動態(tài)隨機(jī)有效停車泊位預(yù)測方法*

段滿珍，陳 光，張 林，米雪玉

(華北理工大學(xué) 建筑工程學(xué)院，河北 唐山 063009)

有效停車泊位是指開放停車場內(nèi)未被占用的停車位，有效泊位數(shù)多少是駕駛員停車選擇的重要依據(jù)。受工作、生活等作息習(xí)慣影響，停車場泊位利用情況具有一定的宏觀規(guī)律性，但同時又受停車場位置、泊位類型、收費標(biāo)準(zhǔn)、氣候變化、周邊交通條件等多種因素的干擾。因而，停車泊位利用具有復(fù)雜性和隨機(jī)性特點，導(dǎo)致停車場的有效泊位變化呈現(xiàn)明顯的動態(tài)隨機(jī)性[1]。隨著城市交通問題日益嚴(yán)重[2]和駕駛員對有效停車泊位信息需求的增加，動態(tài)隨機(jī)有效泊位預(yù)測成為智能停車誘導(dǎo)系統(tǒng)的重要組成部分[3]。

傳統(tǒng)有效泊位預(yù)測中，主要采用影響因素分析法和一維時間序列法[4]，但只能實現(xiàn)短時預(yù)測，精度較低。一些學(xué)者開始將神經(jīng)網(wǎng)絡(luò)技術(shù)引入有效泊位的預(yù)測中，但早期模糊神經(jīng)網(wǎng)絡(luò)方法只能輸出模糊化程度較高的“空，滿”信息[5]，仍不能實現(xiàn)對泊位信息的準(zhǔn)確預(yù)測。而單一網(wǎng)絡(luò)技術(shù)或靜態(tài)BP網(wǎng)絡(luò)預(yù)測方法[6]，則存在對網(wǎng)絡(luò)輸入維數(shù)和神經(jīng)元個數(shù)等參數(shù)選取隨機(jī)性的弊端，或缺乏對動態(tài)系統(tǒng)多維特性的考慮也無法實現(xiàn)對動態(tài)泊位的有效預(yù)測。近幾年隨著混沌理論和動態(tài)神經(jīng)網(wǎng)絡(luò)融合技術(shù)的發(fā)展，尤其是在氣候預(yù)測[7]、用電負(fù)荷[8]、太陽直接日射逐日曝輻量[9]以及基坑變形量[10]等領(lǐng)域的成功應(yīng)用，為動態(tài)隨機(jī)泊位預(yù)測提供了嶄新思路。但由于混沌相空間嵌入維數(shù)和延遲時間等參數(shù)的求解方法對預(yù)測結(jié)果的精度影響較大[7]，若對停車泊位數(shù)據(jù)處理方法選用中缺乏對其非線性特性考慮，也會導(dǎo)致預(yù)測結(jié)果準(zhǔn)確性較差，例如基于時間序列線性假設(shè)的自相關(guān)法[11]的應(yīng)用。

針對以上情況，尤其是考慮個性化停車誘導(dǎo)[12]條件下駕駛員對動態(tài)泊位需求預(yù)測需要，避免靜態(tài)神經(jīng)網(wǎng)絡(luò)技術(shù)和線性求解方法不足，利用混沌相空間理論C-C算法在求解非線性關(guān)系模型方面的優(yōu)勢，筆者研究了基于C-C算法和網(wǎng)絡(luò)融合技術(shù)的動態(tài)隨機(jī)有效泊位預(yù)測方法，并重點對技術(shù)融合過程和算法進(jìn)行研究，利用實測數(shù)據(jù)進(jìn)行模型仿真實驗分析。目的在于實現(xiàn)動態(tài)隨機(jī)泊位信息的準(zhǔn)確預(yù)測，為駕駛員提供有效地動態(tài)泊位信息，減少尋泊交通流，同時避免群體式誘導(dǎo)方式帶來的局部停車擁堵，減緩交通壓力。

1 理論基礎(chǔ)

1.1 C-C算法

C-C算法融合了相空間理論自相關(guān)函數(shù)和互信息方法的優(yōu)點，在有效減少計算量基礎(chǔ)上又能保持系統(tǒng)的非線性特征。

對一個時間序列重構(gòu)后的相空間X，其關(guān)聯(lián)積分定義如式(1)[13-14]：

(1)

式中：N為數(shù)據(jù)集合的長度；τ為時間尺度；r為半徑；M=N-(m-1)τ為m維嵌入后的點數(shù)。

C-C算法的研究與函數(shù)S(m，N，r，t)=C(m，N，r，t)-Cm(1，N，r，t)的值有關(guān)。由于時間序列長度N有限，半徑r也不可能無限小，通?？捎靡粋€線性區(qū)域的斜率來近似表示關(guān)聯(lián)維，如式(2)：

