基于BP神經(jīng)網(wǎng)絡(luò)的停車誘導(dǎo)泊位預(yù)測(cè)①

高廣銀, 丁 勇, 姜 楓, 李 叢

?

基于BP神經(jīng)網(wǎng)絡(luò)的停車誘導(dǎo)泊位預(yù)測(cè)①

高廣銀, 丁 勇, 姜 楓, 李 叢

(南京理工大學(xué)泰州科技學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系, 泰州 225300)

研究了從歷史停車數(shù)據(jù)中挖掘知識(shí)并預(yù)測(cè)短時(shí)段內(nèi)停車泊位數(shù)問(wèn)題. 分析了停車誘導(dǎo)系統(tǒng)中影響停車泊位數(shù)的因素, 結(jié)合時(shí)間序列確定網(wǎng)絡(luò)的輸入變量, 建立BP神經(jīng)網(wǎng)絡(luò), 在不同訓(xùn)練階段采用自適應(yīng)調(diào)整學(xué)習(xí)速率, 以及增加動(dòng)量項(xiàng)改善網(wǎng)絡(luò)的收斂性, 運(yùn)用Matlab對(duì)采集的市區(qū)大型地下停車場(chǎng)真實(shí)數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)與分析, 取得良好預(yù)測(cè)效果. 結(jié)果表明該方法與傳統(tǒng)時(shí)間序列預(yù)測(cè)方法相比, 在預(yù)測(cè)的精度方面有較大程度提高.

BP神經(jīng)網(wǎng)絡(luò); 停車誘導(dǎo); 泊位; Matlab

隨著我國(guó)經(jīng)濟(jì)的發(fā)展, 人民生活水平普遍提高, 城市居民機(jī)動(dòng)車保有數(shù)量急劇增長(zhǎng), 停車問(wèn)題已逐漸成為城市交通的難題, 特別在城市中心區(qū)域尤為突出. 為了緩解機(jī)動(dòng)車停車泊位供需矛盾, 智慧交通系統(tǒng)引入了停車誘導(dǎo)[1], 它以提高停車場(chǎng)以及相鄰道路的利用率為目的, 多途徑地向駕駛員提供停車場(chǎng)位置、車位數(shù)量、車位使用狀況及道路交通狀況等信息, 從而引導(dǎo)駕駛員快速、有效地找到停車場(chǎng). 停車誘導(dǎo)的核心是通過(guò)事先部署的分級(jí)誘導(dǎo)屏實(shí)時(shí)地顯示數(shù)據(jù)中心發(fā)送的停車場(chǎng)空余泊位數(shù), 但由于停車信息是時(shí)刻動(dòng)態(tài)變化的, 當(dāng)駕駛員看到誘導(dǎo)信息時(shí)的空余泊位數(shù)與車輛到達(dá)相應(yīng)停車場(chǎng)后的實(shí)際空余泊位數(shù), 往往有較大出入, 造成不必要的麻煩, 可見除了實(shí)時(shí)地顯示當(dāng)前停車泊位信息, 對(duì)未來(lái)短時(shí)間內(nèi)停車泊位的準(zhǔn)確預(yù)測(cè)是停車誘導(dǎo)的重要基礎(chǔ). 因此, 本文針對(duì)停車誘導(dǎo)泊位預(yù)測(cè)進(jìn)行研究.

