基于小波神经网络及布谷鸟算法的停车位预测方法研究

发布时间：2020-04-08 02:53

【摘要】：随着我国经济的快速发展,人们生活越来越富裕,私家车越来越多,从而导致城市交通问题越来越严重。合理地为司机提供停车泊位信息,能有效地减少司机寻找空闲停车位的时间,减少交通压力、环境污染,同时提高停车泊位利用率。因此,准确地对实时空余停车位进行预测成为解决以上问题的重要研究方向。提供预测信息可以避免出现司机出发时有车位而到达时车位被占满等情况的出现,可以减轻部分区域拥堵而其他区域空闲的情况。目前对于停车泊位预测问题普遍采用神经网络及其衍生算法。首先采用相空间重构等方式对原始数据进行重构,从而得到体现数据内部关系的训练数据,该步骤称为数据预处理。在神经网络选择方面普遍采用浅层网络,如BP神经网络、小波神经网络、Elman网络等,同时结合其他优化算法构建预测模型,如粒子群算法(PSO)、遗传算法(GA)、布谷鸟算法(CS)等。本文对这些方法进行分析总结,在吸取其优点的基础上进行改进,以求得到快速准确的预测模型。针对停车泊位管理系统中空余停车泊位预测问题,本文提出了基于布谷鸟算法优化小波神经网络的预测方法。首先将收集的空余停车泊位数据进行预处理,然后利用布谷鸟算法对小波神经网络的初始权值进行优化,再将优化后的初始权值和数据输入到小波神经网络中进行训练,最终将训练后的模型用于预测。本文算法与小波神经网络算法、粒子群小波神经网络算法相比,在预测时间和预测精度上都有提高,且预测稳定性较好。为了进一步优化上述预测模型,本文继续提出改进的布谷鸟算法用于优化小波神经网络。改进的布谷鸟算法将传统布谷鸟算法更新评价策略改为分组更新评价策略。布谷鸟分组更新评价策略是在逐维更新策略基础上提出的,对于鸟巢维数大且适应度函数运行时间较长的目标,既保留了逐维更新评价策略快速收敛的优点,同时增加了鸟巢各维间的相互关系,降低时间复杂度,改善了整体运行时间。实验结果表明,改进的布谷鸟算法预测模型在算法整体运行时间和模型预测精度方面都优于原始布谷鸟算法和逐维更新的布谷鸟算法预测模型。
【图文】：

停车泊位,空间,数据,期望输出值

图(b) 右侧采集点图像Fig.(b) Image of right location图 3.1 数据采集图像Fig.3.1 Data collection image间段为 05:00~17:00，采集 10 天，每隔 5 分钟采集一次，统余停车泊位数，共 1450 组数据。选用前 9 天数据，共 1305据。选用第 10 天数据作为预测数据。通过自相关函数和 G迟为 16，嵌入维数m 为 4。对数据进行相空间重构，重构2 所示，第 2、3、4、5 列数据间隔时间延迟，作为后续第 1 列数据为神经网络期望输出值。

布谷鸟,伪代码,算法,小波神经网络

图 3.4 布谷鸟算法伪代码Fig.3.4 Pseudocode of cuckoo search algorithm3.1.4 基于相空间重构的布谷鸟小波神经网络算法流程本文中布谷鸟算法优化小波神经网络的连接权值ijw 、jkw 、伸缩因子ja 、平移因子jb ，即布谷鸟算法鸟巢为上述参数组成的向量。因此设神经网络输入层节点数为m，，输出层节点数为 p，隐含层节点数为h，则鸟巢向量维数为：D m h h h h p.......................................... (3.7)布谷鸟算法的适应度值为小波神经网络所有训练样本的均方误差：211( ) ( ( ) ( ))Nkf MSE N yn k y kN ................................(3.8)
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;U491.71

【参考文献】