基于LSTM神经网络的可用停车位预测模型研究
发布时间：2021-02-20 08:13
随着我国经济高速发展,城市汽车数量急速增长,停车需求也日益剧增,停车难问题已经成为一个十分严峻的交通问题。停车场可用停车位的预测对于驾驶员合理地选择停车场地、行车路线等具有十分重要的意义。本文工作如下:（1）分析了武汉市某医院地下停车场停车数据后,提出了基于长短期记忆（Long Short-Term Memory,LSTM）神经网络的可用停车位单步和多步预测模型,并与多个经典模型的预测结果进行对比,验证了LSTM神经网络模型在预测精度和稳定性上的绝对优势。在完成模型重要参数的讨论后,采用网格搜索法给出了可用停车位预测中LSTM神经网络模型的最优参数设置。此外,文中还着重地探讨了迭代多步预测法和直接多步预测法的预测性能。通过分析两者各自的优缺点,揭示了以往可用停车位多步预测模型中存在精度瓶颈的根源,其结果为后面解决多步预测难题提供了重要的理论支持。（2）由于可用停车位时序数据中存在混沌性,因此将混沌时间序列预测中常用的最大李亚普诺夫指数（Lyapunov exponents,LE）法引入到可用停车位的预测中。通过使用相同数据集进行对比实验,比较了最大李亚普诺夫指数法与LSTM神经网络模型...
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
论文组织结构图
7 operno varchar(18) 操作员工号8 cartype tinyint(4)车型 1-小型车 2-中型车 3-大型车 4-其它9 car_id varchar(200) 车牌号10 carnocolor varchar(10) 车牌颜色11 time bigint(20) 车辆进（出）时间12 iotype tinyint(2)车辆进（出）停车场1-进场 2-出场13 seatnum int(11) 可用停车位个数14 device_code varchar(32) 设备序列号15 uploadtime bigint(20)同步上传（变更）时间部分停车数据示例如图 2-1 所示。
停车位个数、同步上传（变更）时间；（3）对时间格式错误的记录进行过滤；（4）按照车辆进（出）时间这个字段，对数据表进行分天存储。数据预处理因为本文后面实验所需数据是各个观测尺度的可用停车位个数，因此这里先对数据做些预处理，主要是匹配每个观测尺度和某个停车场停车记录中进（出）时间字段，选出时间点最接近的一条记录，该记录中可用停车位个段即为该时刻下停车场的可用停车位数。.2 可用停车位基本特征的观测本节主要从宏观和微观两个角度对可用停车位数据进行观测。2.1 宏观观测
【参考文献】：
期刊论文
[1]基于故障传播的模块化BP神经网络电路故障诊断[J]. 何春,李琦,吴让好,刘邦欣. 计算机应用. 2018(02)
[2]基于LSTM模型的单导联脑电癫痫发作预测[J]. 单绍杰,李汉军,王璐璐,唐晓英. 计算机应用研究. 2018(11)
[3]基于人工神经网络的侵彻毁伤模式识别[J]. 王烁,石全. 兵器装备工程学报. 2017(10)
[4]BP神经网络误差修正的电力物资时间序列预测[J]. 赵一鹏,丁云峰,姚恺丰. 计算机系统应用. 2017(10)
[5]一种基于LSTM神经网络的短期用电负荷预测方法[J]. 张宇航,邱才明,贺兴,凌泽南,石鑫. 电力信息与通信技术. 2017(09)
[6]基于神经网络预测模型和凝结水节流的超超临界机组协调系统智能优化控制[J]. 马良玉,成蕾,彭钢,尹喆. 动力工程学报. 2017(08)
[7]基于DBN-SVR模型的短时有效停车泊位预测[J]. 郑喆,韩印. 物流工程与管理. 2017(06)
[8]基于深度循环神经网络的时间序列预测模型[J]. 杨祎玥,伏潜,万定生. 计算机技术与发展. 2017(03)
[9]基于BP神经网络的停车诱导泊位预测[J]. 高广银,丁勇,姜枫,李丛. 计算机系统应用. 2017(01)
[10]基于粒子群优化的小波神经网络的停车位数量短时预测[J]. 张军,王书华,杨正瓴. 计算机应用与软件. 2015(11)
博士论文
[1]基于回声状态网络的交通流预测模型及其相关研究[D]. 杨飞.北京邮电大学 2012
硕士论文
[1]基于人工神经网络的短期电力负荷预测研究[D]. 程宇也.浙江大学 2017
[2]基于ARIMA-LSTM的架空线状态数据挖掘[D]. 钟令枢.华南理工大学 2016
[3]智能停车场车位检测与泊位诱导系统研究与设计[D]. 李坤.中国科学院大学(工程管理与信息技术学院) 2013
