[发明专利]基于MRA-BAS-BP算法的城市商办综合体建筑停车需求预测方法

权利要求书

1.一种基于MRA-BAS-BP算法的城市商办综合体建筑停车需求预测方法，其特征在于：包括：

步骤1：收集城市多个商办综合体建筑的停车需求数据与停车需求影响因素数据；

步骤2：将步骤1收集的停车需求数据与停车需求影响因素数据作为MRA模型的训练样本，建立商办综合体建筑停车需求预测回归MRA模型，计算商办综合体建筑停车需求预测回归MRA模型预测出的停车需求数据与真实的停车需求数据之间的残差ε_i；

步骤3：初始化天牛须算法和BP神经网络中的相关参数；

步骤4：天牛须算法通过迭代更新获取BP神经网络的最优初始权值与阈值，建立BAS-BP神经网络残差值预测模型；

步骤5：将原始停车需求影响因素数据作为BAS-BP神经网络残差值预测模型的输入值，残差ε_i作为BAS-BP神经网络残差值预测模型的输出值，进行训练与预测，并判断训练误差是否达到预设精度，若符合则输出预测残差结果ζ_i，得到训练完成的BAS-BP神经网络残差值预测模型，执行步骤6，否则返回步骤4重新进行迭代更新；

步骤6：利用训练完成的BAS-BP神经网络残差值预测模型预测得到的残差ζ_i对商办综合体建筑停车需求预测回归MRA模型进行修正。

2.根据权利要求1所述的基于MRA-BAS-BP算法的城市商办综合体建筑停车需求预测方法，其特征在于：

所述的步骤1中停车需求影响因素数据包括：小汽车出行比例、千人拥车率、区位因素指标、道路网容量、公交可达性、建筑开发强度、建筑商业部分面积、建筑可容纳岗位、停车收费标准及共享泊位数。

3.根据权利要求1所述的基于MRA-BAS-BP算法的城市商办综合体建筑停车需求预测方法，其特征在于：

所述的步骤2中还包括：

使用min-max标准化法对步骤1收集的停车需求数据与停车需求影响因素数据进行归一化，生成MRA模型的训练样本，建立商办综合体建筑停车需求预测回归MRA模型；

其中商办综合体建筑停车需求预测回归MRA模型的回归公式为：

P_回(I)＝A₀+A₁y₁(i)+…+A_jy_j(i)+ε_i (1)；

其中A₁，…，A_j为回归系数；y₁(i)，…，y_j(i)为自变量，具体指停车需求影响因素数据，ε_i为服从正态分布的随机误差；

利用上述回归公式对停车需求数据进行预测并计算残差ε_i：

ε_i＝P_回(i)-P(i) (2)；

其中P_回(i)为商办综合体建筑停车需求预测回归MRA模型预测的第i个样本停车需求数据，P(i)为真实的第i个样本停车需求数据。

4.根据权利要求1所述的基于MRA-BAS-BP算法的城市商办综合体建筑停车需求预测方法，其特征在于：

所述的步骤3还包括：

初始化天牛的空间位置，随机选取天牛的初始位置x^s，保存在X_best中，并记s＝0，s为迭代次数；计算当前适用度函数值，保存在Y_best中；

定义天牛须算法的空间维度k为：

k＝(m+n+1)×L+1 (3)；

其中m为输入层神经元的个数，n为输出层神经元的个数，L为隐含层神经元的个数。