[发明专利]短期泊位预测方法及系统

说明书

本发明公开了一种短期泊位预测方法及系统，其中方法包括如下步骤：S100：获取一段时间内的泊位历史数据，并对泊位历史数据进行预处理获得有效泊位时间序列；S200：采用小波函数对有效泊位时间序列进行分解和多尺度重构，获得N+1个时间序列Csubgt;N/subgt;,Dsubgt;1/subgt;,Dsubgt;2/subgt;,…,Dsubgt;N/subgt;；S300：将步骤S200中获得的N+1个时间序列作为BP神经网络的训练样本和测试样本，并利用优化算法来优化BP神经网络的权值和阈值，构建预测模型；S400：获取待测数据，将待测数据作为待测样本导入到预测模型中，得到N+1个时间序列上的预测值，并将各个时间序列上的预测值进行融合。根据上述技术方案的预测方法，预测模型收敛速度更快，不会陷入局部最优解，预测结果更准确。

技术领域

本发明涉及人工智能领域，特别涉及一种短期泊位预测方法及系统。

背景技术

在面对泊位预测问题时，现有技术往往采用ARIMA时间序列和神经网络两种方法建立预测模型，其中神经网络的预测模型的准确率高于传统的ARIMA时间序列预测模型，但神经网络的成功很大程度上依赖于初始连接的权值，收敛速度慢，易陷入局部最优解的问题。

发明内容

发明目的：本发明的目的是提出一种短期泊位预测方法，可以提高神经网络的收敛速度，避免陷入局部最优解，实现准确的泊位预测。

本发明的另一目的是提出一种可以实施上述短期泊位预测方法的系统，可以实现准确的泊位预测，便于引导停车场内的车辆。

技术方案：本发明所述的短期泊位预测方法，包括如下步骤：

S100：获取一段时间内的泊位历史数据，并对泊位历史数据进行预处理获得有效泊位时间序列；

S200：采用小波函数对有效泊位时间序列进行分解和多尺度重构，获得N+1个时间序列C_N,D₁,D₂,…,D_N；

S300：将步骤S200中获得的N+1个时间序列作为BP神经网络的训练样本和测试样本，并利用优化算法来优化BP神经网络的权值和阈值，构建预测模型；

S400：获取待测数据，将待测数据作为待测样本导入到预测模型中，得到N+1个时间序列上的预测值，并将各个时间序列上的预测值进行融合。

进一步的，所述步骤S300中的优化算法为灰狼优化算法。

进一步的，所述步骤S100具体包括：

S110：计算各采样点t时刻停车场的泊位空闲率式中X(t)为t时刻空闲车位数，O(t)为t时刻出去车辆数，I(t)为t时刻进入车辆数，T为停车场总车位数；

S220：取连续n个相同时间间隔的采样点的泊位空闲率作为一个样本，第n+1个采样点的泊位空闲率作为该样本的预测值，依次类推获得样本n至n+1，2至n+2，3至n+3，……，n-1至2n-1及对应的预测值n+2，n+3，n+4，……，2n；

S230：对样本数据进行归一化操作获得有效泊位时间序列。

进一步的，所述步骤S200具体包括：

S210：采用第一小波函数对有效泊位时间序列进行多分辨率的N尺度分解，获得一个尺度为N的低频系数向量c_N和N个不同尺度下的高频系数向量d₁,d₂,…,d_N；