[发明专利]一种基于GRU模型的短时停车需求预测方法

权利要求书

1.一种基于GRU模型的短时停车需求预测方法，其特征在于，包括以下步骤：

1)获得停车设施的历史数据，对历史数据进行处理，得到各时间点上的泊位占有率数据。

2)利用深度学习Keras框架包，设定GRU神经网络结构，利用Keras包中GridSearch函数获得最优参数。

3)利用训练集数据训练GRU模型，保存该模型并预测下一个步长的泊位占有率。

2.根据权利要求1所述的一种基于GRU模型的短时停车需求预测方法，其特征在于，所述的步骤1)具体为：

S1.1，根据历史数据的原始字段信息(一辆车进入以及离去停车设施的具体时间点)，通过Python中Panads包中的Resample函数获得各时间点上进入以及离去停车设施的车辆数，通过调整Resample函数中采样频率(60分或者30分或15分钟或5分钟或1分钟等)，可以获得不同时间尺度上驶入驶离车辆数。

S1.2，利用所述Panads包中的Concat函数将驶入以及驶离的Series按照索引进行合并，得到DataFrame形式的数据。计算出起始时刻在场车辆数，则后一时刻的在场车辆数＝上一时刻在场车辆数+驶入车辆数-驶离车辆数。在DataFrame中新建两列，通过循环遍历，一列为各时间尺度上的在场车辆数，一列为各时间尺度上的泊位占有率。

S1.3，为了提高预测精度，将原始泊位占有量数据标准化，利用Sklearn包中的StandardScaler()函数将数据标准化到-1至1区间内。以及最终利用inverse_transform方法还原数据。

3.根据权利要求1所述的一种基于GRU模型的短时停车需求预测方法，其特征在于，所述的步骤2)具体为：

S2.1，为了防止模型产生过拟合以及欠拟合，将获取得到的历史数据集划分为训练集、验证集和测试集，验证集可以用于调整模型的超参数和用于对模型的能力进行初步评估，测试集最终评判模型预测的精度。

S2.2，设定GRU神经网络的结构：第一层为GRU层，第二层为Bidirectional—GRU，第三层为全连接层、第四层为输出层。

S2.3，为了评估模型预测精度，将Root Mean Square Error(RMSE)作为优化目标函数；优化器选取为RMSprop；采用激活函数Relu；拟合训练集时，将Shuffling设置为false。

S2.4，通过GridSearch网格搜索，在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果，得到训练好的GRU模型。

需要进行搜索的超参数主要有Lookback、各层神经元个数、学习率等。

4.根据权利要求1所述的一种基于GRU模型的短时停车需求预测方法，其特征在于，所述的步骤3)具体为：

S3.1，在训练好GRU模型之后，利用keras包中的model.save()方法将模型训练的结构保持在本地，文件类型为.h5(一种高效的文件存储格式)。

S3.2，在实际的停车诱导系统中，要获得下一时刻的预测泊位占有率时，只需要采用model.load()方法读取训练好的模型，再进行预测即可。

S3.3，当采集了新的一周或者一个月的历史数据，可重新导入数据，可重新训练GRU模型，保存最新的模型训练结果。