[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

说明书

本发明提出了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，主要包括以下步骤：1）获取目标路内停车场及其周边停车场历史订单数据，对订单数据进行预处理，计算单位时间间隔的路内停车场占有率；2）以目标停车场为中心，统计其不同缓冲距离内各类POI的数量；3）采用随机森林模型分析不同缓冲距离内各类POI点数量对路内停车场占有率预测的贡献度，并进行排序，选择贡献度排名前十的变量；4）依据停车场订单数据，统计相对应时间的天气等其他外生变量；5）将选择后的POI变量、其他外生变量与路内停车场占有率数据相结合，通过LSTM神经网络预测路内停车场占有率。本发明可以提高预测的准确度，减少模型训练时间。

技术领域

本发明涉及智能交通系统中智能信息处理技术领域，特别是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。

背景技术

停车是交通系统的重要组成部分，对人们的出行决策有重要影响，相较于路外停车场，驾驶员更加倾向于选择路内停车，因为它更加靠近目的地，步行距离短。而当路内停车的需求会超过供应时，驾驶员为寻找一个空余泊位会长时间围绕目的地行驶(这种行为被称为“巡航”)，导致驾驶员需要花费更多时间和油耗，也会造成周围路段交通拥堵。

为充分利用泊位，减少车辆巡航，停车引导信息系统是智能交通技术的一个重要发展领域。但是由于停车信息在驾驶员驶向停车场的过程中是动态变化的，驾驶员在前往停车场过程中收到的停车泊位空余数量与到达停车场后的实际泊位空余数量可能会有较大差距。在这种情况下，短期停车占有率预测成为停车引导信息系统的重要组成部分之一。

目前，通常有两种方法可以进行短期泊位预测：(1)以微观方式模拟单个驾驶员的随机到达和离开行为，此方法通常将到达和离开过程假定为泊松或负指数分布；(2)通过数据挖掘分析停车占有率，该方法利用历史数据构建训练模型，再通过实时数据进行预测。但是，这些研究都将停车数据视为一维时间序列，然而泊位占有率受诸多因素影响，研究表明停车费用、停车后步行距离、停车时长、天气对泊位选择有较大影响；同时由于过去路内停车数据采集困难，过往研究多集中在路外停车场占有率预测。

随着数据采集和存储技术的发展，连续路内停车数据的获取变得越来越容易，相比较路外停车，路内停车具有很强的空间相关性，周围设施分布综合，环境因素对于占有率的影响更为复杂，且驾驶员出行目的不同，停车后可接受的步行距离也不同。针对现有的路内停车的特性，环境因素对于停车占有率具有一定的影响。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供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，本发明具有很好的环境适应性和预测精度。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出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，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；