一种停车场有效泊位占有率多步预测方法

摘要

本发明公开了一种停车场有效泊位占有率多步预测方法，包括如下步骤：1）确定停车场有效泊位占有率的时间序列；2）基于有效泊位占有率时间序列设置多步预测步长N；3）进行前n步的有效停车泊位占有率预测；4）得到新的时间序列，然后对新的时间序列相空间重构，得到d维相空间；5）对步骤4）中得到的d维相空间进行后N-n步预测；6）将步骤5）中得到的后N-n步预测值与步骤3）中得到的前n步预测值合并，得到最终N步预测结果。本发明根据停车场有效泊位占有率多步预测前期和后期的不同特性，提出小波神经网络－最大李雅谱诺夫指数方法组合预测模型，使得预测覆盖的时间范围增大，精度和稳定性得到提高。

主权项

1.一种停车场有效泊位占有率多步预测方法，其特征在于，该方法包括如下步骤：1）统计出不同时间段内进入停车场的车辆数A_i和离开停车场的车辆数L_i，其中i=1,2,···,M，M为时间段个数，则各个时间段末的有效泊位数X_i为X_i＝X_i－1- A_i+ L_i，各个时间段的有效泊位占有率x_0i为x_0i= X_i /R，其中R为停车场总泊位数，从而得到停车场的有效泊位占有率时间序列x₀＝{x₀₁, x₀₂, ···, x_0M}；2）基于所述步骤1）中得到的有效泊位占有率时间序列x₀设置多步预测步长N：若统计时间段间隔为t，需要预测有效泊位占有率时间序列x₀中第M个时间段后T时间内的有效停车泊位占有率，则多步预测步长N为T/t向上取整，同时将所述多步预测步长N分为前n步和后N-n步，其中N/4≤n≤N/3，且n为整数；3）基于所述步骤1）中得到的有效泊位占有率时间序列x₀训练小波神经网络模型，得到训练完成的小波神经网络模型，然后用所述训练完成的小波神经网络模型进行前n步的有效停车泊位占有率预测，得到前n步预测值y₁={y₁(t)|t=1,2, ···,n}；4）将所述步骤3）中得到的前n步预测值y₁和所述步骤1）中得到的有效泊位占有率时间序列x₀合并，即按时间顺序将y₁添加在x₀之后，得到新的时间序列x₁={x₁(t)|t=1,2, ···, M+n} ，然后用互信息法计算所述新的时间序列的延滞时间τ，同时用虚假邻域法计算新的时间序列的嵌入维数d，之后用所述延滞时间和嵌入维数d对所述新的时间序列x₁进行相空间重构，得到d维相空间；5）使用最大李雅谱诺夫指数方法，对所述步骤4）中得到的d维相空间进行后N-n步的有效停车泊位占有率预测，得到后N-n步预测值y₂={y₂(t)|t=n+1,n+2, ···,N}；6）将所述步骤5）中得到的后N-n步预测值y₂与所述步骤3）中得到的前n步预测值y₁合并，最终得到有效泊位占有率时间序列x₀的步长为N的多步预测结果为：{Y(t)|t= M+1,M+2, ···,M+N}。