[发明专利]基于优化LSTM模型的道路停车泊位预测方法

摘要

本发明公开了一种基于优化LSTM模型的道路停车泊位预测方法，包括以下步骤：获取目标停车场的历史停车数据，计算目标停车场内每间隔单位时间的停车泊位数得到样本集；将样本集划分为训练集和测试集并分别进行归一化处理；将归一化训练集输入神经网络模型进行训练，得到第一预测结果集，若第一预测结果集中的结果小于第一误差阈值，则将归一化测试集输入至神经网络模型，得到第二预测结果集，将第二预测结果集进行反归一化处理，计算反归一化处理后得到的结果与剩余停车泊位数之间的误差；若误差小于第二预定误差阈值，将第二预测结果集中对应预定时间段的数据输出。本发明可以更准确的对停车场的剩余停车泊位数进行预测。

主权项

1.一种基于优化LSTM模型的道路停车泊位预测方法，其特征在于，包括：步骤S1：接收停车泊位预测请求，其中，所述停车泊位预测请求用于请求预测目标停车场内预定时间段中每间隔单位时间的剩余停车泊位数；步骤S2：获取所述目标停车场的历史停车数据，其中，所述历史停车数据包括车辆标识、车辆行驶目标和数据记录时间，其中，所述车辆行驶目标为驶入停车场或驶出停车场；步骤S3：根据所述历史停车数据计算所述目标停车场内每间隔所述单位时间的历史剩余停车泊位数得到样本集x(0)＝{x1，x2，...，xk}，其中，xi为第i个所述单位时间时所述目标停车场内剩余停车泊位数，i大于等于1且小于等于k；步骤S4：将所述样本集划分为训练集和测试集，其中，所述训练集包括所述样本集中的前N个剩余停车泊位数，所述测试集包括所述样本集中的第N+1至第k个剩余停车泊位数，N大于1且小于k；步骤S5：对所述训练集和所述测试集进行归一化处理，得到归一化训练集和归一化测试集；步骤S6：将所述归一化训练集输入神经网络模型进行训练，得到第一预测结果集，其中，所述神经网络模型依次包括第一LSTM层、Bi‑LSTM层、第二LSTM层、全连接层和输出层，所述神经网络模型用于根据时间序列数据中的第m‑(s‑1)至第m‑1个数据预测第m个数据，s大于1，m大于s‑1；步骤S7：判断训练误差是否小于第一预定误差阈值，判断训练次数是否达到预定次数阈值；步骤S8：若所述训练误差小于所述第一预定误差阈值，和/或所述训练次数达到所述预定次数阈值，则将所述归一化测试集输入至所述神经网络模型，得到第二预测结果集，并执行步骤S10；步骤S9：若所述训练误差不小于所述第一预定误差阈值且所述训练次数未达到所述预定次数阈值，则将所述训练次数加1，并返回步骤S6，其中，所述训练次数的初始值为1；步骤S10：将所述第二预测结果集进行反归一化处理；步骤S11：计算反归一化处理后的所述第二预测结果集中的预测结果与所述测试集中对应的剩余停车泊位数之间的误差；步骤S12：判断所述误差是否小于第二预定误差阈值；步骤S13：若所述误差不小于所述第二预定误差阈值，则根据所述误差调整所述神经网络模型的参数，将所述训练次数置为1，并返回步骤S6；步骤S14：若所述误差小于所述第二预定误差阈值，则将所述第二预测结果集中对应所述预定时间段的数据输出。