隨著我國(guó)經(jīng)濟(jì)高速發(fā)展,城市汽車數(shù)量急速增長(zhǎng),停車需求也日益劇增,停車難問(wèn)題已經(jīng)成為一個(gè)十分嚴(yán)峻的交通問(wèn)題。停車場(chǎng)可用停車位的預(yù)測(cè)對(duì)于駕駛員合理地選擇停車場(chǎng)地、行車路線等具有十分重要的意義。本文工作如下:（1）分析了武漢市某醫(yī)院地下停車場(chǎng)停車數(shù)據(jù)后,提出了基于長(zhǎng)短期記憶（Long Short-Term Memory,LSTM）神經(jīng)網(wǎng)絡(luò)的可用停車位單步和多步預(yù)測(cè)模型,并與多個(gè)經(jīng)典模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,驗(yàn)證了LSTM神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)精度和穩(wěn)定性上的絕對(duì)優(yōu)勢(shì)。在完成模型重要參數(shù)的討論后,采用網(wǎng)格搜索法給出了可用停車位預(yù)測(cè)中LSTM神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)參數(shù)設(shè)置。此外,文中還著重地探討了迭代多步預(yù)測(cè)法和直接多步預(yù)測(cè)法的預(yù)測(cè)性能。通過(guò)分析兩者各自的優(yōu)缺點(diǎn),揭示了以往可用停車位多步預(yù)測(cè)模型中存在精度瓶頸的根源,其結(jié)果為后面解決多步預(yù)測(cè)難題提供了重要的理論支持。（2）由于可用停車位時(shí)序數(shù)據(jù)中存在混沌性,因此將混沌時(shí)間序列預(yù)測(cè)中常用的最大李亞普諾夫指數(shù)（Lyapunov exponents,LE）法引入到可用停車位的預(yù)測(cè)中。通過(guò)使用相同數(shù)據(jù)集進(jìn)行對(duì)比實(shí)驗(yàn),比較了最大李亞普諾夫指數(shù)法與LSTM神經(jīng)網(wǎng)絡(luò)模型... 

【文章來(lái)源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

論文組織結(jié)構(gòu)圖

7 operno varchar(18) 操作員工號(hào)8 cartype tinyint(4)車型 1-小型車 2-中型車 3-大型車 4-其它9 car_id varchar(200) 車牌號(hào)10 carnocolor varchar(10) 車牌顏色11 time bigint(20) 車輛進(jìn)（出）時(shí)間12 iotype tinyint(2)車輛進(jìn)（出）停車場(chǎng)1-進(jìn)場(chǎng) 2-出場(chǎng)13 seatnum int(11) 可用停車位個(gè)數(shù)14 device_code varchar(32) 設(shè)備序列號(hào)15 uploadtime bigint(20)同步上傳（變更）時(shí)間部分停車數(shù)據(jù)示例如圖 2-1 所示。

停車位個(gè)數(shù)、同步上傳（變更）時(shí)間；（3）對(duì)時(shí)間格式錯(cuò)誤的記錄進(jìn)行過(guò)濾；（4）按照車輛進(jìn)（出）時(shí)間這個(gè)字段，對(duì)數(shù)據(jù)表進(jìn)行分天存儲(chǔ)。數(shù)據(jù)預(yù)處理因?yàn)楸疚暮竺鎸?shí)驗(yàn)所需數(shù)據(jù)是各個(gè)觀測(cè)尺度的可用停車位個(gè)數(shù)，因此這里先對(duì)數(shù)據(jù)做些預(yù)處理，主要是匹配每個(gè)觀測(cè)尺度和某個(gè)停車場(chǎng)停車記錄中進(jìn)（出）時(shí)間字段，選出時(shí)間點(diǎn)最接近的一條記錄，該記錄中可用停車位個(gè)段即為該時(shí)刻下停車場(chǎng)的可用停車位數(shù)。.2 可用停車位基本特征的觀測(cè)本節(jié)主要從宏觀和微觀兩個(gè)角度對(duì)可用停車位數(shù)據(jù)進(jìn)行觀測(cè)。2.1 宏觀觀測(cè)

