论文部分内容阅读
现实生活中,车位使用情况受各种条件影响导致无法精确预测。通过研究车位空闲率,提高其预测精度,使诱导系统总体服务代价最小具有重要意义。本文主要包括:首先,为了提高停车场车位空闲率预测精度,建立组合模型(小波分解自适应卡尔曼滤波-神经网络预测模型)。该方法是将车位空闲率序列进行小波分解,得到高频序列与低频序列信号,低频序列信号使用自适应卡尔曼滤波预测模型来展开研究并预测,高频序列信号采用神经网络模型展开研究并预测,最后将两个频率上的预测结果进行融合,得到最终的预测序列,实验得出此组合模型预测效果更优。其次,为解决停车场容错性问题,本文提出基于马尔科夫链的停车场间联合预测模型。首先通过目标停车场找出其可接受距离范围内的停车场集合。对于该集合的停车场,通过马尔科夫模型构造马尔科夫链,生成对应的转移矩阵,将短时预测的行向量发送给目标停车场代理进行计算累计预测,同时能增加停到车的概率。再者,建立离差最大化多属性决策算法来进行最终的推荐。利用6种属性值作为指标,并将这些指标分为不同类型来分析,其中指标停车可行性的值来源于基于小波分解自适应卡尔曼滤波-神经网络预测模型预测之后的值,指标停车容错性的值来源于基于马尔科夫链停车场间联合预测之后的值,最后通过指标值综合决定最终的推荐结果,并将推荐结果展示在最终开发的APP上。最后,本文设计开发了一套停车诱导系统APP,该系统主要从两方面开发:Android前端开发和服务器开发。服务器端软件包括:预测与决策模块、数据采集模块、定位与路径规划模块、登录注册模块。其中预测模块包括基于小波分解自适应卡尔曼滤波-神经网络预测和基于马尔科夫链的停车场间联合预测。Android前端包括:数据请求与解析模型、登录注册界面模块、停车场列表推荐界面模块、地图标记界面和路径规划界面。最后,对本文开发的停车诱导系统APP进行了测试,测试结果表明,本文开发的停车诱导系统APP有效降低了诱导系统的服务代价。