[发明专利]一种有效停车泊位的预测方法

摘要

一种有效停车泊位的预测方法，包括：步骤一，根据采集到的停车场的历史信息得到有效停车位的时间序列，并检验序列的完整性，记为第一待预测时间序列；步骤二，将时间序列在高维空间进行重构，实现随机成分与确定成分的分离；步骤三，把得出的低维空间流形坐标映射回原时间序列相空间重构得到的高维嵌入空间中；步骤四，训练集训练LSTM神经网络得到第一LSTM神经网络；训练集训练LSTM神经网络得到第二LSTM神经网络；将第一待预测时间序列训练值输入第一LSTM得到第一预测结果，将第二待预测时间序列训练值输入第二LSTM得到第二预测结果；步骤五，加权组合第一预测结果和第二预测结果，并与原序列的进行相似度检验，从而确定最终结果。

主权项

1.一种有效停车泊位的预测方法，用于预测中小型停车场的有效停车泊位的数量,包括以下步骤：步骤一，根据采集到的停车场的历史信息得到有效停车位的时间序列，并检验序列的完整性，记为第一待预测时间序列A，A＝{ai|i＝1,2,…,n}，其中ai表示第i个时间段的停车场空余泊位数量，n，i为自然数，n为待预测时间序列数量；步骤二，将步骤一得到的时间序列在高维空间进行相空间重构，利用局部切空间排列方法从重构的高维嵌入空间中提取系统的主流形分布的低维空间，剥离序列中的随机成分，具体包括：(21)选取样本点领域；设时间序列重构相空间中第i个样本点为xi，i为自然数，选取包括该样本点在内的k个距离该样本点最近的点作为邻域Xi，Xi＝[xi1,xi2,…,xik]，其中xi1,xi2,…,xik为距离xi最近的k个点，[]为矩阵符号，k的值为自然数；(22)局部线性投影变换；计算样本点x_i邻域的中心化矩阵，记为其中为邻域中k个点的平均值，l_k为长度为k的权值矩阵，T为矩阵转置符号；对所得的中心化矩阵做奇异值分解，将所得的奇异值从大到小排列，取其中前d个奇异值组成矩阵R_i；所得的前d个奇异值对应的奇异向量组成矩阵，记做V_i；其中d为取值在1和k之间的整数；(23)排列局部坐标；构造排列矩阵θ，其中A_i是满足[x₁,x₂,…,x_n]A_i＝X_i条件的选择矩阵，I为单位矩阵，k_i表示第i个样本点的邻域中取点个数；计算矩阵θ奇异值从小到大排序后的前d+1个奇异值对应的奇异向量,记为组成整个样本的低维空间流形；步骤三，将上述步骤(23)所得的低维空间流形变换回步骤二所得的高维嵌入空间中，得到高维空间的序列，再将其映射到一维序列得到一维序列S，S＝{Si|i＝1,2,…,n}，记为第二待预测时间序列，其中Si表示一维序列中第i个停车场空余泊位数量，i和n为自然数，n为待预测时间序列数量；步骤四，将步骤一中的第一待预测时间序列70％划分为第一训练集，30％划分为第一测试集；将步骤三中的第二待预测时间序列70％划分为第二训练集，30％划分为第二测试集；第一训练集用来训练LSTM神经网络得到第一LSTM神经网络模型优化参数；使用第二训练集训练LSTM神经网络得到第二LSTM神经网络模型优化参数；将第一测试集输入到第一LSTM神经网络模型优化参数设置的LSTM神经网络中得到第一预测结果Q，Q＝{Qt|t＝1,2,…,m}，其中Qt为第t步预测结果，t和m为自然数，m为预测结果总数；将第二测试集输入到第二LSTM神经网络模型优化参数设置的LSTM神经网络中得到第二预测结果G，G＝{Gt|t＝1,2,…,m}，其中Gt为第t步预测结果，t和m为自然数，m为预测结果总数；对LSTM神经网络模型优化参数采用正则化优化的方法，以提高LSTM神经网络的泛化能力，具体为：根据隐藏层的输出计算出LSTM的输出值，由此构造LSTM的目标函数，然后对目标函数加入正则项，通过ADAM算法最小化目标函数，并不断更新LSTM中的参数；步骤五，加权组合第一预测结果Q和第二预测结果G，并与原序列进行相似度检验，从而确定最终结果；具体为：将步骤四得到Qt与Gt加权结合，计算混合模型预测值Zt；Zt＝wQt+(1‑w)Gt,t＝1,2,…,m；其中w为动态权值，其值为0至1之间，m为预测结果总数；通过循环计算，输出21组与权值w相关的数据，即得到一组加权集成后的车位预测数据；其中为确定w的最佳取值，采用关联度计算的方法；以停车场空余泊位数量的实际值曲线和组合模型预测值Zt的差值大小作为关联度的衡量标准，采用Zt曲线和实际空余泊位序列的几何形状的相似程度来判断两者联系是否紧密；关联度计算公式为：其中γ为关联度，f_t为实际泊位时间序列中第t个时间段的实际值，为m个f_t的平均值，Z_t为混合模型预测值，为m个Z_t的平均值；当关联度γ为最大时，w的取值为最佳权重，记为w_op；所以组合模型在t时刻的预测结果为：Zt＝wopQt+(1‑wop)Gt,t＝1,2,······,m。