【參考文獻(xiàn)】：
期刊論文
[1]基于故障傳播的模塊化BP神經(jīng)網(wǎng)絡(luò)電路故障診斷[J]. 何春,李琦,吳讓好,劉邦欣.  計(jì)算機(jī)應(yīng)用. 2018(02)
[2]基于LSTM模型的單導(dǎo)聯(lián)腦電癲癇發(fā)作預(yù)測(cè)[J]. 單紹杰,李漢軍,王璐璐,唐曉英.  計(jì)算機(jī)應(yīng)用研究. 2018(11)
[3]基于人工神經(jīng)網(wǎng)絡(luò)的侵徹毀傷模式識(shí)別[J]. 王爍,石全.  兵器裝備工程學(xué)報(bào). 2017(10)
[4]BP神經(jīng)網(wǎng)絡(luò)誤差修正的電力物資時(shí)間序列預(yù)測(cè)[J]. 趙一鵬,丁云峰,姚愷豐.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(10)
[5]一種基于LSTM神經(jīng)網(wǎng)絡(luò)的短期用電負(fù)荷預(yù)測(cè)方法[J]. 張宇航,邱才明,賀興,凌澤南,石鑫.  電力信息與通信技術(shù). 2017(09)
[6]基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和凝結(jié)水節(jié)流的超超臨界機(jī)組協(xié)調(diào)系統(tǒng)智能優(yōu)化控制[J]. 馬良玉,成蕾,彭鋼,尹喆.  動(dòng)力工程學(xué)報(bào). 2017(08)
[7]基于DBN-SVR模型的短時(shí)有效停車泊位預(yù)測(cè)[J]. 鄭喆,韓印.  物流工程與管理. 2017(06)
[8]基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)模型[J]. 楊祎玥,伏潛,萬(wàn)定生.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(03)
[9]基于BP神經(jīng)網(wǎng)絡(luò)的停車誘導(dǎo)泊位預(yù)測(cè)[J]. 高廣銀,丁勇,姜楓,李叢.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(01)
[10]基于粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)的停車位數(shù)量短時(shí)預(yù)測(cè)[J]. 張軍,王書華,楊正瓴.  計(jì)算機(jī)應(yīng)用與軟件. 2015(11)

博士論文
[1]基于回聲狀態(tài)網(wǎng)絡(luò)的交通流預(yù)測(cè)模型及其相關(guān)研究[D]. 楊飛.北京郵電大學(xué) 2012

碩士論文
[1]基于人工神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[D]. 程宇也.浙江大學(xué) 2017
[2]基于ARIMA-LSTM的架空線狀態(tài)數(shù)據(jù)挖掘[D]. 鐘令樞.華南理工大學(xué) 2016
[3]智能停車場(chǎng)車位檢測(cè)與泊位誘導(dǎo)系統(tǒng)研究與設(shè)計(jì)[D]. 李坤.中國(guó)科學(xué)院大學(xué)(工程管理與信息技術(shù)學(xué)院) 2013
[4]基于BP神經(jīng)網(wǎng)絡(luò)的空余泊位的短時(shí)預(yù)測(cè)和自動(dòng)尋車系統(tǒng)的研究[D]. 曹智慧.華南理工大學(xué) 2012
[5]智能停車場(chǎng)管理系統(tǒng)中車位信息預(yù)測(cè)子系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 郭樹明.吉林大學(xué) 2012
[6]基于物聯(lián)網(wǎng)技術(shù)的城市停車誘導(dǎo)系統(tǒng)研究[D]. 頡靖.北京郵電大學(xué) 2011
[7]基于泊位誘導(dǎo)及短時(shí)預(yù)測(cè)的智能停車管理系統(tǒng)研究[D]. 許增昭.華南理工大學(xué) 2010
[8]神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D]. 吳昌友.東北農(nóng)業(yè)大學(xué) 2007



本文編號(hào)：3042492