[发明专利]一种基于循环神经网络的停车场占有率预测方法

权利要求书

1.一种基于循环神经网络的停车场占有率预测方法，其特征在于，所述方法包括以下步骤：

S1：获取停车场出入记录、停车场容量、停车场某一时刻停放车辆数，并且采集停车场的占有率影响因素数据；

S2：统计所述占有率影响因素数据，整理出表征相关因素对停车场占有率影响程度的效应项序列h(t)；

S3：统计停车场出入记录数据，整理出以单位时间为间隔的各个时刻停车场占有率变化的时间序列x(t)；

所述停车场占有率变化的时间序列x(t)生成步骤包括：

S31：将停车场出入记录数据的时间以单位时间间隔分成一个序列的时间点；

S32：以停车场某一时刻停放车辆数为基准，结合停车场出入记录数据，在所述基准上进行增减，获取每个序列的时间点的停车场停放车辆数，从而得到停车场停放车辆数变化的时间序列；

S33：用停车场容量减去停车场停放车辆数，则得到停车场泊位数变化的时间序列；

S34：用停车场泊位数除以停车场容量，则得到停车场占有率变化的时间序列x(t)，t代表某个时刻，x(t)表示第t时刻的停车场占有率；

S4：利用所述时间序列x(t)分析停车场占有率变化的周期性特征，通过傅里叶级数进行拟合得到周期项序列s(t)；

所述周期项序列s(t)的生成步骤包括：

统计分析停车场占有率的时间变化曲线，用傅里叶级数生成拟合的周期序列s(t)，公式如下：

其中，C为常数，T为周期，通过观察占有率的时间变化曲线的周期时长计算得到，傅里叶级数的系数[a₁,b₁,...a_n,b_n]^T按照服从均值为0的正态分布进行初始化，采用批量梯度下降法，来训练参数，进行拟合；

S5：将前n个时刻的停车场占有率数据输入循环神经网络，提取停车场占有率变化的趋势特征，得到趋势项序列g(t)；

S6：利用循环神经网络综合趋势项序列g(t)、周期项序列s(t)和效应项序列h(t)，预测得到下一时刻的停车场占有率的预测值y。

2.根据权利要求1所述的一种基于循环神经网络的停车场占有率预测方法，其特征在于，步骤S1还包括对所述停车场出入记录数据中的时间记录错误和缺失部分进行修复、平滑，对重复的数据进行删除。

3.根据权利要求1所述的一种基于循环神经网络的停车场占有率预测方法，其特征在于，步骤S2中所述占有率影响因素包括：停车场收费标准、停车场管理制度、停车场所在区域发生的重大事件信息、节假日信息。

4.根据权利要求3所述的一种基于循环神经网络的停车场占有率预测方法，其特征在于，步骤S2中所述效应项序列h(t)的生成包含如下步骤：

分析停车场占有率影响因素，包括停车场收费标准、停车场管理制度、重大事件信息、节假日信息，基于0-1函数构造指示函数来表征该因素对停车场占有率的影响程度；指示函数形式如下：

其中，h_i(t)表示第i个因素对停车场占有率的影响，δ_i是0-1函数，I表示该因素产生影响的时刻；k_i表示该因素对停车场占有率影响的程度，根据经验确定k_i的大小；效应项序列h(t)由指示函数构造，由下式得到：

5.根据权利要求1所述的一种基于循环神经网络的停车场占有率预测方法，其特征在于，步骤S5所述趋势项序列g(t)的生成步骤包括：

用前n个时刻的停车场占有率数据预测下一时刻的停车场占有率趋势预测值，即将{i-n,i-n+1,……i-2,i-1,i}时刻的停车场占有率输入循环神经网络中，预测出i+1时刻的数据作为趋势预测值，将所述趋势预测值作为趋势项序列g(t)。

6.根据权利要求1至5任一项所述的一种基于循环神经网络的停车场占有率预测方法，其特征在于，步骤S6所述的预测值y生成步骤包括：将趋势项序列g(t)，周期项序列s(t)，效应项序列h(t)作为循环神经网络的输入，得到下一个时刻的预测值y，即为最终的预测值。