[发明专利]可用泊位数的集成预测方法

说明书

本发明属于交通领域中的停车场管理系统，提供一种可用泊位数的集成预测方法。由于影响停车场可用泊位数因素的复杂性，时间序列数据在利用含参数的模型分析时，模型构建通常存在参数偏移或者参数错误的问题，导致单一模型无法完全利用全部信息，对数据的分析会存在一定误差，模型构建的误差也常存在一定的规律，通过组合预测可以将有偏的多个单预测模型构建为无偏的组合预测。LSTM预测时间序列时，偏向于保守预测，即预测结果偏低，而ARIMA在预测时间序列时，偏向于激进型预测，即预测结果偏高。本发明采用组合预测，结合LSTM与ARIMA这两种方法来提高预测精度，从而克服单一模型的不足。

技术领域

本发明属于交通领域中的停车场管理系统，涉及一种对停车场可用泊位数的集成预测方法，具体是针对在驾驶员到达时区域内各停车场的可用泊位数预测的时间序列建模问题。

背景技术

随着人们生活水平的提升，城市机动车保有量激增，作为静态交通的重要组成部分，机动车停泊在城市交通系统中具有举足轻重的地位。当前土地和道路资源相对有限，导致停车供需矛盾日益突出。驾驶员无法获得准确的泊位信息，导致部分停车场泊位紧缺，而部分停车场泊位存在较多空余，浪费社会资源的同时也不利于停车场运营方收益的改善。在此背景下，如何通过合理的诱导信息调节停车需求与供给的时空平衡关系，实现公共利益和企业收益的共赢，亟待研究人员的探索。

目前，预测停车场可用泊位数的方法主要分为以下几种：

1)以ARIMA为代表的传统时间预测模型

传统时间序列预测模型主要通过将时间序列数据分解，确定模型的参数，进而实现预测，但是该类方法在实际预测中容易受模型参数的影响。

2)神经网络预测模型

神经网络预测方法预测的准确性较高，因而采用该类方法对停车场可用泊位数的预测受到广泛关注。该方法通过对大量数据进行迭代训练，再拟合数据特征，实现预测。比如，利用卷积神经网络进行交通流量数据特征提取，将提取到的特征向量输入到支持向量回归模型实现流量回归预测。或者，基于机器学习技术，让每条道路和停车场都由一个矢量表示，该矢量可以捕获停车场和交通之间的时空相关性，从而产生高性能的预测系统。其中，小波分析的预测性能在效率和鲁棒性表现较好，预测较准确，但是仍然有待提高。近几年，深度神经网络在与停车相关的交通预测领域中应用也比较广泛。

发明内容

本发明针对传统时间序列预测模型带来的预测准确度不高等问题，提出了一种组合预测方法，获得了更好的预测精确度。由于影响停车场可用泊位数因素的复杂性，时间序列数据在利用含参数的模型分析时，模型构建通常存在参数偏移或者参数错误的问题，导致单一模型无法完全利用全部信息，对数据的分析会存在一定误差，模型构建的误差也常存在一定的规律，通过组合预测可以将有偏的多个单预测模型构建为无偏的组合预测。LSTM预测时间序列时，偏向于保守预测，即预测结果偏低，而ARIMA在预测时间序列时，偏向于激进型预测，即预测结果偏高。本发明采用组合预测，结合LSTM与ARIMA这两种方法来提高预测精度，从而克服单一模型的不足。

本发明的技术方案：

一种可用泊位数的集成预测方法，步骤如下：

1)LSTM模型