在目前,許多停車輔助工具,例如智能手機中的APP能夠實時的顯示停車場內(nèi)的停車空位,然而隨著停車場內(nèi)車輛的進入和離開,停車場內(nèi)的剩余停車空位數(shù)也會隨之改變,所以實時獲取的停車信息就會失效,所以人們更愿意了解在未來某個時間點的停車場內(nèi)的剩余停車空位信息,而不是實時的信息。精確的預測停車空位可用性有助于規(guī)劃人們的行程,有助于提升停車設施的利用率。在本文中,基于果蠅優(yōu)化的支持向量回歸提出了一種預測停車場的停車空位數(shù)的新模型。在提出的模型中,支持向量回歸(Support Vector Regression,SVR)的參數(shù)被初始化為果蠅群體,并且果蠅優(yōu)化算法(Fruit fly Optimisation Algorithm,FOA)被用于搜尋SVR的最優(yōu)參數(shù),我們針對不同的場景下進行有效的實驗,指預測不同容量的停車場在不同時間段后的剩余停車空位可用信息,為了驗證提出的果蠅優(yōu)化的支持向量機(Support Vector Regression with Fruit fly Optimisation Algorithm,FOA-SVR)模型的有效性,三種常用的預測模型,指反向傳播神經(jīng)網(wǎng)絡模型(Backpropagation Neural Network,BPNN)、極限學習機模型(Extreme Learning Machine,ELM)和小波神經(jīng)網(wǎng)絡模型(Wavelet Neural Network,WNN)被用作對比模型。實驗結果表明,提出的FOA-SVR在所有的預測場景下有著較高的預測精度和穩(wěn)定性。此外,本文還提出一種迭代多步預測的長短期記憶神經(jīng)網(wǎng)絡(Long ShortTerm Memory Recurrent Neural Network,LSTM-NN)被用于預測剩余停車泊位,模型中的參數(shù)通過網(wǎng)格搜索方法來優(yōu)化。此外,還采用了另外常用的回歸算法模型作為LSTM-NN模型的對比模型,分別是門循環(huán)單元神經(jīng)網(wǎng)絡(Gated Recurrent Units Neural Network,GRU-NN),棧式自編碼器(Stacked Autoencoder,SAE),SVR,BPNN和K近鄰(K-Nearest Neighbor,KNN)。這些對比模型的關鍵參數(shù)同樣的也是被網(wǎng)格搜索優(yōu)化。我們通過在二個不同類型的停車場數(shù)據(jù)集上進行有效的實驗來驗證模型在短期預測和長期預測上的表現(xiàn),實驗結果表明,我們所提出的多步迭代預測的LSTM-NN表現(xiàn)更優(yōu)于其他預測模型,特別是在車流量較大的商業(yè)類型停車場數(shù)據(jù)上表現(xiàn)更為突出。
【學位單位】：溫州大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP18;U491.7
【部分圖文】：

圖 1-1. 基于圖像識別算法（左）和傳感器（右）的實時顯示空余停車位占用情況Fig 1-1. Realtime display of the number of parking spaces based on image recognitionalgorithm (left) and sensor (right)因此，為了避免這種信息與需求的脫節(jié)，駕駛員們需要獲得的更加有針對性

圖 2-1 果蠅迭代搜索的過程Fig.2-1 The food searching iterative process of a fruit fly swarm

圖 2-2 支持向量回歸示意圖Fig.2-2 The support vector regression diagram入松弛變量iξ 和*iξ 進入公式（2-9）中，形成一個有約束條
【參考文獻】

相關期刊論文 前2條

1 趙戊辰;張玉茹;;BP神經(jīng)網(wǎng)絡用于停車場空余泊位的預測研究[J];哈爾濱商業(yè)大學學報(自然科學版);2015年01期

2 陳群;晏克非;王仁濤;莫一魁;;基于相空間重構及Elman網(wǎng)絡的停車泊位數(shù)據(jù)預測[J];同濟大學學報(自然科學版);2007年05期

本文編號：2861863