發(fā)布時(shí)間：2021-11-02 12:14

　　現(xiàn)實(shí)生活中,車位使用情況受各種條件影響導(dǎo)致無法精確預(yù)測。通過研究車位空閑率,提高其預(yù)測精度,使誘導(dǎo)系統(tǒng)總體服務(wù)代價(jià)最小具有重要意義。本文主要包括:首先,為了提高停車場車位空閑率預(yù)測精度,建立組合模型（小波分解自適應(yīng)卡爾曼濾波-神經(jīng)網(wǎng)絡(luò)預(yù)測模型）。該方法是將車位空閑率序列進(jìn)行小波分解,得到高頻序列與低頻序列信號(hào),低頻序列信號(hào)使用自適應(yīng)卡爾曼濾波預(yù)測模型來展開研究并預(yù)測,高頻序列信號(hào)采用神經(jīng)網(wǎng)絡(luò)模型展開研究并預(yù)測,最后將兩個(gè)頻率上的預(yù)測結(jié)果進(jìn)行融合,得到最終的預(yù)測序列,實(shí)驗(yàn)得出此組合模型預(yù)測效果更優(yōu)。其次,為解決停車場容錯(cuò)性問題,本文提出基于馬爾科夫鏈的停車場間聯(lián)合預(yù)測模型。首先通過目標(biāo)停車場找出其可接受距離范圍內(nèi)的停車場集合。對(duì)于該集合的停車場,通過馬爾科夫模型構(gòu)造馬爾科夫鏈,生成對(duì)應(yīng)的轉(zhuǎn)移矩陣,將短時(shí)預(yù)測的行向量發(fā)送給目標(biāo)停車場代理進(jìn)行計(jì)算累計(jì)預(yù)測,同時(shí)能增加停到車的概率。再者,建立離差最大化多屬性決策算法來進(jìn)行最終的推薦。利用6種屬性值作為指標(biāo),并將這些指標(biāo)分為不同類型來分析,其中指標(biāo)停車可行性的值來源于基于小波分解自適應(yīng)卡爾曼濾波-神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測之后的值,指標(biāo)停車容錯(cuò)性的值來... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 停車場車位預(yù)測現(xiàn)狀
        1.2.2 停車誘導(dǎo)系統(tǒng)
    1.3 問題分析
    1.4 論文結(jié)構(gòu)
第2章 相關(guān)技術(shù)分析
    2.1 預(yù)測相關(guān)技術(shù)
        2.1.1 馬爾科夫鏈預(yù)測模型
        2.1.2 灰色預(yù)測模型
    2.2 離差最大化多屬性決策模型
    2.3 本章小結(jié)
第3章 組合預(yù)測模型
    3.1 模型選取
    3.2 基于小波分解自適應(yīng)卡爾曼濾波-神經(jīng)網(wǎng)絡(luò)預(yù)測模型
        3.2.1 預(yù)測模型設(shè)計(jì)
        3.2.2 小波分析
        3.2.3 自適應(yīng)卡爾曼濾波預(yù)測模型
        3.2.4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型
        3.2.5 數(shù)據(jù)融合
    3.3 仿真分析
        3.3.1 精度檢測
        3.3.2 實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
第4章 基于馬爾科夫鏈的停車場間聯(lián)合預(yù)測模型
    4.1 模型總體架構(gòu)設(shè)計(jì)
    4.2 聯(lián)合預(yù)測模型構(gòu)建
    4.3 實(shí)驗(yàn)分析
        4.3.1 實(shí)驗(yàn)方法選取
        4.3.2 實(shí)驗(yàn)結(jié)果分析
    4.4 多屬性決策分析
    4.5 本章小結(jié)
第5章 客戶端實(shí)現(xiàn)與系統(tǒng)測試
    5.1 系統(tǒng)設(shè)計(jì)
        5.1.1 系統(tǒng)架構(gòu)設(shè)計(jì)
        5.1.2 數(shù)據(jù)庫設(shè)計(jì)
    5.2 服務(wù)端設(shè)計(jì)
        5.2.1 技術(shù)介紹與選型
        5.2.2 注冊(cè)登錄功能設(shè)計(jì)
        5.2.3 數(shù)據(jù)采集功能接口
        5.2.4 預(yù)測功能設(shè)計(jì)與決策功能設(shè)計(jì)
        5.2.5 定位與路徑規(guī)劃功能
    5.3 Android端設(shè)計(jì)
        5.3.1 技術(shù)介紹與選型
        5.3.2 界面設(shè)計(jì)
        5.3.3 請(qǐng)求數(shù)據(jù)與數(shù)據(jù)解析設(shè)計(jì)
    5.4 功能實(shí)現(xiàn)與測試
        5.4.1 服務(wù)器端軟件測試
        5.4.2 前端界面測試
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 主要工作與創(chuàng)新點(diǎn)
    6.2 后續(xù)研究工作
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]基于小波智能模型的地鐵車站基坑變形時(shí)序預(yù)測分析[J]. 郭健,陳健,胡楊.  巖土力學(xué). 2020(S1)
[2]基于小波分析和ARIMA模型的假期客流量預(yù)測分析[J]. 鄧慧瓊,陳懷娜,曾毓芬,連宗勝,周燕.  中國新通信. 2019(21)
[3]基于滑動(dòng)窗口-小波提升對(duì)地電場預(yù)測算法[J]. 顧濤.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(10)
[4]一種基于高斯過程回歸模型的錯(cuò)峰用電負(fù)荷預(yù)測方法[J]. 吳裕宙.  計(jì)算機(jī)時(shí)代. 2019(02)
[5]灰色馬爾可夫預(yù)測模型和加權(quán)加增長率移動(dòng)平均法預(yù)測精度的比較[J]. 劉璞,王萌,馬苓,石盛卿.  統(tǒng)計(jì)與決策. 2018(22)
[6]大型停車場空閑車位短時(shí)預(yù)測方法[J]. 佘飛,邱建東,湯旻安.  計(jì)算機(jī)應(yīng)用研究. 2019(03)
[7]醫(yī)院周邊閑置停車位預(yù)測研究——基于馬爾科夫灰色預(yù)測模型[J]. 施念梓,謝翔.  計(jì)算機(jī)產(chǎn)品與流通. 2017(11)
[8]城市停車場實(shí)時(shí)車位獲取與分配研究[J]. 劉典,張飛舟.  計(jì)算機(jī)工程與應(yīng)用. 2017(07)
[9]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)
[10]基于馬爾柯夫預(yù)測模型的智能停車有效泊位預(yù)測研究[J]. 韓二鋒.  價(jià)值工程. 2016(06)

