可用泊位数的集成预测方法

技术领域

本发明属于交通领域中的停车场管理系统，涉及一种对停车场可用泊位数的集成预测方法，具体是针对在驾驶员到达时区域内各停车场的可用泊位数预测的时间序列建模问题。

背景技术

随着人们生活水平的提升，城市机动车保有量激增，作为静态交通的重要组成部分，机动车停泊在城市交通系统中具有举足轻重的地位。当前土地和道路资源相对有限，导致停车供需矛盾日益突出。驾驶员无法获得准确的泊位信息，导致部分停车场泊位紧缺，而部分停车场泊位存在较多空余，浪费社会资源的同时也不利于停车场运营方收益的改善。在此背景下，如何通过合理的诱导信息调节停车需求与供给的时空平衡关系，实现公共利益和企业收益的共赢，亟待研究人员的探索。

目前，预测停车场可用泊位数的方法主要分为以下几种：

1)以ARIMA为代表的传统时间预测模型

传统时间序列预测模型主要通过将时间序列数据分解，确定模型的参数，进而实现预测，但是该类方法在实际预测中容易受模型参数的影响。

2)神经网络预测模型

神经网络预测方法预测的准确性较高，因而采用该类方法对停车场可用泊位数的预测受到广泛关注。该方法通过对大量数据进行迭代训练，再拟合数据特征，实现预测。比如，利用卷积神经网络进行交通流量数据特征提取，将提取到的特征向量输入到支持向量回归模型实现流量回归预测。或者，基于机器学习技术，让每条道路和停车场都由一个矢量表示，该矢量可以捕获停车场和交通之间的时空相关性，从而产生高性能的预测系统。其中，小波分析的预测性能在效率和鲁棒性表现较好，预测较准确，但是仍然有待提高。近几年，深度神经网络在与停车相关的交通预测领域中应用也比较广泛。

发明内容

本发明针对传统时间序列预测模型带来的预测准确度不高等问题，提出了一种组合预测方法，获得了更好的预测精确度。由于影响停车场可用泊位数因素的复杂性，时间序列数据在利用含参数的模型分析时，模型构建通常存在参数偏移或者参数错误的问题，导致单一模型无法完全利用全部信息，对数据的分析会存在一定误差，模型构建的误差也常存在一定的规律，通过组合预测可以将有偏的多个单预测模型构建为无偏的组合预测。LSTM预测时间序列时，偏向于保守预测，即预测结果偏低，而ARIMA在预测时间序列时，偏向于激进型预测，即预测结果偏高。本发明采用组合预测，结合LSTM与ARIMA这两种方法来提高预测精度，从而克服单一模型的不足。

本发明的技术方案：

一种可用泊位数的集成预测方法，步骤如下：

1)LSTM模型

长短期记忆网络(Long Short-Term Memory，LSTM)是递归神经网络(RecurrentNeural Network，RNN)架构的众多变体之一。RNN是一种深度神经网络架构，具有较深的结构。它已被广泛用于时间序列建模。传统神经网络的假设是输入向量的所有单位彼此独立。而RNN模型添加了一个隐藏状态，该状态是由时间序列的顺序信息生成的，其输出取决于该隐藏状态。RNN可以描述时间序列的特点，但由于梯度问题的消失，长期依赖的问题无法解决。LSTM是通过使用记忆单元来消除梯度消失的有效解决方案。记忆单元由四个单元组成：输入门，输出门，忘记门和自循环神经元。输入信号可以改变记忆单元的状态由输入门控制。输出门可以控制记忆单元的状态是否可以改变其他记忆单元的状态。忘记门可以选择记住或忘记其先前状态。

2)ARIMA模型

ARIMA模型由一系列活动组成，用于识别，估计和诊断带有时间序列数据。ARIMA模型显示出短期预测的有效能力。在短期预测中，它总是优于复杂的结构模型。ARIMA模型是一个组合模型，构成如下式：

ARIMA(p,d,q)＝AR(p)+Difference(d)+MA(q)

