[发明专利]一种基于GRU模型的短时停车需求预测方法在审
| 申请号： | 201910751621.6 | 申请日： | 2019-08-14 |
| 公开（公告）号： | CN110599236A | 公开（公告）日： | 2019-12-20 |
| 发明（设计）人： | 李林波;李杨;王文璇;何思远 | 申请（专利权）人： | 同济大学 |
| 主分类号： | G06Q30/02 | 分类号： | G06Q30/02;G06N3/04;G06N3/08;G08G1/01 |
| 代理公司： | 31290 上海科律专利代理事务所(特殊普通合伙) | 代理人： | 叶凤 |
| 地址： | 200092 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于GRU模型的短时停车需求预测方法，包括以下步骤：1)获得停车场设施的历史数据，对历史数据进行处理，得到各时间点上的泊位占有率数据。2)利用深度学习Keras框架包，设定GRU神经网络结构，利用Keras包中GridSearch函数获得模型最优参数。3)利用训练集数据训练GRU模型，保存该模型并预测下一个步长的泊位占有率。与现有技术相比，本发明在获取连续停车数据的背景下利用大数据处理技术以及应用深度学习最新的算法，提出了更先进以及更精确的停车信息诱导发布方法，其不仅可以考虑停车需求在时间维度上的关联性，同时其细胞模块有着更简介的控制门结构，能够很大程度上提高训练效率，从而提高停车设施的利用率，提升有泊车需求用户的满意度，同时避免用户的不必要交通，减轻道路的交通压力，还利于交通管理部门在车流高峰时期进行有效的交通管控。 | ||
| 搜索关键词： | 历史数据 泊位 停车 交通管理部门 神经网络结构 数据处理技术 停车场设施 训练集数据 占有率数据 高峰时期 函数获得 交通管控 交通压力 时间维度 停车设施 停车数据 停车信息 需求用户 需求预测 训练效率 最优参数 关联性 控制门 满意度 时间点 泊车 算法 车流 简介 诱导 占有率 细胞 学习 保存 预测 发布 应用 交通 | ||
【主权项】：
1.一种基于GRU模型的短时停车需求预测方法，其特征在于，包括以下步骤：/n1)获得停车设施的历史数据，对历史数据进行处理，得到各时间点上的泊位占有率数据。/n2)利用深度学习Keras框架包，设定GRU神经网络结构，利用Keras包中GridSearch函数获得最优参数。/n3)利用训练集数据训练GRU模型，保存该模型并预测下一个步长的泊位占有率。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于同济大学，未经同济大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910751621.6/，转载请声明来源钻瓜专利网。