[4]基于BP神经网络的空余泊位的短时预测和自动寻车系统的研究[D]. 曹智慧.华南理工大学 2012
[5]智能停车场管理系统中车位信息预测子系统的设计与实现[D]. 郭树明.吉林大学 2012
[6]基于物联网技术的城市停车诱导系统研究[D]. 颉靖.北京邮电大学 2011
[7]基于泊位诱导及短时预测的智能停车管理系统研究[D]. 许增昭.华南理工大学 2010
[8]神经网络的研究及应用[D]. 吴昌友.东北农业大学 2007
本文编号：3042492
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
论文组织结构图
7 operno varchar(18) 操作员工号8 cartype tinyint(4)车型 1-小型车 2-中型车 3-大型车 4-其它9 car_id varchar(200) 车牌号10 carnocolor varchar(10) 车牌颜色11 time bigint(20) 车辆进（出）时间12 iotype tinyint(2)车辆进（出）停车场1-进场 2-出场13 seatnum int(11) 可用停车位个数14 device_code varchar(32) 设备序列号15 uploadtime bigint(20)同步上传（变更）时间部分停车数据示例如图 2-1 所示。
停车位个数、同步上传（变更）时间；（3）对时间格式错误的记录进行过滤；（4）按照车辆进（出）时间这个字段，对数据表进行分天存储。数据预处理因为本文后面实验所需数据是各个观测尺度的可用停车位个数，因此这里先对数据做些预处理，主要是匹配每个观测尺度和某个停车场停车记录中进（出）时间字段，选出时间点最接近的一条记录，该记录中可用停车位个段即为该时刻下停车场的可用停车位数。.2 可用停车位基本特征的观测本节主要从宏观和微观两个角度对可用停车位数据进行观测。2.1 宏观观测
【参考文献】：
期刊论文
[1]基于故障传播的模块化BP神经网络电路故障诊断[J]. 何春,李琦,吴让好,刘邦欣. 计算机应用. 2018(02)
[2]基于LSTM模型的单导联脑电癫痫发作预测[J]. 单绍杰,李汉军,王璐璐,唐晓英. 计算机应用研究. 2018(11)
[3]基于人工神经网络的侵彻毁伤模式识别[J]. 王烁,石全. 兵器装备工程学报. 2017(10)
[4]BP神经网络误差修正的电力物资时间序列预测[J]. 赵一鹏,丁云峰,姚恺丰. 计算机系统应用. 2017(10)
[5]一种基于LSTM神经网络的短期用电负荷预测方法[J]. 张宇航,邱才明,贺兴,凌泽南,石鑫. 电力信息与通信技术. 2017(09)
[6]基于神经网络预测模型和凝结水节流的超超临界机组协调系统智能优化控制[J]. 马良玉,成蕾,彭钢,尹喆. 动力工程学报. 2017(08)
[7]基于DBN-SVR模型的短时有效停车泊位预测[J]. 郑喆,韩印. 物流工程与管理. 2017(06)
[8]基于深度循环神经网络的时间序列预测模型[J]. 杨祎玥,伏潜,万定生. 计算机技术与发展. 2017(03)
[9]基于BP神经网络的停车诱导泊位预测[J]. 高广银,丁勇,姜枫,李丛. 计算机系统应用. 2017(01)
[10]基于粒子群优化的小波神经网络的停车位数量短时预测[J]. 张军,王书华,杨正瓴. 计算机应用与软件. 2015(11)
博士论文
[1]基于回声状态网络的交通流预测模型及其相关研究[D]. 杨飞.北京邮电大学 2012
硕士论文
[1]基于人工神经网络的短期电力负荷预测研究[D]. 程宇也.浙江大学 2017
[2]基于ARIMA-LSTM的架空线状态数据挖掘[D]. 钟令枢.华南理工大学 2016
[3]智能停车场车位检测与泊位诱导系统研究与设计[D]. 李坤.中国科学院大学(工程管理与信息技术学院) 2013
[4]基于BP神经网络的空余泊位的短时预测和自动寻车系统的研究[D]. 曹智慧.华南理工大学 2012
[5]智能停车场管理系统中车位信息预测子系统的设计与实现[D]. 郭树明.吉林大学 2012
[6]基于物联网技术的城市停车诱导系统研究[D]. 颉靖.北京邮电大学 2011
[7]基于泊位诱导及短时预测的智能停车管理系统研究[D]. 许增昭.华南理工大学 2010
[8]神经网络的研究及应用[D]. 吴昌友.东北农业大学 2007
本文编号：3042492
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3042492.html
