本發(fā)明涉及一種基于序列分解的公共停車場泊位多步預(yù)測方法，屬于智能交通技術(shù)領(lǐng)域。

背景技術(shù)：

近些年來，機(jī)動(dòng)車快速增長，道路供給速度始終滯后于機(jī)動(dòng)車增長速度，“行車難、停車難”已成為新型城市化背景下的一大通病。國外一份報(bào)告里指出，城市交通中30％的交通擁堵是由于小汽車搜尋空余泊位導(dǎo)致的。

為了緩解城市“停車難”的問題，國外早在20世紀(jì)60年代末開始研究停車誘導(dǎo)信息系統(tǒng)(Parking Guidance and Information System,PGIS)。PGIS是智能交通系統(tǒng)的重要組成部分，是未來城市緩解停車難，提高城市管理水平，整合城市動(dòng)靜態(tài)交通資源的重要手段。

停車預(yù)約系統(tǒng)是PGIS的一項(xiàng)高級功能，它可以允許駕駛員在手機(jī)等設(shè)備上提前預(yù)約一個(gè)泊位。停車泊位的預(yù)測對停車信息誘導(dǎo)和停車預(yù)約都有重要意義。

根據(jù)預(yù)測目標(biāo)可以分為單步預(yù)測(短時(shí)預(yù)測)和多步預(yù)測(長時(shí)預(yù)測)，目前，對停車場泊位研究主要集中在單步預(yù)測，由于停車場泊位在單步的變化范圍有限，造成各種預(yù)測方法的單步預(yù)測效果基本相當(dāng)，無法應(yīng)用到時(shí)間尺度較長泊位預(yù)約系統(tǒng)中去。目前對泊位多步預(yù)測的研究較少，由于隨著預(yù)測時(shí)間尺度的擴(kuò)大，預(yù)測誤差會(huì)呈近似線性甚至指數(shù)型上升；且目前基于學(xué)習(xí)的方法多為各種形式的神經(jīng)網(wǎng)絡(luò)，而神經(jīng)網(wǎng)絡(luò)具有訓(xùn)練結(jié)果不穩(wěn)定、易陷入局部最優(yōu)等缺點(diǎn)，這些都成為長時(shí)泊位預(yù)約系統(tǒng)的應(yīng)用發(fā)展的制約。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提出了一種提高停車場泊位多步預(yù)測精度的方法，該方法的基本思想是利用傅里葉變換(Fourier Transform,FT)將停車場泊位占有率序列分解成規(guī)則部分和不規(guī)則部分。由于公共停車場泊位變化時(shí)間序列的規(guī)則成分占絕大部分，對于序列中極不規(guī)則的一部分，短時(shí)具有可預(yù)測性，長時(shí)不但不具有可預(yù)測性，還會(huì)增大預(yù)測誤差。本發(fā)明引入預(yù)測步數(shù)閾值d₀，當(dāng)預(yù)測步數(shù)d≥d₀時(shí)，忽略序列中的不規(guī)則成分，僅對規(guī)則成分進(jìn)行預(yù)測。為了克服傳統(tǒng)學(xué)習(xí)方法使用神經(jīng)網(wǎng)絡(luò)帶來的訓(xùn)練結(jié)果不穩(wěn)定的缺點(diǎn)，本發(fā)明利用最小二乘支持向量回歸(Least Squares Support Vector Regression,LSSVR)預(yù)測方法，該方法具有固定數(shù)學(xué)解析式、預(yù)測結(jié)果穩(wěn)定等優(yōu)點(diǎn)。

本發(fā)明的基本步驟如下：

c1、提取停車場泊位變化序列并進(jìn)行序列分解。

c2、直接對原始序列進(jìn)行LSSVR多步預(yù)測，記為方法一。

c3、根據(jù)c1步序列分解的結(jié)果，提取規(guī)則成分序列，用規(guī)則部分進(jìn)行LSSVR多步預(yù)測，記為方法二；。

c4、確定預(yù)測步長閾值d₀。

c5、判斷預(yù)測步數(shù)d與預(yù)測步長閾值d₀的關(guān)系，若d<d₀,則采用方法一進(jìn)行預(yù)測，若d≥d₀,則采用方法二進(jìn)行預(yù)測。

