基于遺傳算法與集成學習的停車位預測算法研究
發(fā)布時間：2021-11-11 09:46
近些年,隨著我國經(jīng)濟的快速發(fā)展和城市化進程的加快,機動車已廣泛進入尋常百姓家庭。截止到2017年底,我國汽車保有量2.17億輛,而與此同時,停車場發(fā)展的速度卻嚴重滯后,這使得停車難問題愈發(fā)突出,甚至在一些區(qū)域已經(jīng)到了“一位難求”的地步。停車問題帶來的交通擁堵,環(huán)境污染等問題對現(xiàn)有的生產(chǎn)、生活,環(huán)境安全造成極大影響。為此,對空余停車位進行實時有效的預測是緩解以上問題的重要研究方向�？沼嗤＼囄挥行ьA測屬于時間序列預測研究范疇,按預測需求的不同又可分為短時預測與多步預測,前者利用歷史數(shù)據(jù)預測未來某單個時間點停車場空余車位數(shù),目前應用比較廣泛的有指數(shù)平滑法及其衍生算法。后者則是利用歷史數(shù)據(jù)預測未來一段時間的停車場空余停車數(shù)。針對這類預測的解決方法普遍使用基于神經(jīng)網(wǎng)絡的方法,如BP神經(jīng)網(wǎng)絡。本文首先通過分析現(xiàn)有的空余停車位短時預測與多步預測方法,對他們的原理進行研究并針對這些方法在特定領域的局限性與準確率的不足,提出了兩種改進的算法。經(jīng)過改進的算法擺脫了傳統(tǒng)停車位時間序列預測的短時預測與多步預測界限,具有良好的兼容性與可擴展性,同時在準確率上也得到了很好的提升。由于時間序列反映的是客觀事物發(fā)展的...
【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】：62 頁
【學位級別】：碩士
【部分圖文】：
典型RNN結構
圖 2.3 三層隱藏層的神經(jīng)網(wǎng)絡 的最大值為 1/4，而我們初始化的網(wǎng)絡權值|w| 通常都小1/4，因此對于上面的鏈式求導，層數(shù)越多，求導結果 1越小，因出現(xiàn)。梯度爆炸問題的出現(xiàn)原因就顯而易見了，即| | 1，也就對于使用 sigmoid 激活函數(shù)來說，這種情況比較少。因為 wx + b) ，除非該層的輸入值 x 一直在一個比較小的范圍內(nèi)。消失： C 1= 4 ( 4) C 4 3 ( 3) 2 ( 2) ( 1)<14<14
圖 2.4 不同網(wǎng)絡層梯度變化情況炸： ( )) 1 時，則前面層比后面層梯度變化更快，引起了梯析：，當使用 sigmoid 時，更普遍出現(xiàn)的是梯度消失問題。析梯度爆炸出現(xiàn) a 的數(shù)值范圍：因導數(shù)最大為 0.25，故 ( )) 1 ；按照| | ≥ 1，可計算出當 a 的數(shù)值變21)范圍內(nèi)； ( ( )) ………………5 可見 a 的數(shù)值變化范圍很�。蛔畲髷�(shù)值范圍也僅僅 0.45，當
【參考文獻】：
期刊論文
[1]基于小波-ELM神經(jīng)網(wǎng)絡的短期停車泊位預測[J]. 陳海鵬,圖曉航,王玉,鄭金宇. 吉林大學學報(理學版). 2017(02)
[2]基于BP神經(jīng)網(wǎng)絡的停車誘導泊位預測[J]. 高廣銀,丁勇,姜楓,李叢. 計算機系統(tǒng)應用. 2017(01)
[3]時序挖掘算法灰色預測模型的分析及應用[J]. 李雅莉. 網(wǎng)絡安全技術與應用. 2016(03)
[4]自適應差分進化算法優(yōu)化BP神經(jīng)網(wǎng)絡的時間序列預測[J]. 王林,彭璐,夏德,曾奕. 計算機工程與科學. 2015(12)
[5]基于神經(jīng)網(wǎng)絡的城市停車需求預測模型[J]. 高健夫,王培松. 交通科技與經(jīng)濟. 2015(05)
[6]基于ARIMA與WASDN加權組合的時間序列預測[J]. 張雨濃,勞穩(wěn)超,丁瑋翔,王英,葉成緒. 計算機應用研究. 2015(09)
