动态管理模式下路侧停车泊位占有率预测方法

发布时间：2021-03-31 19:07

　　城市停车已逐步实现信息化和动态化管理,本文对动态管理模式下大范围路侧泊位占有率预测方法进行研究.在收集美国旧金山492万条停车交易数据的基础上,利用可同时提取数据空间关联和时序趋势特征的卷积长短时记忆神经网络（Convolutional LSTM Network,ConvLSTM）,分别构建考虑停车费率和时限动态变化的有政策模型,和没有动态管理信息输入的无政策模型.结果显示,有政策模型的训练效率和预测精度会显著提升.在政策平稳阶段,两种模型均能够有效预测泊位占有率;在政策发生变化时段,无政策模型的预测误差出现激增,但有政策模型的预测误差依然保持平稳,表明本文提出的方法能够很好地应对动态管理模式下停车需求的变化. 

【文章来源】：交通运输系统工程与信息. 2020,20(05)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

车位数量分布图

基于所划分区域网格数量，网络结构如图2所示.数据输入后：首先经过三层连续Conv LSTM层，逐步提取数据中的时间特征和空间特征，每层Conv LSTM卷积核大小均为3×3，所包含的Conv LSTM卷积核数量分别为16、32和64个；随后，连接两层全连接层，控制后一个全连接层的单元数与网格总数相等；最后，连接Reshape层，输出与输入数据相同尺寸的矩阵作为预测结果.以上所有隐含层的激活函数均为Re LU函数，结构中每个Conv LSTM层都进行批归一化处理，使每一层结果在经过激活函数前归一化，有效提高网络的训练速度，防止模型过拟合.2.2 无政策模型与有政策模型

网络训练结果

【参考文献】：
期刊论文
[1]基于随机非平稳和长短时记忆网络的泊位混合预测[J]. 向荣,房祥彦.  计算机系统应用. 2019(08)
[2]基于小波-ELM神经网络的短期停车泊位预测[J]. 陈海鹏,图晓航,王玉,郑金宇.  吉林大学学报(理学版). 2017(02)
[3]基于小波变换和粒子群小波神经网络组合模型的有效停车泊位短时预测[J]. 季彦婕,陈晓实,王炜,胡波.  吉林大学学报(工学版). 2016(02)
[4]停车收费合理定价——基于需求的旧金山停车定价模式评价[J]. Gregory Pierce,Donald Shoup,石飞,王宇,袁泉.  城市交通. 2014(06)



本文编号：3111930