(2)

為研究時間序列的動力學(xué)特性，找到合適的延遲時間，需將整個時間序列S(m，N，r，t)=C(m，N，r，t)-Cm(1，N，r，t)分為τ個子序列，如式(3)：

(3)

當(dāng)N→∞時，有式(4)：

(4)

選擇最大和最小半徑r，定義其差量如式(5)：

ΔS(m，τ)=max{S(m，rj，τ，N)}-min{S(m，rj，τ，N)}

(5)

根據(jù)統(tǒng)計結(jié)論，取m=2，3，4，5；rj=iσ/2。其中：i=1，2，3，4。

(6)

(7)

(8)

1.2 小數(shù)據(jù)法判定數(shù)據(jù)的非線性特性

對停車數(shù)據(jù)時間序列進(jìn)行相空間重構(gòu)的基礎(chǔ)上，進(jìn)一步分析其特性。

根據(jù)m和τ的結(jié)果重構(gòu)相空間，形式如下：Y(t)={x(t)，x(t+τ)，x(t+2τ)，...，x(t+(m-1)τ)}。其中：t=1，2，…，[N-(m-1)τ] ，Y(t)為相空間中的點。

根據(jù)M.T.ROSENSTEIN的結(jié)論[16]，小數(shù)據(jù)量法具有較好地魯棒性，對嵌入維數(shù)和時延參數(shù)選取不具敏感特性。筆者同樣選取小數(shù)據(jù)量法來驗證重構(gòu)后的相空間是否具有混沌特性。

首先，搜尋重構(gòu)軌道上每個點對應(yīng)的最近鄰點，如式(9)：

(9)

式中：p為時間序列的平均周期；Y(t)為相空間中的點；dT(0)為初始時刻一對最近鄰點的距離。

通過軌道上每個最近鄰近點平均發(fā)散率進(jìn)行最大 Lyapunov 指數(shù)估算，如式(10)：

(10)

式中：Δt為樣本0周期；dT(i)為基本軌道上第t對最近鄰近點經(jīng)過i個離散時間步長的距離；若λ=0，表示系統(tǒng)出現(xiàn)周期現(xiàn)象；若λ>0，系統(tǒng)具有混沌特征；若λ<0，系統(tǒng)有穩(wěn)定不動點。

2 C-C算法與Elman網(wǎng)絡(luò)技術(shù)融合

基于動態(tài)隨機(jī)有效泊位的非線性特性，筆者選用適合于非線性關(guān)系的C-C算法來求解隨機(jī)泊位混沌相空間的嵌入維數(shù)m和延遲時間τ值，并將其與動態(tài)網(wǎng)絡(luò)技術(shù)融合，聯(lián)合進(jìn)行動態(tài)隨機(jī)泊位的預(yù)測，更能真實地反映隨機(jī)泊位變化的非線性特性。

為實現(xiàn)動態(tài)隨機(jī)泊位的準(zhǔn)確預(yù)測，參照遞歸網(wǎng)絡(luò)技術(shù)在其他領(lǐng)域的研究結(jié)果[7，17]，筆者選用Elman遞歸神經(jīng)網(wǎng)絡(luò)。Elman網(wǎng)絡(luò)是一種動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的特點是：隱含層輸出值通過承接層存儲和延遲，將中間結(jié)果自聯(lián)到隱含層輸入中，這種自聯(lián)使其保留了對歷史數(shù)據(jù)的敏感性和傳遞性，通過自身網(wǎng)絡(luò)互聯(lián)增加了網(wǎng)絡(luò)對數(shù)據(jù)處理的動態(tài)性，從而達(dá)到了動態(tài)建模目的，能更生動、更真實地反映系統(tǒng)動態(tài)特性。

Elman遞歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1。

圖1 Elman網(wǎng)絡(luò)結(jié)構(gòu)示意Fig. 1 Elman neural network structure diagram

Elman網(wǎng)絡(luò)的非線性空間表達(dá)如式(11)：

(11)

C-C算法與Elman遞歸網(wǎng)絡(luò)融合，主要是為避免遞歸網(wǎng)絡(luò)模型參數(shù)輸入的隨機(jī)性。融合思想是：將C-C算法得到的相空間參數(shù)延遲時間τ和嵌入維數(shù)m作為遞歸網(wǎng)絡(luò)輸入的依據(jù)。

