城市停車已逐步實(shí)現(xiàn)信息化和動(dòng)態(tài)化管理,本文對動(dòng)態(tài)管理模式下大范圍路側(cè)泊位占有率預(yù)測方法進(jìn)行研究.在收集美國舊金山492萬條停車交易數(shù)據(jù)的基礎(chǔ)上,利用可同時(shí)提取數(shù)據(jù)空間關(guān)聯(lián)和時(shí)序趨勢特征的卷積長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Convolutional LSTM Network,ConvLSTM）,分別構(gòu)建考慮停車費(fèi)率和時(shí)限動(dòng)態(tài)變化的有政策模型,和沒有動(dòng)態(tài)管理信息輸入的無政策模型.結(jié)果顯示,有政策模型的訓(xùn)練效率和預(yù)測精度會顯著提升.在政策平穩(wěn)階段,兩種模型均能夠有效預(yù)測泊位占有率;在政策發(fā)生變化時(shí)段,無政策模型的預(yù)測誤差出現(xiàn)激增,但有政策模型的預(yù)測誤差依然保持平穩(wěn),表明本文提出的方法能夠很好地應(yīng)對動(dòng)態(tài)管理模式下停車需求的變化. 

【文章來源】：交通運(yùn)輸系統(tǒng)工程與信息. 2020,20(05)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

車位數(shù)量分布圖

基于所劃分區(qū)域網(wǎng)格數(shù)量，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.數(shù)據(jù)輸入后：首先經(jīng)過三層連續(xù)Conv LSTM層，逐步提取數(shù)據(jù)中的時(shí)間特征和空間特征，每層Conv LSTM卷積核大小均為3×3，所包含的Conv LSTM卷積核數(shù)量分別為16、32和64個(gè)；隨后，連接兩層全連接層，控制后一個(gè)全連接層的單元數(shù)與網(wǎng)格總數(shù)相等；最后，連接Reshape層，輸出與輸入數(shù)據(jù)相同尺寸的矩陣作為預(yù)測結(jié)果.以上所有隱含層的激活函數(shù)均為Re LU函數(shù)，結(jié)構(gòu)中每個(gè)Conv LSTM層都進(jìn)行批歸一化處理，使每一層結(jié)果在經(jīng)過激活函數(shù)前歸一化，有效提高網(wǎng)絡(luò)的訓(xùn)練速度，防止模型過擬合.2.2 無政策模型與有政策模型

網(wǎng)絡(luò)訓(xùn)練結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)非平穩(wěn)和長短時(shí)記憶網(wǎng)絡(luò)的泊位混合預(yù)測[J]. 向榮,房祥彥.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(08)
[2]基于小波-ELM神經(jīng)網(wǎng)絡(luò)的短期停車泊位預(yù)測[J]. 陳海鵬,圖曉航,王玉,鄭金宇.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2017(02)
[3]基于小波變換和粒子群小波神經(jīng)網(wǎng)絡(luò)組合模型的有效停車泊位短時(shí)預(yù)測[J]. 季彥婕,陳曉實(shí),王煒,胡波.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2016(02)
[4]停車收費(fèi)合理定價(jià)——基于需求的舊金山停車定價(jià)模式評價(jià)[J]. Gregory Pierce,Donald Shoup,石飛,王宇,袁泉.  城市交通. 2014(06)



本文編號：3111930