1　相關(guān)工作

在停車誘導(dǎo)方面國(guó)外走在了前列, 停車泊位的預(yù)測(cè)已經(jīng)成為智能交通系統(tǒng)的重要組成部分, 支撐停車誘導(dǎo)系統(tǒng), 歐洲、美國(guó)及日本等國(guó)家已經(jīng)進(jìn)行了大量的研究工作, 并在實(shí)際中取得了應(yīng)用. 最先采用的是線性時(shí)間序列預(yù)測(cè)方法[2,3], 該方法假定系統(tǒng)中各變量之間是線性關(guān)系, 能快速預(yù)測(cè)下一時(shí)刻泊位數(shù), 然而線性模型存在一定的局限性, 它忽略了實(shí)際應(yīng)用中的非線性因素, 從而很難準(zhǔn)確地分析和預(yù)測(cè); 進(jìn)一步發(fā)展的是非線性時(shí)間序列預(yù)測(cè)模型[4,5], 針對(duì)尋找停車位時(shí)花費(fèi)的時(shí)間較多、停車效率降低的問(wèn)題, 對(duì)中心區(qū)尋找車位行為進(jìn)行建模分析與理論分析, 并提出了閾值自回歸模型[6]等方法. 然而該方法由于理論的復(fù)雜性及模型分析需要過(guò)多的人工干預(yù), 非常依賴于分析人員的經(jīng)驗(yàn), 故在實(shí)際應(yīng)用中存在一定的局限性. 國(guó)內(nèi)學(xué)者針對(duì)停車泊位預(yù)測(cè)研究也取得了一定的成果, 如將車位占有率的變化轉(zhuǎn)換為時(shí)間序列問(wèn)題的車位占有率預(yù)測(cè)模型; 陳群[7]、何洪波[8]基于動(dòng)力學(xué)系統(tǒng)原理, 通過(guò)嵌入維數(shù)和延遲時(shí)間對(duì)停車泊位的歷史數(shù)據(jù)實(shí)施相空間重構(gòu), 建立神經(jīng)網(wǎng)絡(luò)模型進(jìn)行停車泊位預(yù)測(cè), 取得了良好的預(yù)測(cè)效果. 神經(jīng)網(wǎng)絡(luò)模型可以較好地描述復(fù)雜非線性問(wèn)題, 并且能夠從數(shù)據(jù)樣本中自動(dòng)學(xué)習(xí)以前的經(jīng)驗(yàn)而無(wú)需反復(fù)查詢和表現(xiàn)過(guò)程, 并逼近那些描述樣本數(shù)據(jù)規(guī)律的最佳函數(shù), 且所考慮的系統(tǒng)表現(xiàn)函數(shù)越復(fù)雜, 神經(jīng)網(wǎng)絡(luò)的作用就越明顯. 因此, 神經(jīng)網(wǎng)絡(luò)已經(jīng)成為目前非線性預(yù)測(cè)中的常用方法[9,10].

2　用于停車泊位預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)

基于神經(jīng)網(wǎng)絡(luò)進(jìn)行停車泊位數(shù)預(yù)測(cè), 關(guān)鍵之一是要確定網(wǎng)絡(luò)的輸入變量, 即要對(duì)停車泊位數(shù)的各項(xiàng)影響因素進(jìn)行分析和表示; 其次是設(shè)計(jì)網(wǎng)絡(luò), 包括確定網(wǎng)絡(luò)層數(shù)、選擇傳遞函數(shù)、設(shè)置學(xué)習(xí)速率; 最后根據(jù)樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練, 并用于預(yù)測(cè), 對(duì)結(jié)果進(jìn)行誤差分析, 得出結(jié)論.

2.1 停車泊位數(shù)影響因素分析

將停車泊位預(yù)測(cè)問(wèn)題轉(zhuǎn)化為時(shí)間序列預(yù)測(cè)問(wèn)題之所以實(shí)際預(yù)測(cè)效果還不夠理想, 是因?yàn)閮H注意到時(shí)間這一個(gè)維度對(duì)停車泊位數(shù)的影響, 而忽略了影響區(qū)域停車泊位數(shù)的其他因素, 如城市經(jīng)濟(jì)發(fā)展水平、停車場(chǎng)所在位置及周邊交通狀況、天氣情況和是否節(jié)假日等. 本文對(duì)停車場(chǎng)所在位置、天氣以及是否節(jié)假日等影響因素進(jìn)行分析, 并對(duì)這些因素進(jìn)行表示, 其中停車場(chǎng)在非商業(yè)中心區(qū), 用“1”表示, 在商業(yè)中心區(qū), 用“0.75”表示, 并考慮實(shí)時(shí)交通狀況, 交通條件較差時(shí), 用“0.5”表示; 天氣良好時(shí), 用“0”表示, 天氣較差時(shí)用“0.5”表示, 天氣惡劣時(shí)用“0.25”表示; 節(jié)假日時(shí), 用“1”表示, 非節(jié)假日時(shí), 用“0.5”表示. 將其視為神經(jīng)網(wǎng)絡(luò)的一類輸入變量, 作為對(duì)停車場(chǎng)停車數(shù)量的影響因素加以分析.