步驟c1的具體過程包括：

c11、確定時(shí)間間隔：由于停車場泊位變化的特殊性，過短的時(shí)間采樣間隔會(huì)增加計(jì)算的復(fù)雜度且無太大意義，太長的時(shí)間間隔可能會(huì)丟失停車場泊位變化的部分信息。目前停車誘導(dǎo)信息板的更新時(shí)間一般為5min，因此本發(fā)明采用的時(shí)間間隔均取5min，即對某停車場的泊位變化以5min為時(shí)間間隔采樣，得到該停車場的占用泊位數(shù)時(shí)間序列，記作X(n)。

c12、將原始時(shí)間序列X(n)(n＝1,2,…N)進(jìn)行離散FFT變換得到序列x(k)(k＝1,2,…N)：

c13、計(jì)算功率譜x(n)(n＝1,2,…N)的均方值為G_N：

c14、按如下規(guī)則變換得到序列留下特征譜分量：

其中，r為參數(shù)，且r>0。

c15、對進(jìn)行逆FFT變換得到序列x₁(n)：

序列x₁(n)即原始序列X(n)中的規(guī)則部分；x₂(n)＝X(n)-x₁(n)即為原始序列X(n)中的不規(guī)則部分。

步驟c2、用原始序列進(jìn)行LSSVR多步預(yù)測，記為方法一，具體包括：

多步預(yù)測策略的基本思想是：用訓(xùn)練集直接訓(xùn)練出一個(gè)d步模型，該模型用截至t時(shí)刻的輸入變量來預(yù)測t+d時(shí)刻的輸出值。因此，對于不同預(yù)測步數(shù)，需要訓(xùn)練出不同預(yù)測模型。

對于原始時(shí)間序列X(n)(n＝1,2,…N)，將前l(fā)個(gè)作為訓(xùn)練樣本，d步預(yù)測時(shí)輸出X_i對應(yīng)的輸入變量可以表示為：

X_i＝[X_i-d X_i-2d … X_i-md M_i]

式中，m為輸入嵌入維度，即第i個(gè)點(diǎn)的輸出X_i與之前m個(gè)點(diǎn)有關(guān)；

M_i為其他相關(guān)變量，如時(shí)刻、天氣等

c21、選擇訓(xùn)練集：

對于LSSVR非線性回歸問題，假設(shè)訓(xùn)練集T由l個(gè)樣本組成：

T＝{(x₁,y₁),(x₂,y₂),…,(x_l,y_l)}

其中，x_i∈Rⁿ為輸入向量，y_i∈R是相應(yīng)的輸出。

將原始空間數(shù)據(jù)通過映射Φ映射到高維特征空間，映射關(guān)系為：

Φ：x→Φ(x)

其訓(xùn)練集可表示為：

T′＝{(Φ(x₁),y₁),(Φ(x₂),y₂),…,(Φ(x_n),y_n)}

c22、LSSVR的回歸優(yōu)化：

LSSVR的回歸優(yōu)化問題可以表示為：

其中，ω為權(quán)向量，γ為正則化參數(shù)，e_k為誤差變量，為非線性映射，b是一個(gè)偏量。

c23、參數(shù)求解

對于優(yōu)化問題的Lagrange函數(shù)為：

其中，α_k為Lagrange乘子，對應(yīng)于α_k≠0的樣本點(diǎn)的支持向量。

根據(jù)KKT條件，可得：

上述方程可以表示為如下的矩陣方程組的形式：

式中，Y＝(y₁,y₂,…,y_l)^T,1＝(1,1,…，1)^T,α＝(α₁,α₂,…,α_l)^T，通過解方程得到α和b。

c24、計(jì)算預(yù)測結(jié)果

通過解方程得到α和b后，對于新輸入向量x，其輸出值y(x)可以由下式計(jì)算：

步驟c3具體為：將步驟c1中從序列中分解出來的規(guī)則部分x₁(n)用LSSVR進(jìn)行多步預(yù)測，預(yù)測方法同步驟c2。

步驟c4的具體過程包括：

在實(shí)時(shí)預(yù)測優(yōu)化中，需要盡量避免成倍增加計(jì)算復(fù)雜度，因此引入預(yù)測步數(shù)閾值d₀，d₀確定過程如下：

c41、分別計(jì)算步驟c2和步驟c3在d＝1,2,…d_n步下的預(yù)測結(jié)果的MSE值，d_n為最大預(yù)測步長。

MSE為均方誤差，其計(jì)算公式為：

式中，y_i為第d_i(i＝1,2，…n)步停車場實(shí)際泊位數(shù)，為步驟c2或步驟c3中通過LSSVR預(yù)測得到的第d_i(i＝1,2，…n)泊位數(shù)。MSE值越小計(jì)算誤差越小，計(jì)算精度越高。

