论文部分内容阅读
随着我国经济高速发展,城市汽车数量急速增长,停车需求也日益剧增,停车难问题已经成为一个十分严峻的交通问题。停车场可用停车位的预测对于驾驶员合理地选择停车场地、行车路线等具有十分重要的意义。本文工作如下:(1)分析了武汉市某医院地下停车场停车数据后,提出了基于长短期记忆(Long Short-Term Memory,LSTM)神经网络的可用停车位单步和多步预测模型,并与多个经典模型的预测结果进行对比,验证了LSTM神经网络模型在预测精度和稳定性上的绝对优势。在完成模型重要参数的讨论后,采用网格搜索法给出了可用停车位预测中LSTM神经网络模型的最优参数设置。此外,文中还着重地探讨了迭代多步预测法和直接多步预测法的预测性能。通过分析两者各自的优缺点,揭示了以往可用停车位多步预测模型中存在精度瓶颈的根源,其结果为后面解决多步预测难题提供了重要的理论支持。(2)由于可用停车位时序数据中存在混沌性,因此将混沌时间序列预测中常用的最大李亚普诺夫指数(Lyapunov exponents,LE)法引入到可用停车位的预测中。通过使用相同数据集进行对比实验,比较了最大李亚普诺夫指数法与LSTM神经网络模型在一步和多步预测过程中的预测性能。实验结果表明在可用停车位前期(预测步长低于5步)预测期间,LSTM神经网络模型的预测误差更低,然而在后期(预测步长不低于5步)预测期间,最大李亚普诺夫指数法的表现更佳。根据对比实验结果,提出一种新的可用停车位多步预测模型——LSTMLE,其中LSTM神经网络在早期预测期间具有更好的短期预测学习能力,而最大李亚普诺夫指数法恰好反映了后期预测期间的混沌特征。使用停车数据进行模拟仿真实验,实验结果表明同样预测50分钟后的可用停车位,最大李亚普诺夫指数法的均方根误差可以从LSTM神经网络模型的9.12下降到7.51,而采用本文提出的新模型,均方根误差可以进一步下降到5.53。