2.2 設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)

① 網(wǎng)絡(luò)層數(shù)的確定

BP神經(jīng)網(wǎng)絡(luò)可以包含很多個(gè)隱含層, 但包含單個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò), 通過(guò)增加隱含層的神經(jīng)元個(gè)數(shù), 同樣可以實(shí)現(xiàn)對(duì)任意非線性的映射, 故本文采用單隱層的BP神經(jīng)網(wǎng)絡(luò), 即包含三層: 輸入層、單隱層和輸出層. 停車泊位預(yù)測(cè)屬于時(shí)間序列問(wèn)題, 通常采用t-50、t-40、t-30、t-20、t-10、t時(shí)刻來(lái)預(yù)測(cè)t+10時(shí)刻的泊位數(shù), 考慮到上文分析的影響因素, 故輸入層的神經(jīng)元有9個(gè), 分別對(duì)應(yīng)6個(gè)時(shí)刻的泊位數(shù)及3個(gè)影響因素. 根據(jù)Kolmogorov定理可知, 隱藏層的神經(jīng)元可以取19個(gè). 由于預(yù)測(cè)t+10時(shí)刻的泊位數(shù), 故輸出層的神經(jīng)元設(shè)為1個(gè).

② 傳遞函數(shù)的選擇

本文隱藏層選擇傳遞函數(shù)為L(zhǎng)og-Sigmoid函數(shù):

輸出層選擇傳遞函數(shù)為Purelin函數(shù):

() =(2)

③ 自適應(yīng)學(xué)習(xí)速率調(diào)整

在時(shí)間序列預(yù)測(cè)模型基礎(chǔ)上增加3個(gè)影響因素給神經(jīng)網(wǎng)絡(luò)帶來(lái)了復(fù)雜性, 為了有效地減少訓(xùn)練時(shí)間, 本文采用自適應(yīng)的學(xué)習(xí)速率, 使網(wǎng)絡(luò)的訓(xùn)練在不同的階段自動(dòng)設(shè)置不同學(xué)習(xí)速率的大小.

④ 權(quán)值更新的改進(jìn)

在權(quán)值調(diào)整量Δw()中加入動(dòng)量項(xiàng)以解決學(xué)習(xí)速率的選擇與確定. 即將前一次權(quán)值調(diào)整量Δw(-1)的一部分迭加到按本次誤差計(jì)算所得的權(quán)值調(diào)整量ηδx上, 作為本次的實(shí)際權(quán)值調(diào)整量Δw().

項(xiàng)為動(dòng)量項(xiàng), 其取值為(0,1)之間的常數(shù), 根據(jù)經(jīng)驗(yàn)可取0.1. 加入動(dòng)量項(xiàng)后, 可以降低神經(jīng)網(wǎng)絡(luò)對(duì)誤差曲面局部細(xì)節(jié)的敏感性, 有效地抑制神經(jīng)網(wǎng)絡(luò)陷入局部極小值, 減小訓(xùn)練過(guò)程的震蕩趨勢(shì), 從而改善網(wǎng)絡(luò)的收斂性.

2.3 訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)

① 實(shí)驗(yàn)數(shù)據(jù)

本文實(shí)驗(yàn)數(shù)據(jù)取自泰州市某商業(yè)中心地下停車場(chǎng)管理系統(tǒng)實(shí)際接口數(shù)據(jù), 時(shí)間段為十月份, 每隔5分鐘取一條實(shí)時(shí)數(shù)據(jù), 共有8928條停車泊位記錄. 取t時(shí)刻、t-10分鐘時(shí)刻、t-20分鐘時(shí)刻、t-30分鐘時(shí)刻、t-40分鐘時(shí)刻、t-50分鐘時(shí)刻泊位數(shù)并作歸一化處理以及3個(gè)影響因素的值, 作為網(wǎng)絡(luò)的輸入變量, 以2015-10-12~10-18每天16:30~17:30為例, 如表1所示. 根據(jù)以上組成樣本的方法, 去掉夜間部分?jǐn)?shù)據(jù), 一共組成1872個(gè)樣本. 選擇其中1300個(gè)樣本作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本, 572個(gè)樣本作為測(cè)試樣本. 對(duì)原始數(shù)據(jù)歸一化處理及對(duì)預(yù)測(cè)數(shù)據(jù)還原處理的公式為:

(6)

式中:為原始數(shù)據(jù),為歸一化后數(shù)據(jù),max為原始數(shù)據(jù)最大值,min為原始數(shù)據(jù)最小值.

