[发明专利]基于随机森林和LSTM神经网络的路内泊位占有率预测方法

权利要求书

1.一种基于随机森林和LSTM神经网络的路内泊位占有率预测方法，其特征在于，包括以下步骤：

步骤1、接收停车场占有率预测请求，获取目标路内停车场及其周边停车场的历史订单数据，其中历史订单数据包括停车位置、停车时长、停入时间和离开时间，对历史订单数据进行预处理，根据处理后的历史订单数据计算单位时间间隔内路内停车场占有率；

步骤2、考虑环境因素对路内停车场占有率的影响，获取兴趣点POI数据，利用开源地图获取目标路内停车场及周边路内停车场位置数据，以目标路内停车场为中心统计不同缓冲距离内各类POI的数量；

步骤3、统计与目标路内停车场的历史订单数据相对应停车费率、时间变量、路网拓扑关系和天气变量；

步骤4、采用随机森林模型分析不同缓冲距离内各类POI数量对目标路内停车场占有率预测的贡献度，并进行排序，选择贡献度排名前Z名的不同缓冲距离内各类POI数量，Z为正整数；

步骤5、对单位时间间隔内路内停车场占有率、天气变量、经步骤4选择后的各类POI数量进行归一化处理，将归一化后的天气变量、选择后的各类POI数量与时间变量、天气变量作为因变量，将单位时间间隔内路内停车场占有率作为自变量，结合自变量和因变量得到样本集，将样本集划分为训练集和测试集，将训练集输入LSTM神经网络，根据每一次训练结果的均方根误差RMSE值，确定LSTM神经网络各项参数，得到训练完成的LSTM神经网络，根据训练完成的LSTM神经网络实现路内停车场占有率的预测；

步骤3中，

时间变量包括虚拟变量和虚拟变量计算每个小时路内停车场占有率，并对其进行排序，将路内停车场占有率排名前8小时，中间8小时，后8小时分别定义为高峰时段，非高峰时段和睡眠时段，引入虚拟变量来表征时间属性；

其中t_i为第i个时间间隔内路内停车场占有率所在的小时时刻；

另一虚拟变量来表示工作日和节假日之间的属性区别；

其中t_i′为第i个时间间隔内各路内停车场占有率所在的日期；

天气变量包括温度、降水量、风速和能见度；温度、降水量、风速、能见度每小时取平均值；

路网拓扑关系：由于路内停车场位于路网之中，路内停车场之间的距离需要考虑连通性；

其中，n′表示区域路网中共有n′个路内停车场，a_bc是A中的第b行第c列元素，b和c都是小于等于n′的正整数，当a_bc值为1时表示第b个路段与第c个路段之间邻接，否则值a_bc值为0，A为路段关联矩阵，使用该矩阵表征路网空间关系；

步骤4具体步骤为：

4.1、以步骤2得到的不同缓冲距离内各类POI的数量作为目标路内停车场的特征变量X；

4.2、目标路内停车场占有率作为目标路内停车场的标签变量y，将y与X结合生成针对特征选择的样本集L，随机森林模型生成m棵决策树；在构建第j棵决策树时，使用自举法从整个样本集中随机有放回的生成子样本集L_j，在子样本集上训练第j棵决策树；未参与此决策树训练的样本称为袋外数据O_j；

4.3、用袋外数据来计算第j棵决策树的袋外误差，记为

4.4、随机地对每个O_j中第k个特征变量X_k加入噪声干扰，再次计算袋外误差，记为则特征变量X_k的贡献度为所有树的和之间的平均差VI(X_k)；

4.5、将随机森林模型中的特征变量X按照贡献度降序排序；预设剔除比例，从当前的特征变量中按剔除比例剔除贡献度排名靠后的变量，从而得到一个新的样本集X’；

4.6、令X＝X’，重复上述步骤4.2-4.5，直到剩下p个特征变量，p为预设的正整数。

2.根据权利要求1所述的一种基于随机森林和LSTM神经网络的路内泊位占有率预测方法，其特征在于，步骤1中单位时间间隔路内停车场占有率计算方式：

将一天时间划分成n个时间间隔，根据第i个时间间隔路内停车场内各泊位被车辆占用的时间之和o_i和各泊位空闲时间之和v_i，计算第i个单位时间路内停车场占有率x_i，i为小于等于n的正整数。

3.根据权利要求1所述的一种基于随机森林和LSTM神经网络的路内泊位占有率预测方法，其特征在于，步骤2中，POI的类别分为交通枢纽站点、住宅、公司企业、餐饮服务、购物服务、娱乐设施、路外停车场、金融机构、医疗机构和政府机构十个类型。