[发明专利]一种基于序列分解的公共停车场泊位多步预测方法

说明书

本发明公开了一种基于序列分解的公共停车场泊位多步预测方法。该方法的基本思想是利用傅里叶变换将停车场泊位占有率序列分解成规则部分和不规则部分。直接用原始序列进行LSSVR预测，在预测步数较少时，具有较高的预测精度，而随着预测步数的增加，序列中的不规则成分会增大预测误差。本发明提出的基于序列分解的公共停车场泊位多步预测技术，在预测步数大于预测步长阈值时，仅对序列中规则部分进行LSSVR预测，这能有效提高长步预测时的预测精度，这是在预测中提取与停车场本身行为特性相关成分的结果。

技术领域

本发明涉及一种基于序列分解的公共停车场泊位多步预测方法，属于智能交通技术领域。

背景技术

近些年来，机动车快速增长，道路供给速度始终滞后于机动车增长速度，“行车难、停车难”已成为新型城市化背景下的一大通病。国外一份报告里指出，城市交通中30％的交通拥堵是由于小汽车搜寻空余泊位导致的。

为了缓解城市“停车难”的问题，国外早在20世纪60年代末开始研究停车诱导信息系统(Parking Guidance and Information System,PGIS)。PGIS是智能交通系统的重要组成部分，是未来城市缓解停车难，提高城市管理水平，整合城市动静态交通资源的重要手段。

停车预约系统是PGIS的一项高级功能，它可以允许驾驶员在手机等设备上提前预约一个泊位。停车泊位的预测对停车信息诱导和停车预约都有重要意义。

根据预测目标可以分为单步预测(短时预测)和多步预测(长时预测)，目前，对停车场泊位研究主要集中在单步预测，由于停车场泊位在单步的变化范围有限，造成各种预测方法的单步预测效果基本相当，无法应用到时间尺度较长泊位预约系统中去。目前对泊位多步预测的研究较少，由于随着预测时间尺度的扩大，预测误差会呈近似线性甚至指数型上升；且目前基于学习的方法多为各种形式的神经网络，而神经网络具有训练结果不稳定、易陷入局部最优等缺点，这些都成为长时泊位预约系统的应用发展的制约。

发明内容

本发明提出了一种提高停车场泊位多步预测精度的方法，该方法的基本思想是利用傅里叶变换(Fourier Transform,FT)将停车场泊位占有率序列分解成规则部分和不规则部分。由于公共停车场泊位变化时间序列的规则成分占绝大部分，对于序列中极不规则的一部分，短时具有可预测性，长时不但不具有可预测性，还会增大预测误差。本发明引入预测步数阈值d₀，当预测步数d≥d₀时，忽略序列中的不规则成分，仅对规则成分进行预测。为了克服传统学习方法使用神经网络带来的训练结果不稳定的缺点，本发明利用最小二乘支持向量回归(Least Squares Support Vector Regression,LSSVR)预测方法，该方法具有固定数学解析式、预测结果稳定等优点。

本发明的基本步骤如下：

c1、提取停车场泊位变化序列并进行序列分解。

c2、直接对原始序列进行LSSVR多步预测，记为方法一。

c3、根据c1步序列分解的结果，提取规则成分序列，用规则部分进行LSSVR多步预测，记为方法二；。

c4、确定预测步长阈值d₀。

c5、判断预测步数d与预测步长阈值d₀的关系，若d<d₀,则采用方法一进行预测，若d≥d₀,则采用方法二进行预测。

步骤c1的具体过程包括：