伴隨著智慧城市的蓬勃發(fā)展,智能化停車(chē)技術(shù)作為智慧城市中的重要一環(huán),正在被越來(lái)越多的專(zhuān)家學(xué)者所重視。目前停車(chē)場(chǎng)的管理水平較低,缺乏較好的泊位需求預(yù)測(cè)預(yù)警技術(shù),遇到重大事件、特殊天氣時(shí)容易造成區(qū)域范圍內(nèi)的交通擁堵。本文針對(duì)以上問(wèn)題,利用歷史數(shù)據(jù),對(duì)半封閉區(qū)域進(jìn)行泊位需求預(yù)測(cè)。本文用到的原始數(shù)據(jù)是杭州某大學(xué)校園三個(gè)月的車(chē)輛進(jìn)出記錄,本文所做工作以及得到的研究成果如下:(1)分析了校園內(nèi)停車(chē)場(chǎng)有效泊位需求變化的規(guī)律,利用Kalman濾波器對(duì)泊位需求進(jìn)行隔天預(yù)測(cè),并通過(guò)增加泊位影響因素對(duì)該方法進(jìn)行改進(jìn),得到了更高的準(zhǔn)確度,證明了此方法的有效性。(2)為了進(jìn)一步提高泊位需求預(yù)測(cè)的準(zhǔn)確度,引入神經(jīng)網(wǎng)絡(luò)算法,先后利用BP神經(jīng)網(wǎng)絡(luò)和LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)泊位需求的短時(shí)預(yù)測(cè),實(shí)現(xiàn)對(duì)隔天預(yù)測(cè)的結(jié)果修正。實(shí)驗(yàn)結(jié)果表明,LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。(3)本人先利用Java編寫(xiě)Kalman濾波預(yù)測(cè)模型,再利用TensorFlow實(shí)現(xiàn)兩種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型并將結(jié)果存入MySQL數(shù)據(jù)庫(kù)中,最后利用JFrame開(kāi)發(fā)可視化界面,為管理者和用戶提供直觀的泊位需求預(yù)測(cè)結(jié)果。論文以提高區(qū)域內(nèi)泊位利用率和...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀目前幾種常見(jiàn)的停車(chē)需求模型介紹
    1.3 停車(chē)需求預(yù)測(cè)方面存在的難點(diǎn)問(wèn)題
    1.4 創(chuàng)新思路和方向
        1.4.1 云數(shù)據(jù)架構(gòu)的應(yīng)用
        1.4.2 核心算法的應(yīng)用
    1.5 研究目的及其研究?jī)?nèi)容
        1.5.1 研究目的
        1.5.2 研究?jī)?nèi)容
        1.5.3 論文章節(jié)安排
    1.6 本章小結(jié)
第2章 數(shù)據(jù)獲取及數(shù)據(jù)預(yù)處理
    2.1 數(shù)據(jù)獲取
    2.2 泊位需求變化分析
    2.3 數(shù)據(jù)預(yù)處理
        2.3.1 數(shù)據(jù)預(yù)處理方法
        2.3.2 數(shù)據(jù)預(yù)處理實(shí)現(xiàn)
    2.4 本章小結(jié)
第3章 基于Kalman濾波算法的泊位需求預(yù)測(cè)
    3.1 泊位需求預(yù)測(cè)與Kalman濾波器算法概述
    3.2 Kalman濾波預(yù)測(cè)原理
    3.3 基于Kalman濾波預(yù)測(cè)的泊位預(yù)測(cè)模型
    3.4 預(yù)測(cè)結(jié)果分析
    3.5 本章小結(jié)
第4章 基于神經(jīng)網(wǎng)絡(luò)的泊位需求短時(shí)預(yù)測(cè)
    4.1 泊位需求短時(shí)預(yù)測(cè)概述
    4.2 TensorFlow與keras簡(jiǎn)介
        4.2.1 TensorFlow簡(jiǎn)介
        4.2.2 Keras簡(jiǎn)介
    4.3 基于神經(jīng)網(wǎng)絡(luò)的泊位需求預(yù)測(cè)
        4.3.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        4.3.2 神經(jīng)網(wǎng)絡(luò)的應(yīng)用
    4.4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
        4.4.1 BP神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理
        4.4.2 基于BP神經(jīng)網(wǎng)絡(luò)模型的短時(shí)泊位需求預(yù)測(cè)
        4.4.3 基于BP神經(jīng)網(wǎng)絡(luò)模型的短時(shí)泊位預(yù)測(cè)結(jié)果分析
    4.5 循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
        4.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        4.5.2 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)原理
        4.5.3 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練
        4.5.4 基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型的泊位預(yù)測(cè)
        4.5.5 基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型的泊位預(yù)測(cè)結(jié)果分析
    4.6 兩種神經(jīng)網(wǎng)絡(luò)的比較
    4.7 泊位預(yù)測(cè)功能可視化界面設(shè)計(jì)
        4.7.1 泊位需求預(yù)測(cè)可視化界面功能
        4.7.2 泊位需求預(yù)測(cè)可視化界面功能測(cè)試
    4.8 本章小結(jié)
第5章 預(yù)測(cè)模型整體應(yīng)用架構(gòu)及其他場(chǎng)景拓展
    5.1 泊位需求預(yù)測(cè)模型拓展價(jià)值
    5.2 泊位需求預(yù)測(cè)模型整體應(yīng)用架構(gòu)
    5.3 其他場(chǎng)景拓展
        5.3.1 拓展場(chǎng)景一——大型賓館、酒店
        5.3.2 拓展場(chǎng)景二——景區(qū)
        5.3.3 拓展場(chǎng)景三——醫(yī)院
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 論文主要研究工作
    6.2 未來(lái)展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3853154