[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

说明书

本发明提供了一种基于循环神经网络的停车场占有率预测方法，属于停车诱导泊位预测技术领域。所述方法包括步骤：数据采集；整理效应项序列h(t)；整理停车场占有率变化的时间序列x(t)；拟合得到周期项序列s(t)；利用循环神经网络，得到趋势项序列g(t)；利用循环神经网络综合预测得到停车场占有率的预测值y；本技术方案对于停车场占有率数据分两层进行处理，结合时间序列特征分解法和神经网络，不仅考虑了时间维度的非线性特征，而且考虑了其中蕴含的周期性特征，以及外在因素的影响，相比于以往的基于统计学的预测方法、传统机器学习的方法以及单独的深度学习模型，考虑的特征更全面，预测精度的稳定性和准确性更高。

技术领域

本发明涉及停车诱导泊位预测技术领域，更具体地，涉及一种基于循环神经网络的停车场占有率预测方法。

背景技术

随着中国经济社会的飞速发展，城市机动车的保有量不断增长，城市“停车难”的问题愈发突出。车辆停放常常遇到无法及时找到空车位、停车场出入口排队、车辆徘徊寻找车位的问题，车辆的乱停乱放现象严重，增加道路交通流量的同时也容易导致周边交通拥堵，会诱发一系列的社会治安问题，给社会经济、城市形象、人居环境带来极大的负面影响。

智能诱导停车是缓解停车难问题的有效手段。现有的智能诱导停车系统大多只能显示实时的停车位信息，这使得驾驶员到达停车场时，预先选中的停车位可能已经被占用，或者出现多辆车争抢少量停车位的现象，造成停车诱导失败。通过泊位预测，驾驶员可以在出发或到达之前确定是否存在有效停车位，从而能更好的规划行程，增加停车诱导的成功概率。

作为智能诱导停车的重要组成部分，国内外对停车泊位占有率预测已经进行了大量的研究，取得了一些研究成果。停车泊位占有率预测方法主要有基于统计学的预测方法和基于机器学习的预测方法，尤其是深度学习的方法大量应用于停车泊位预测中。

基于统计学的预测方法计算复杂度较小，但是预测的精度不高且稳定性不足。公开号为US7049979B2公开日：2006-05-23的美国专利提出的Method and system forprojecting dynamic parking availability based on an ongoing survey for remotelots with high demand，在停车场泊位预测系统中利用差分整合移动平均自回归模型(ARIMA)进行泊位占有率预测，实验结果表明该模型的预测效果并不稳定，仅能在预测占有率相对平稳的时间段，在出现波峰或者波谷的时间段预测效果较差。

基于机器学习的方法预测精度较高，向荣.基于随机非平稳和长短时记忆网络的泊位混合预测.2019，这篇文章采用非平稳随机过程和LSTM的混合模型进行预测，提高了预测的精度和稳定性。但该预测方法仅考虑了停车场占有率的时间维度的非线性变化特性，并没有考虑其中蕴含的周期性特征，也没有考虑外在因素的影响，比如：重大事件和节假日等。在不同类型停车场和不同时间段预测精度的稳定性不足。

发明内容

本发明的目的在于提供一种稳定性和预测精度均较高的停车泊位预测方法。

本发明技术方案为：

一种基于循环神经网络的停车场占有率预测方法，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)；

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)；