【摘要】：隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展,人們生活越來(lái)越富裕,私家車越來(lái)越多,從而導(dǎo)致城市交通問(wèn)題越來(lái)越嚴(yán)重。合理地為司機(jī)提供停車泊位信息,能有效地減少司機(jī)尋找空閑停車位的時(shí)間,減少交通壓力、環(huán)境污染,同時(shí)提高停車泊位利用率。因此,準(zhǔn)確地對(duì)實(shí)時(shí)空余停車位進(jìn)行預(yù)測(cè)成為解決以上問(wèn)題的重要研究方向。提供預(yù)測(cè)信息可以避免出現(xiàn)司機(jī)出發(fā)時(shí)有車位而到達(dá)時(shí)車位被占滿等情況的出現(xiàn),可以減輕部分區(qū)域擁堵而其他區(qū)域空閑的情況。目前對(duì)于停車泊位預(yù)測(cè)問(wèn)題普遍采用神經(jīng)網(wǎng)絡(luò)及其衍生算法。首先采用相空間重構(gòu)等方式對(duì)原始數(shù)據(jù)進(jìn)行重構(gòu),從而得到體現(xiàn)數(shù)據(jù)內(nèi)部關(guān)系的訓(xùn)練數(shù)據(jù),該步驟稱為數(shù)據(jù)預(yù)處理。在神經(jīng)網(wǎng)絡(luò)選擇方面普遍采用淺層網(wǎng)絡(luò),如BP神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、Elman網(wǎng)絡(luò)等,同時(shí)結(jié)合其他優(yōu)化算法構(gòu)建預(yù)測(cè)模型,如粒子群算法(PSO)、遺傳算法(GA)、布谷鳥(niǎo)算法(CS)等。本文對(duì)這些方法進(jìn)行分析總結(jié),在吸取其優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行改進(jìn),以求得到快速準(zhǔn)確的預(yù)測(cè)模型。針對(duì)停車泊位管理系統(tǒng)中空余停車泊位預(yù)測(cè)問(wèn)題,本文提出了基于布谷鳥(niǎo)算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法。首先將收集的空余停車泊位數(shù)據(jù)進(jìn)行預(yù)處理,然后利用布谷鳥(niǎo)算法對(duì)小波神經(jīng)網(wǎng)絡(luò)的初始權(quán)值進(jìn)行優(yōu)化,再將優(yōu)化后的初始權(quán)值和數(shù)據(jù)輸入到小波神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,最終將訓(xùn)練后的模型用于預(yù)測(cè)。本文算法與小波神經(jīng)網(wǎng)絡(luò)算法、粒子群小波神經(jīng)網(wǎng)絡(luò)算法相比,在預(yù)測(cè)時(shí)間和預(yù)測(cè)精度上都有提高,且預(yù)測(cè)穩(wěn)定性較好。為了進(jìn)一步優(yōu)化上述預(yù)測(cè)模型,本文繼續(xù)提出改進(jìn)的布谷鳥(niǎo)算法用于優(yōu)化小波神經(jīng)網(wǎng)絡(luò)。改進(jìn)的布谷鳥(niǎo)算法將傳統(tǒng)布谷鳥(niǎo)算法更新評(píng)價(jià)策略改為分組更新評(píng)價(jià)策略。布谷鳥(niǎo)分組更新評(píng)價(jià)策略是在逐維更新策略基礎(chǔ)上提出的,對(duì)于鳥(niǎo)巢維數(shù)大且適應(yīng)度函數(shù)運(yùn)行時(shí)間較長(zhǎng)的目標(biāo),既保留了逐維更新評(píng)價(jià)策略快速收斂的優(yōu)點(diǎn),同時(shí)增加了鳥(niǎo)巢各維間的相互關(guān)系,降低時(shí)間復(fù)雜度,改善了整體運(yùn)行時(shí)間。實(shí)驗(yàn)結(jié)果表明,改進(jìn)的布谷鳥(niǎo)算法預(yù)測(cè)模型在算法整體運(yùn)行時(shí)間和模型預(yù)測(cè)精度方面都優(yōu)于原始布谷鳥(niǎo)算法和逐維更新的布谷鳥(niǎo)算法預(yù)測(cè)模型。
【圖文】：

圖(b) 右側(cè)采集點(diǎn)圖像Fig.(b) Image of right location圖 3.1 數(shù)據(jù)采集圖像Fig.3.1 Data collection image間段為 05:00~17:00，采集 10 天，每隔 5 分鐘采集一次，統(tǒng)余停車泊位數(shù)，共 1450 組數(shù)據(jù)。選用前 9 天數(shù)據(jù)，共 1305據(jù)。選用第 10 天數(shù)據(jù)作為預(yù)測(cè)數(shù)據(jù)。通過(guò)自相關(guān)函數(shù)和 G遲 為 16，嵌入維數(shù)m 為 4。對(duì)數(shù)據(jù)進(jìn)行相空間重構(gòu)，重構(gòu)2 所示，第 2、3、4、5 列數(shù)據(jù)間隔時(shí)間延遲 ，作為后續(xù)第 1 列數(shù)據(jù)為神經(jīng)網(wǎng)絡(luò)期望輸出值。

圖 3.4 布谷鳥(niǎo)算法偽代碼Fig.3.4 Pseudocode of cuckoo search algorithm3.1.4 基于相空間重構(gòu)的布谷鳥(niǎo)小波神經(jīng)網(wǎng)絡(luò)算法流程本文中布谷鳥(niǎo)算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的連接權(quán)值ijw 、jkw 、伸縮因子ja 、平移因子jb ，即布谷鳥(niǎo)算法鳥(niǎo)巢為上述參數(shù)組成的向量。因此設(shè)神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為m，，輸出層節(jié)點(diǎn)數(shù)為 p，隱含層節(jié)點(diǎn)數(shù)為h，則鳥(niǎo)巢向量維數(shù)為：D m h h h h p.......................................... (3.7)布谷鳥(niǎo)算法的適應(yīng)度值為小波神經(jīng)網(wǎng)絡(luò)所有訓(xùn)練樣本的均方誤差：211( ) ( ( ) ( ))Nkf MSE N yn k y kN ................................(3.8)
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP18;U491.71

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 王李進(jìn);鐘一文;尹義龍;;帶外部存檔的正交交叉布谷鳥(niǎo)搜索算法[J];計(jì)算機(jī)研究與發(fā)展;2015年11期

2 王李進(jìn);尹義龍;鐘一文;;逐維改進(jìn)的布谷鳥(niǎo)搜索算法[J];軟件學(xué)報(bào);2013年11期

3 陳群;晏克非;王仁濤;莫一魁;;基于相空間重構(gòu)及Elman網(wǎng)絡(luò)的停車泊位數(shù)據(jù)預(yù)測(cè)[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年05期

4 胡旺;李志蜀;;一種更簡(jiǎn)化而高效的粒子群優(yōu)化算法[J];軟件學(xué)報(bào);2007年04期

5 楊兆升,陳曉冬;智能化停車誘導(dǎo)系統(tǒng)有效停車泊位數(shù)據(jù)的預(yù)測(cè)技術(shù)研究[J];交通運(yùn)輸系統(tǒng)工程與信息;2003年04期

本文編號(hào)：2618784