表1 停車泊位數(shù)原始數(shù)據(jù)/歸一化以及停車場(chǎng)位置、天氣、假日

② 創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)并訓(xùn)練

實(shí)驗(yàn)環(huán)境基于Matlab, 利用以下代碼創(chuàng)建和訓(xùn)練BP神經(jīng)網(wǎng)絡(luò):

input = importdata(‘train_in.txt’);

output = importdata(‘train_out.txt’);

Threshold = [0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1;];

net = newff(threshold, [19 1], {‘logsig’ ‘purelin’}, ‘traingdx’);

net.trainparam.show = 50

net.trainparam.epochs = 500

net.trainparam.goal = 0.01

net.trainparam.lr = 0. 1

net = train(net, input, output)

BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練100次數(shù)左右達(dá)到收斂, 訓(xùn)練曲線如圖1所示.

3　實(shí)驗(yàn)結(jié)果

3.1 停車泊位數(shù)實(shí)際值與預(yù)測(cè)值的比較

訓(xùn)練好的網(wǎng)絡(luò)通過(guò)測(cè)試樣本進(jìn)行仿真, 檢驗(yàn)網(wǎng)絡(luò)的泛化能力. 預(yù)測(cè)結(jié)果及誤差如圖2、圖3所示, 所展示的是15:30~19: 30時(shí)間段每隔10分鐘預(yù)測(cè)一次的結(jié)果.

圖2 預(yù)測(cè)值與實(shí)際泊位數(shù)比較圖

3.2 本方法與傳統(tǒng)時(shí)間序列預(yù)測(cè)方法比較

傳統(tǒng)時(shí)間序列預(yù)測(cè)法不考慮影響停車泊位變化的各種因素, 利用實(shí)際泊位數(shù)歷史數(shù)據(jù)構(gòu)造模型, 進(jìn)而推測(cè)未來(lái)泊位數(shù)變化趨勢(shì), 通常認(rèn)為平均誤差在5%左右為預(yù)測(cè)效果良好. 本文在綜合考慮了影響停車泊位的其他因素后, 確定將停車場(chǎng)位置、天氣及節(jié)假日等并入網(wǎng)絡(luò)作為輸入變量, 增強(qiáng)了網(wǎng)絡(luò)的泛化能力, 如表2所示, 在保證良好預(yù)測(cè)結(jié)果的同時(shí), 提高了預(yù)測(cè)的精度, 預(yù)測(cè)平均絕對(duì)誤差為6.76個(gè), 93.1%的預(yù)測(cè)結(jié)果其相對(duì)誤差小于5%.

圖3 預(yù)測(cè)值與實(shí)際泊位數(shù)誤差圖

表2 與傳統(tǒng)時(shí)間序列預(yù)測(cè)法比較(%)

注: MAE:平均絕對(duì)誤差; MRE:平均相對(duì)誤差; MaRE:最大相對(duì)誤差; Pro10:相對(duì)誤差小于等于10%所達(dá)比例; Pro5:相對(duì)誤差小于等于5% 所達(dá)比.

3.3 誤差分析

本文方法相比較傳統(tǒng)方法預(yù)測(cè)的平均相對(duì)誤差無(wú)明顯改進(jìn), 是因?yàn)樵谛〔糠謺r(shí)刻的預(yù)測(cè)偏差較大, 產(chǎn)生該偏差的原因是天氣作為網(wǎng)絡(luò)的輸入變量, 其值不夠精確, 甚至在某些時(shí)刻由于天氣突變, 導(dǎo)致輸入變量值誤差較大, 例如在實(shí)驗(yàn)當(dāng)天16:40左右下起大雨, 造成預(yù)測(cè)值明顯低于了實(shí)際值. 另一個(gè)導(dǎo)致預(yù)測(cè)偏差的因素是實(shí)際交通狀況, 特別是在上下班高峰期, 停車場(chǎng)附近車流量積壓較大, 出場(chǎng)車輛未能及時(shí)離開停車場(chǎng), 往往會(huì)造成預(yù)測(cè)值偏高于實(shí)際值.

