【摘要】：隨著全國汽車保有量的急劇增長,為了緩解大城市日益突出的停車困難,現(xiàn)如今中國各大城市級停車誘導系統(tǒng)的研究開發(fā)勢在必行。有效停車位預測是誘導系統(tǒng)中一個非常重要的智能技術(shù)手段,對于駕駛員合理地選擇停車場和行車路線具有重要意義。然而預測離不開數(shù)據(jù)的支撐,如果沒有巨大的經(jīng)濟和時間投入,停車誘導系統(tǒng)實際上很難搜集到停車位影響因素數(shù)據(jù)和整個城市所有停車場的實時停車數(shù)據(jù)在短期預測方面,模型往往由于對外在影響因素的理解缺失而導致預測精度不佳而中長期預測隨著預測步長或周期的增加,模型會出現(xiàn)誤差累積問題。本文針對短期預測和中長期預測所面臨的這兩個問題展開研究(1)停車位序列數(shù)據(jù)包含趨勢性、周期性、混沌性等基本特性,在基本趨勢性變化的基礎(chǔ)上,還受天氣環(huán)境等隨機因素影響而波動,因此預測模型的非線性擬合能力非常關(guān)鍵。在停車位短期預測過程中,為揭示停車位時序的非線性動力學本質(zhì),本文提出一種基于相空間重構(gòu),結(jié)合天氣環(huán)境影響因素的長短期記憶網(wǎng)絡模型PW-LSTM(Long Short-Term Memory based on Phase Space Reconstruction and Weather Factors)。該方法通過時間延遲和嵌入維數(shù)將停車位時序映射到二維相空間中,然后結(jié)合天氣環(huán)境的特征屬性訓練長短期記憶神經(jīng)網(wǎng)絡對未來的停車位進行短期預測(2)短期預測離不開實時數(shù)據(jù)的支撐,然而對于實時數(shù)據(jù)缺失情況下的停車場而言必須結(jié)合中長期預測技術(shù),本文提出基于非平穩(wěn)隨機過程和小波神經(jīng)網(wǎng)絡的中長期混合預測模型SAW(non-stationary Stochastic And Wavelet Neural Networks)。文中以具有周期特性的非平穩(wěn)停車位歷史數(shù)據(jù)為研究對象,首先根據(jù)中心極限定理和大數(shù)定理對停車位進行統(tǒng)計分析其非平穩(wěn)過程,然后結(jié)合WNN(Wavelet Neural Networks),提出混合預測模型SAW來對未來某個時間段的停車位作有效預測綜上分析,本文實現(xiàn)了停車誘導系統(tǒng)中有效停車位短期預測和中長期預測的兩個關(guān)鍵技術(shù),并都通過實驗驗證了提出方案的可行性和有效性。實驗數(shù)據(jù)證明,基于相空間重構(gòu)的停車位序列數(shù)據(jù)更符合其非線性動力學特性,有利于模型的學習訓練,而引入相關(guān)的天氣因素則明顯提高了模型的短期預測精度。在中長期預測方面,相比于單獨使用WNN和Lyapunov指數(shù)法作長期預測,SAW的計算復雜度更低,預測效果相對更加精確,并且有效解決了在失去實時數(shù)據(jù)支撐情況下多步長期預測導致的誤差累積問題。精準的有效泊位預測能夠低成本、快速地實現(xiàn)城市級停車實時誘導,緩解停車難問題,具有廣闊的市場前景、良好的經(jīng)濟效益和較強的社會效益。
【圖文】：

全國范圍內(nèi)大概６１個城市保有量超過西方，而其中２７個甚至超２００萬輛，另外，北逡逑京、深圳等８個城市超３００萬輛。２００９－２０１８年整個中國汽車保有量及同比增長具體逡逑數(shù)據(jù)如圖１－１所示。綜合國土面積、石油資源、人Ｐ特征等方面考慮，汽車保有量預逡逑計２０３５年達到４．５億輛［２］。汽車保有量不斷增長，導致停車設(shè)施需求也隨之擴大。目逡逑前，我國停車基礎(chǔ)設(shè)施的建設(shè)速度遠遠低于汽車保有量X棾に俁齲３滴還└笨誥掊義洗螅蘧莨曳⒏奈⒉嫉氖菹允荊夜蟪鞘行∑滌臚３滴壞謀壤嘉保海埃�，辶x現(xiàn)行〕鞘袘鬮保海埃擔敕⒋錒業(yè)模保海保誠啾齲夜３滴槐壤勻黃�，停车设施辶x轄ㄉ櫨寫晟疲郟常蕁１Ｊ毓蘭疲�，我国的停车位缺ＰＥ超过００万赣z本�，晌r５齲峰義細齟蟪鞘械鈉當Ｓ辛亢屯３滴皇慷員惹榭鋈繽跡保菜盡４蟪鞘械耐３滴輝對堵義獻悴渙巳嗣塹男棖�，停车难甚至已经臭溨向中小城市蔓褤砟囚|�。辶x希常埃埃埃板邋五澹埃跺義希擔常埃ュ義希玻擔埃埃板偉隋危玻矗埃玻卞

本文編號：2700877