[7]混合模型在經(jīng)濟時間序列預測中的應用研究[J]. 章偉. 計算機仿真. 2011(06)
[8]基于規(guī)則歸納的遺傳算法選擇和參數(shù)設置[J]. 李婷,崔杜武. 計算機工程. 2010(03)
[9]基于相空間重構及Elman網(wǎng)絡的停車泊位數(shù)據(jù)預測[J]. 陳群,晏克非,王仁濤,莫一魁. 同濟大學學報(自然科學版). 2007(05)
[10]基于神經(jīng)網(wǎng)絡的時間序列組合預測模型研究及應用[J]. 秦大建,李志蜀. 計算機應用. 2006(S1)
碩士論文
[1]時間序列挖掘系統(tǒng)中變化檢測算法的研究[D]. 蓋詩橋.吉林大學 2012
本文編號：3488639
【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】：62 頁
【學位級別】：碩士
【部分圖文】：
典型RNN結構
圖 2.3 三層隱藏層的神經(jīng)網(wǎng)絡 的最大值為 1/4，而我們初始化的網(wǎng)絡權值|w| 通常都小1/4，因此對于上面的鏈式求導，層數(shù)越多，求導結果 1越小，因出現(xiàn)。梯度爆炸問題的出現(xiàn)原因就顯而易見了，即| | 1，也就對于使用 sigmoid 激活函數(shù)來說，這種情況比較少。因為 wx + b) ，除非該層的輸入值 x 一直在一個比較小的范圍內(nèi)。消失： C 1= 4 ( 4) C 4 3 ( 3) 2 ( 2) ( 1)<14<14
圖 2.4 不同網(wǎng)絡層梯度變化情況炸： ( )) 1 時，則前面層比后面層梯度變化更快，引起了梯析：，當使用 sigmoid 時，更普遍出現(xiàn)的是梯度消失問題。析梯度爆炸出現(xiàn) a 的數(shù)值范圍：因導數(shù)最大為 0.25，故 ( )) 1 ；按照| | ≥ 1，可計算出當 a 的數(shù)值變21)范圍內(nèi)； ( ( )) ………………5 可見 a 的數(shù)值變化范圍很�。蛔畲髷�(shù)值范圍也僅僅 0.45，當
【參考文獻】：
期刊論文
[1]基于小波-ELM神經(jīng)網(wǎng)絡的短期停車泊位預測[J]. 陳海鵬,圖曉航,王玉,鄭金宇. 吉林大學學報(理學版). 2017(02)
[2]基于BP神經(jīng)網(wǎng)絡的停車誘導泊位預測[J]. 高廣銀,丁勇,姜楓,李叢. 計算機系統(tǒng)應用. 2017(01)
[3]時序挖掘算法灰色預測模型的分析及應用[J]. 李雅莉. 網(wǎng)絡安全技術與應用. 2016(03)
[4]自適應差分進化算法優(yōu)化BP神經(jīng)網(wǎng)絡的時間序列預測[J]. 王林,彭璐,夏德,曾奕. 計算機工程與科學. 2015(12)
[5]基于神經(jīng)網(wǎng)絡的城市停車需求預測模型[J]. 高健夫,王培松. 交通科技與經(jīng)濟. 2015(05)
[6]基于ARIMA與WASDN加權組合的時間序列預測[J]. 張雨濃,勞穩(wěn)超,丁瑋翔,王英,葉成緒. 計算機應用研究. 2015(09)
[7]混合模型在經(jīng)濟時間序列預測中的應用研究[J]. 章偉. 計算機仿真. 2011(06)
[8]基于規(guī)則歸納的遺傳算法選擇和參數(shù)設置[J]. 李婷,崔杜武. 計算機工程. 2010(03)
[9]基于相空間重構及Elman網(wǎng)絡的停車泊位數(shù)據(jù)預測[J]. 陳群,晏克非,王仁濤,莫一魁. 同濟大學學報(自然科學版). 2007(05)
[10]基于神經(jīng)網(wǎng)絡的時間序列組合預測模型研究及應用[J]. 秦大建,李志蜀. 計算機應用. 2006(S1)
碩士論文
[1]時間序列挖掘系統(tǒng)中變化檢測算法的研究[D]. 蓋詩橋.吉林大學 2012
本文編號：3488639
本文鏈接：http://sikaile.net/kejilunwen/jiaotonggongchenglunwen/3488639.html