c42、比較兩種方法得到的MSE值，確定預(yù)測步長閾值d₀

停車場歷史數(shù)據(jù)序列中極不規(guī)則的一部分，短時(shí)具有可預(yù)測性，長時(shí)不但不具有可預(yù)測性，還會(huì)增大預(yù)測誤差。若只對序列中的規(guī)則部分進(jìn)行預(yù)測，在預(yù)測步數(shù)較少的時(shí)候，由于忽略了不規(guī)則成分的作用，預(yù)測效果較直接對原始序列預(yù)測差；但隨著預(yù)測步數(shù)的增加，忽略不規(guī)則成分的影響則會(huì)提高預(yù)測的精度。

所以僅考慮規(guī)則部分的LSSVR預(yù)測，剛開始時(shí)MSE值大于用原始序列直接進(jìn)行LSSVR預(yù)測的MSE值，隨著預(yù)測步數(shù)的增加，用原始序列直接進(jìn)行LSSVR預(yù)測的MSE值會(huì)逐漸變大。用原始序列直接進(jìn)行LSSVR預(yù)測的MSE值開始大于用規(guī)則部分進(jìn)行LSSVR預(yù)測的MSE值的臨界步數(shù)的上一步即為所要求的預(yù)測步長閾值d₀。

步驟c5的具體計(jì)算過程包括：

c51、確定待預(yù)測步長

假設(shè)要預(yù)測Tmin后停車場的泊位數(shù)，序列時(shí)間間隔為5min，故待預(yù)測步數(shù)d計(jì)算公式為：

表示對d進(jìn)行上取整，即不小于d的整數(shù)中最小的一個(gè)。

c52、判斷預(yù)測步數(shù)d與預(yù)測步長閾值d₀的關(guān)系。若d<d₀,則采用c3步預(yù)測方法，若d≥d₀，,則采用c4步預(yù)測方法。

本發(fā)明的有益效果：直接用原始序列進(jìn)行LSSVR預(yù)測，在預(yù)測步數(shù)較少時(shí)，具有較高的預(yù)測精度，隨著預(yù)測步數(shù)的增加，序列中的不規(guī)則成分會(huì)增大預(yù)測誤差。本發(fā)明提出的基于序列分解的公共停車場泊位多步預(yù)測方法，在預(yù)測步數(shù)d大于預(yù)測步長閾值d₀時(shí)，采用序列中規(guī)則部分進(jìn)行LSSVR預(yù)測，這能有效提高長步預(yù)測時(shí)的預(yù)測精度，這是在預(yù)測中抓取與停車場本身行為特性相關(guān)成分的結(jié)果。

附圖說明

圖1基本流程圖；

圖2某停車場原始停車泊位變化圖(t＝5min)；

圖3某停車場原始停車泊位變化時(shí)序圖的規(guī)則部分；

圖4某停車場原始停車泊位變化時(shí)序圖的不規(guī)則部分。

圖5不同預(yù)測方法在不同預(yù)測步長下的預(yù)測偏差MSE。

具體實(shí)施方式

以下結(jié)合附圖1對本實(shí)施例作進(jìn)一步說明。

1、原始序列采集與處理

(1)本實(shí)施例原始數(shù)據(jù)為杭州市某公共停車場2016年6月27日-7月10日進(jìn)出口閘機(jī)刷卡記錄，該停車場共350個(gè)泊位，停車場入口控制系統(tǒng)記錄了停車場名稱、出入口名稱、車輛到達(dá)時(shí)間、車輛離開時(shí)間、車牌號、空余泊位數(shù)、停車數(shù)等字段。通過提取相關(guān)信息，處理得到不同時(shí)間間隔(實(shí)施例取5min)的停車場實(shí)際占用停車泊位序列，如附圖2所示。

(2)序列分解

將原始時(shí)間序列X(n)(n＝1,2,…N)進(jìn)行分解得到規(guī)則部分x₁(n)序和規(guī)則部分x₂(n)，如：2016年7月4日～7月11日的停車泊位數(shù)序列的分解結(jié)果分別如附圖3和附圖4所示。

2、用原始序列X(n)(n＝1,2,…N)進(jìn)行LSSVR多步預(yù)測

(1)訓(xùn)練集的選取和嵌入維度m的選取

選取第一周周一～周四的數(shù)據(jù)，即2016年6月27日～6月30日數(shù)據(jù)作為訓(xùn)練集，7月1日的數(shù)據(jù)作為測試集。選取停車場的最佳嵌入維度m＝2。