其中，AR是自回归模型，p是自回归项；Difference是差分模型，d是差分阶数；MA是移动平均模型，q是移动平均数。

在ARIMA模型中，变量的未来值是过去值和过去误差的线性组合，表示如下：

其中，Y

3)LSTM与ARIMA组合模型

将LSTM与ARIMA的预测结果进行权重分配，进行组合来提高预测的准确度。组合预测模型，数学表达为：

g

其中，g

其中，j为组合预测模型中单个模型编号，D

本发明的有益效果：通过集成预测获得指定停车场指定时间范围的可用泊位数信息并发布给驾驶员，引导其高效地找到最合适的停车地点。本发明不仅可以提高停车场服务能力的使用效率，而且能够通过减少车辆巡游时间来改善城市交通状况，并减轻城市交通污染。

附图说明

图1是循环神经网络与展开结构。s

图2显示了LSTM模型如何更新每个门的值。图中的数学符号如下：

x

图3显示了目标停车场可用泊位数的时间序列图。这三个停车场的可用泊位数都具有较强的周期性，数据规律性比较明显。

图4显示了医大一院停车场在5min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。

图5显示了医大一院停车场在10min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。

图6显示了医大一院停车场在15min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。

图7显示了医大一院停车场在30min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。

图8显示了恒隆广场停车场在5min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。

图9显示了恒隆广场停车场在10min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。

图10显示了恒隆广场停车场在15min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。

图11显示了恒隆广场停车场在30min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。

图12显示了星海商城停车场在5min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。

图13显示了星海商城停车场在10min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。

图14显示了星海商城停车场在15min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。

图15显示了星海商城停车场在30min预测间隔下的预测图。横坐标表示时间，纵坐标表示可用泊位数。实线表示观测真实值，虚线表示LSTM&ARIMA组合预测值。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面对本发明的具体实施方式作进一步的详细描述。

实施例

步骤1)选择目标停车场。本发明现以大连市西岗区医大一院停车场，恒隆广场停车场，星海医院停车场为例进行说明。表1和表2分别是停车场的基本信息和距离关系。

表1：停车场基本信息

表2：停车场间的距离关系

步骤2)针对这目标停车场的可用泊位数进行描述性统计分析。如表3所示。通过数据的分析，选出停车需求较高的时间段，预测该时间段可用泊位数并判断预测精度。

表3：停车场可用泊位数描述性统计分析

步骤3)将可用泊位数据的85％作为训练数据，15％作为测试数据进行预测。判断预测精度。以RMSE(Root Mean Square Error)衡量观测值和真值之间的偏差。

3.1)LSTM预测模型分为三层：输入层，隐藏层，输出层。模型的输入层为前t时刻的可用泊位数时间序列数据，隐藏层为LSTM记忆细胞组成，输出层为时刻停车场的可用泊位数。按照不同时间步长：5min，10min，15min，30min，对停车场的可用泊位数进行预测，模型训练过程的参数如表4所示。模型训练集与测试集预测精度指标如表5所示。

表4：LSTM模型训练过程参数设置

表5：模型预测精度结果

3.2)运用前85％停车场时间序列历史数据作为训练集，得到ARIMA模型的参数。模型选择以及预测精度如表6所示。

表6：ARIMA模型设置以及预测精度

3.3)计算出组合预测模型的权重ω后，得到组合预测的结果。

表7：组合预测模型权重与预测精度

实施结果

当预测时长为5min，10min，15min时，单模型的总体预测能力更优，但是当预测时长为30min时，L-A组合预测型预测能力明显比单模型好，如表8所示。无论是测试集的预测误差还是高峰期的预测误差，组合预测模型L-A的误差都是最小的，即L-A对三个停车场可用泊位预测的预测能力明显大于其他的单个模型。通过计算，L-A组合预测模型在总测试集对三个停车场可用泊位数的预测能力比单个最优预测模型预测能力分别提高：27.84％，19.59％，11.28％，而L-A组合预测模型在高峰时对三个停车场可用泊位数的预测能力比单个最优预测模型预测能力分别提高：25.89％，20.38％，11.90％。说明预测步长的增加导致误差增加，而L-A组合预测可以有效降低误差。

表8：30min步长下模型预测精度比较