博士論文
[1]大城市停車誘導(dǎo)系統(tǒng)設(shè)計(jì)方法的研究[D]. 王澤河.中國農(nóng)業(yè)大學(xué) 2005

碩士論文
[1]基于百度地圖的停車誘導(dǎo)系統(tǒng)[D]. 王旭.山東建筑大學(xué) 2019
[2]基于V2X的智慧停車信息管理平臺(tái)研究與設(shè)計(jì)[D]. 文方波.重慶郵電大學(xué) 2019
[3]基于微信小程序的地下停車場智能停車系統(tǒng)設(shè)計(jì)[D]. 吳琪.中國礦業(yè)大學(xué) 2019
[4]火電機(jī)組控制系統(tǒng)方差性能評(píng)價(jià)及參數(shù)優(yōu)化[D]. 李世博.華北電力大學(xué) 2018
[5]結(jié)合車位預(yù)測的智能停車系統(tǒng)的研究[D]. 李俊.四川師范大學(xué) 2017
[6]智能停車場短時(shí)泊車位預(yù)測的研究[D]. 張金夢.重慶大學(xué) 2017
[7]車位預(yù)約算法及App設(shè)計(jì)[D]. 趙飛.山東建筑大學(xué) 2017
[8]基于用戶情境的個(gè)性化推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 許植堯.內(nèi)蒙古大學(xué) 2016
[9]智能停車場管理信息系統(tǒng)集成技術(shù)的研究及應(yīng)用[D]. 劉寧.電子科技大學(xué) 2010



本文編號(hào)：3471963