(2)進(jìn)行LSSVR預(yù)測，首先將原始空間數(shù)據(jù)通過映射Φ映射到高維特征空間，然后在高位特征空間中作近似線性回歸。

通過解方程得到α和b后，對于新輸入向量X(n)(n＝1,2,…N)，其輸出值可以由下式計(jì)算：

各符號含義如步驟c24所示。

(3)計(jì)算預(yù)測結(jié)果的MSE值

一般居民出行基本在2小時(shí)內(nèi)，因此預(yù)測兩小時(shí)停車場內(nèi)泊位數(shù)基本能解決實(shí)際問題，即最大預(yù)測步數(shù)d_n＝24，根據(jù)公式

式中，y_i為第d_i(i＝1,2，…n)步停車場實(shí)際泊位數(shù)，為上步得到的第d_i(i＝1,2，…n)步停車場泊位數(shù)，計(jì)算得到預(yù)測結(jié)果的MSE值如表一所示。

3、用序列X(n)(n＝1,2,…N)中規(guī)則部分x₁(n)進(jìn)行LSSVR預(yù)測

同樣選取周一～周四的數(shù)據(jù)數(shù)據(jù)作為訓(xùn)練集，周五的數(shù)據(jù)作為測試集，選取最佳嵌入維度m＝2，計(jì)算得到的預(yù)測結(jié)果MSE值如表1所示。

表1停車場在方法一和方法二預(yù)測下的MSE值

4、對比兩種方法得到的MSE值，確定值d₀。

從表一可以得知，從第10步開始用方法一進(jìn)行LSSVR預(yù)測的MSE值大于用方法二進(jìn)行LSSVR預(yù)測的MSE值，因此該停車場的預(yù)測步長閾值d₀＝9。

從表一中也可以看出，方法二的預(yù)測誤差比較穩(wěn)定，在第9步后MS值明顯小于方法一的MSE值，在第24步時(shí)，方法二預(yù)測結(jié)果的精度比用方法一的預(yù)測結(jié)果提高近1倍，均方誤差MSE由121.9降至53.0，可知本實(shí)施例提出的基于序列分解的公共停車場泊位多步預(yù)測技術(shù)確實(shí)能有效提高停車場泊位多步預(yù)測精度。

5、根據(jù)用戶實(shí)際需求，判斷預(yù)測步數(shù)d與預(yù)測步長閾值d₀的關(guān)系，選定預(yù)測方法

若d<d₀,則采用方法一；若d≥d₀,則采用方法二。具體操作如下:

(1)確定預(yù)測步數(shù)d。

假設(shè)某用戶想知道1h后停車場的泊位數(shù)，可以算出需要預(yù)測的步數(shù)為:

(2)預(yù)測方法的選擇

因?yàn)閐≥d₀,所以采用方法二，即用規(guī)則部分進(jìn)行LSSVR預(yù)測精度更高。

同理假設(shè)某用戶想知道半小時(shí)后停車場的泊位數(shù)，可以算出需要預(yù)測的步數(shù)為:因?yàn)閐<d₀,所以采用方法一，即用原始序列進(jìn)行LSSVR預(yù)測精度更高。

為了驗(yàn)證本發(fā)明的效果，選用第二周周一～周五的數(shù)據(jù)，即2016年7月4日～2016年7月10日數(shù)據(jù)進(jìn)行驗(yàn)證。此處對比直接對原始序列LSSVM預(yù)測(記作方法A)、本發(fā)明提出的帶有閾值的LSSVM預(yù)測(記作方法B)和傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(記作方法C)在不同預(yù)測步數(shù)下對7月8日全天數(shù)據(jù)的預(yù)測結(jié)果。預(yù)測得到的預(yù)測結(jié)果MSE值如表2所示，繪制如附圖5所示的曲線。

表2停車場在不同預(yù)測方法的MSE值

由圖表分析可以看出，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)有訓(xùn)練結(jié)果不穩(wěn)定的缺點(diǎn)，而LSSVM由于解析式固定，每次訓(xùn)練結(jié)果穩(wěn)定；另外，在進(jìn)行序列分解和引入預(yù)測步長閾值后，本發(fā)明提出的方法在長時(shí)預(yù)測中有明顯優(yōu)勢，預(yù)測偏差MSE大大減小，預(yù)測精度明顯提升，證明本發(fā)明方法的有效性。