例如：將網(wǎng)絡(luò)輸入向量u的取值設(shè)為m維重構(gòu)相空間的向量；中間層輸出向量x和承接層輸出向量xc為n維，取值為2m+1[10]；輸出向量y為P維，其取決于模型輸出變量個數(shù)，文中輸出變量只有動態(tài)預(yù)測泊位數(shù)，因此P=1；w3，w2，w1分別表示中間層到輸出層、輸入層到中間層、承接層到中間層的連接權(quán)值；f(·)為中間層神經(jīng)元的傳遞函數(shù)，文中采用S函數(shù)；g(·)為輸出神經(jīng)元的傳遞函數(shù)，為中間層輸出的線性組合。

3 動態(tài)泊位預(yù)測模型構(gòu)建及算法

3.1 C-C算法與遞歸網(wǎng)絡(luò)融合的預(yù)測模型

根據(jù)上述融合思想，設(shè)計動態(tài)隨機(jī)泊位預(yù)測的遞歸神經(jīng)網(wǎng)絡(luò)模型參數(shù)。其中：網(wǎng)絡(luò)輸入維數(shù)u等于嵌入維數(shù)m；每個輸入數(shù)據(jù)之間的時間間隔取值為τ，即將x(t)，x(t+τ)，x(t+2τ)，…，x[t+(m-1)τ)] 時間序列作為網(wǎng)絡(luò)學(xué)習(xí)樣本輸入；遞歸網(wǎng)絡(luò)的隱含層取單層；神經(jīng)元個數(shù)n=2m+1，承接層單元數(shù)目與隱含層神經(jīng)元數(shù)目相同；輸出層含有一個神經(jīng)元—動態(tài)隨機(jī)有效泊位數(shù)：x[t+1+(m-1)τ)]。

網(wǎng)絡(luò)輸入、輸出模型如式(12)、(13)。

(12)

(13)

遞歸網(wǎng)絡(luò)隱含層傳遞函數(shù)為tansig，輸出層線性傳遞函數(shù)為purelin。其中：tansig為S型正切函數(shù)，purelin為純線性函數(shù)。隱含層輸出函數(shù)表示為：x(k)=tansig[Wax(k-1)+Wbu(k-1)+b1] ，輸出層輸出函數(shù)為：y(k)=purelin[Wcx(k)+b2]。

3.2 預(yù)測模型算法設(shè)計

融合后的預(yù)測模型求解步驟如下：

第1步：收集停車場有效泊位變化的歷史數(shù)據(jù)，按時間序列要求進(jìn)行整理，假設(shè)整理后的時間序列為：{x(t)|t=1，2，…，N}；

第2步：利用C-C算法計算嵌入維數(shù)m和最優(yōu)延遲時間τ；

第3步：利用求取的最小嵌入維數(shù)m和最優(yōu)時延參數(shù)τ對原時間序列進(jìn)行相空間重構(gòu)，得到新的相空間矢量：Y(t)={x(t)，x(t+τ)，x(t+2τ)，…，x[t+(m-1)τ]}，t=1，2，…，[N-(m-1)τ]。并采用小數(shù)據(jù)法判斷其是否具有混沌特性；

第4步：利用第3步得到的m和τ值，構(gòu)建基于C-C算法的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型；

第5步：根據(jù)預(yù)測需要，設(shè)定網(wǎng)絡(luò)訓(xùn)練誤差。結(jié)合樣本數(shù)據(jù)情況，選取適量的訓(xùn)練樣本(其余為目標(biāo)樣本)，進(jìn)行模型網(wǎng)絡(luò)訓(xùn)練，當(dāng)達(dá)到誤差要求時，進(jìn)入第6步；若測試誤差較大，重新進(jìn)行網(wǎng)絡(luò)訓(xùn)練，或重新設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)。

第6步：選取預(yù)測時間點和預(yù)測樣本，進(jìn)行模型預(yù)測。

4 模型仿真與結(jié)果分析

4.1 數(shù)據(jù)采集

根據(jù)醫(yī)院停車數(shù)據(jù)周期性差異[18]，分別從唐山市工人醫(yī)院兩個工作日調(diào)查數(shù)據(jù)中截取08：00—17：00車輛停放數(shù)據(jù)(表1)，統(tǒng)計時間間隔為10 min。停車數(shù)據(jù)整理后得到有效泊位數(shù)據(jù)(圖2)。圖2中：縱坐標(biāo)正數(shù)為有效空閑泊位，負(fù)數(shù)為停車溢出，既非規(guī)劃空間有停車或有車輛排隊造成的溢出。