4　結(jié)論

本文基于BP神經(jīng)網(wǎng)絡(luò)對(duì)停車誘導(dǎo)泊位預(yù)測(cè)進(jìn)行了研究, 分析了影響停車泊位數(shù)的主要因素, 建立了用于停車泊位預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò). 通過(guò)采集的停車場(chǎng)真實(shí)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與預(yù)測(cè), 仿真實(shí)驗(yàn)結(jié)果表明本文方法在保持良好預(yù)測(cè)結(jié)果的同時(shí), 比傳統(tǒng)時(shí)間序列預(yù)測(cè)法在預(yù)測(cè)精度上有較大提高, 但由于天氣等輸入變量的值不夠精確, 導(dǎo)致網(wǎng)絡(luò)在某些時(shí)刻預(yù)測(cè)偏差較大. 進(jìn)一步的研究將完善網(wǎng)絡(luò)的輸入變量, 對(duì)天氣、交通等不確定因素建立隱馬爾科夫模型進(jìn)行預(yù)處理, 從而提高網(wǎng)絡(luò)的泛化能力.

1 Wang B, Liu Y, Hei X, Wang L, Zhang Z. A parking guidance method based on parallel particle swarm optimization algorithm. Computational Intelligence and Security. IEEE. 2014. 568– 572.

2 Frank RJ, Davey N, Hunt SP. Time series prediction and neural networks. Journal of Intelligent and Robotic Systems, 2001, 31(1): 91–103.

3 Athineos M, Ellis DPW. Autoregressive modeling of temporal prediction. IEEE Trans. on Signal Processing, 2007, 55(11): 5237–5245.

4 Jia W, Zhao D, Shen T, Ding S, Zhao Y. An optimized classification algorithm by BP neural network based on PLS and HCA. Applied Intelligence, 2015, 43(1): 176– 191.

5 Selamat A, Abae G, Mashinchi R. Software fault prediction using BP-based crisp artificial neural networks. International Journal of Intelligent Information and Database Systems, 2015, 9(1): 1–15.

6 Juan Y, Li H. An improvement and application of genetic BP neural network. Computational Intelligence and Security. IEEE. 2015. 10–13.

7 陳群,宴克非,王仁濤,等.基于相空間重構(gòu)及Elman網(wǎng)絡(luò)的停車泊位數(shù)據(jù)預(yù)測(cè).同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2007, 35(5):607–611.

8 何洪波,韓印,姚佼.基于混沌和BP神經(jīng)網(wǎng)絡(luò)的有效停車泊位預(yù)測(cè).交通與運(yùn)輸,2012,14(7):25–27.

9 張麗莉,儲(chǔ)江偉,范東溟.基于神經(jīng)網(wǎng)絡(luò)的有效停車泊位預(yù)測(cè)方法研究.黑龍江工程學(xué)院學(xué)報(bào),2015,29(3):37–44.

10 李松,羅勇,張銘銳.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測(cè).計(jì)算機(jī)工程與應(yīng)用,2011,47(29):52–58.

Prediction of Parking Guidance Space Based on BP Neural Networks

GAO Guang-Yin, DING Yong, JIANG Feng, LI Cong

(Department of Computer Science and Technology, Taizhou Institute of Sci.&Tech., Nanjing University of Science and Technology, Taizhou 225300, China)

The problem of excavating knowledge from historical parking data and forecasting the number of parking spaces in a short period is studied. By analyzing the factors that affect parking space, we establish a BP neural network in which the network input variables are defined through the combination of time series. Then, a self-adaptive studying rate is used in different stage of training and the momentum terms are added to improve the convergence of the network. According to the real data collected from a large underground parking in town, the simulation and analysis are executed based on Matlab, which results in well-accepted prediction effect. The conclusion shows that the proposed method can improve the prediction accuracy compared with the traditional time series prediction method.

BP neural network; parking guidance; parking space; Matlab

國(guó)家自然科學(xué)基金(61373012);泰州市社會(huì)發(fā)展項(xiàng)目(TSD201538,TS031)

2016-04-18;收到修改稿時(shí)間:2016-05-19

[10.15888/j.cnki.csa.005521]