论文部分内容阅读
随着全国汽车保有量的急剧增长,为了缓解大城市日益突出的停车困难,现如今中国各大城市级停车诱导系统的研究开发势在必行。有效停车位预测是诱导系统中一个非常重要的智能技术手段,对于驾驶员合理地选择停车场和行车路线具有重要意义。然而预测离不开数据的支撑,如果没有巨大的经济和时间投入,停车诱导系统实际上很难搜集到停车位影响因素数据和整个城市所有停车场的实时停车数据在短期预测方面,模型往往由于对外在影响因素的理解缺失而导致预测精度不佳而中长期预测随着预测步长或周期的增加,模型会出现误差累积问题。本文针对短期预测和中长期预测所面临的这两个问题展开研究(1)停车位序列数据包含趋势性、周期性、混沌性等基本特性,在基本趋势性变化的基础上,还受天气环境等随机因素影响而波动,因此预测模型的非线性拟合能力非常关键。在停车位短期预测过程中,为揭示停车位时序的非线性动力学本质,本文提出一种基于相空间重构,结合天气环境影响因素的长短期记忆网络模型PW-LSTM(Long Short-Term Memory based on Phase Space Reconstruction and Weather Factors)。该方法通过时间延迟和嵌入维数将停车位时序映射到二维相空间中,然后结合天气环境的特征属性训练长短期记忆神经网络对未来的停车位进行短期预测(2)短期预测离不开实时数据的支撑,然而对于实时数据缺失情况下的停车场而言必须结合中长期预测技术,本文提出基于非平稳随机过程和小波神经网络的中长期混合预测模型SAW(non-stationary Stochastic And Wavelet Neural Networks)。文中以具有周期特性的非平稳停车位历史数据为研究对象,首先根据中心极限定理和大数定理对停车位进行统计分析其非平稳过程,然后结合WNN(Wavelet Neural Networks),提出混合预测模型SAW来对未来某个时间段的停车位作有效预测综上分析,本文实现了停车诱导系统中有效停车位短期预测和中长期预测的两个关键技术,并都通过实验验证了提出方案的可行性和有效性。实验数据证明,基于相空间重构的停车位序列数据更符合其非线性动力学特性,有利于模型的学习训练,而引入相关的天气因素则明显提高了模型的短期预测精度。在中长期预测方面,相比于单独使用WNN和Lyapunov指数法作长期预测,SAW的计算复杂度更低,预测效果相对更加精确,并且有效解决了在失去实时数据支撑情况下多步长期预测导致的误差累积问题。精准的有效泊位预测能够低成本、快速地实现城市级停车实时诱导,缓解停车难问题,具有广阔的市场前景、良好的经济效益和较强的社会效益。