场剩余车位预测方法，包括如下步骤：步骤1.得到停车场空余泊位序列，并进行数据预处理；步骤2.对初始序列的训练集进行去噪处理，得到去除噪声的时间序列，记为平滑序列，将其划分测试集与训练集；使用平滑序列训练集训练LSTM神经网络；步骤3.使用初始序列构建并训练灰色残差神经网络模型；步骤4.加权组合两种预测模型，得到最终预测模型。

技术领域：

本发明涉及一种停车场剩余车位的预测方法。

背景技术：

随着人民生活水平日益提高，城市机动车保有量逐年增加，而停车位的数量不能满足需求，停车难日益成为一个大问题。近年来大数据技术在智能交通领域的应用越来越多，很多人工智能算法在泊位数量的预测上颇有成效。目前主流的研究是通过对停车场历史数据分析，进而对停车场的车位信息做出准确的预测，凭借准确的预测结果为用户提供可靠的出行信息，帮助用户做好出行规划，同时减少用户寻找停车位浪费的时间，缓解了城市交通压力。

在已有的预测停车场车位数量的研究中，主流方法是获取停车场各个时间段泊位数据，按时间顺序排列为时间序列并对之进行分析研究，研究侧重于预测模型的构建使用，而对于时间序列中去除随机性成分的研究偏少。停车场车位数量时间序列的组成可分为随机过程成分和混沌过程成分组成。随机信号产生于随机系统，具有不可预测的特性，当预测的训练集中存在随机成分时会对预测模型的训练产生负面影响。

传统时间序列的去噪包括两类方法：一类是以小波方法和平滑方法为代表的直接去噪方法，目的为消除序列次要运动走向，保留主要趋势；另一类为频域去噪方法，以频域差异为区分标准，保留能量分布较高的频带，消除能量分布较低的频带。这两类方法均是由序列结果层面对序列进行去噪处理，忽略了随机成分产生的机理的复杂性。而且停车场车位时间序列的影响因素较多，噪声的产生机理比较复杂，单一的去噪方法的模型并不能在剔除噪声方面有优势，进行多步预测时会存在较大误差。

发明内容：

本发明要克服现有技术的上述缺点，提供一种室内大型停车场车位的组合预测方法。

本发明针对单模型预测精度低、稳定性弱的缺点，结合了一阶滤波算法平滑去噪与灰色模型算法弱化序列随机性的优点，提出一种动态加权组合模型的预测方法。

本发明的一种室内停车场剩余车位预测方法，包括如下步骤：

步骤1.得到停车场空余泊位序列，对数据进行初始化处理。

获取停车场空余泊位历史数据，以5分钟为间隔提取数据，得到停车场空余泊位时间序列，记为X＝{X_i|i＝1,2,…,n}，其中X_i为第i时间段的停车场空余泊位数量，n和i取值为自然数，n为时间序列中时间段总数量，{}表示集合。对数据的完整性进行检验，查看是否存在缺值。当存在缺值时，采用插值的方法。所得序列记为初始序列。

步骤2.对初始序列的训练集进行去噪处理，得到去除噪声的时间序列，记为平滑序列，并将之划分为测试集与训练集。使用平滑序列训练集训练LSTM神经网络。训练完成得到LSTM神经网络的优化参数。

步骤3.使用步骤一所得的初始序列构建灰色模型，使用灰色模型进行s步预测，其中s取值为自然数；由得到的s步预测结果和实际该时间段的车位数量序列构建残差序列；使用该残差序列训练LSTM神经网络计算得到补偿序列；使用补偿序列补偿灰色模型预测结果得到灰色残差神经网络的预测结果。

步骤4.加权结合两种模型进行组合预测。以平滑序列的测试集作为已经训练完成的神经网络的输入，得到相应的输出结果，记为L(t),t＝1,2,…,m，其中L(t)为LSTM网络模型在t时间段的预测值，t和m取值为自然数，m为预测总步数，t取值在1到m之间。以初始序列作为灰色残差神经网络模型模型的输入，得到输出在t时间段的预测值为G(t),t＝1,2,3,…,m，其中t和m取值为自然数，m为预测总步数。构建LSTM神经网络和灰色残差神经网络模型的组合模型，两种模型组合模型的表达式为：