表1 醫(yī)院停車數(shù)據(jù)Table 1 Data of parking vehicles in hospital

圖2 醫(yī)院某日的停車場空閑泊位時序Fig. 2 Timing diagram of unoccupied spaces in parking lot

4.2 利用C-C算法進(jìn)行模型參數(shù)計算

設(shè)計C-C算法，導(dǎo)入停車數(shù)據(jù)，利用MATLAB計算，其結(jié)果如圖3。

圖3 停車變化曲線Fig. 3 Parking data curve

4.3 停車數(shù)據(jù)模型混沌特性判定

根據(jù)C-C算法得到的m和τ值，重構(gòu)相空間為：Y(t)={x(t)，x(t+8)，x(t+16)}。采用小數(shù)據(jù)量法計算最大Lyapunov指數(shù)，得到K1=0.357 1，證明重構(gòu)動態(tài)隨機(jī)泊位系統(tǒng)仍然具有混沌特性。

4.4 動態(tài)泊位預(yù)測模型構(gòu)建

利用唐山市工人醫(yī)院停車場泊位變化的108組數(shù)據(jù)，進(jìn)行間隔時間為10 min的短時空閑泊位預(yù)測分析。

網(wǎng)絡(luò)訓(xùn)練樣本選擇：采用前15 h(90組數(shù)據(jù))的泊位變化數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練樣本，后3 h(18組數(shù)據(jù))的泊位變化數(shù)據(jù)作為網(wǎng)絡(luò)測試數(shù)據(jù)。網(wǎng)絡(luò)訓(xùn)練每4 h的泊位變化數(shù)據(jù)作為輸入向量，第5 h泊位數(shù)據(jù)作為目標(biāo)向量，為提高模型的預(yù)測精度，網(wǎng)絡(luò)訓(xùn)練前先將采集數(shù)據(jù)進(jìn)行預(yù)處理，去除明顯有錯誤的數(shù)據(jù)，再采用MATLAB的Premnmx函數(shù)進(jìn)行數(shù)據(jù)歸一化處理。MATLAB語句為：[pn，minp，maxp，tn，mint，maxt]= Premnmx(p，t)。

4.4.1 C-C算法與網(wǎng)絡(luò)模型的融合

根據(jù)融合算法思想，利用C-C算法計算，并將結(jié)果設(shè)計預(yù)測模型輸入?yún)?shù)。其中：嵌入維數(shù)6作為泊位預(yù)測模型的輸入層神經(jīng)元個數(shù)，則隱含層神經(jīng)元個數(shù)n=7；每個神經(jīng)元之間的時間間隔等于延遲時間，取值為8；輸出層神經(jīng)元個數(shù)為1，即下一個10 min動態(tài)泊位預(yù)測值。

構(gòu)建Elman網(wǎng)絡(luò)的MATLAB語句為：net=newelm(minmax(pn)，[71]，{‘tansig’，’purelin’})；網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為：net.trainparam.epochs=2000；網(wǎng)絡(luò)訓(xùn)練目標(biāo)誤差為：net.trainparam.goal=0.01。

4.4.2 仿真結(jié)果分析

當(dāng)網(wǎng)絡(luò)訓(xùn)練次數(shù)474次時達(dá)到預(yù)設(shè)目標(biāo)誤差，運行停止，訓(xùn)練誤差曲線如圖4。利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測，數(shù)據(jù)模型輸出擬合效果如圖5。由圖5看出：模型輸出值與實測值一致性較好。

圖4 網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig. 4 Network training error curve

圖5 模型實測值和輸出值比較Fig. 5 Comparison of measured values and outputs

圖6為空閑泊位預(yù)測誤差。圖6(a)平均絕對誤差為0.897 2個；圖6(b)輸出值平均相對誤差為1.434%，最大相對誤差8.33%。明顯優(yōu)于文獻(xiàn)[11] 中采用自相關(guān)函數(shù)法得到的平均相對誤差2.13%，平均絕對誤差為1.808 9個，最大相對誤差11.61%的預(yù)測結(jié)果，這說明采用非線性C-C算法與遞歸網(wǎng)絡(luò)融合后能達(dá)到更準(zhǔn)確地預(yù)測效果。表明在動態(tài)隨機(jī)泊位預(yù)測建模中，將相空間C-C算法與Elman網(wǎng)絡(luò)融合方法是比較成功的。

圖6 空閑泊位預(yù)測誤差Fig. 6 Error of free parking space prediction

實驗結(jié)果表明：基于C-C算法與Elman網(wǎng)絡(luò)融合模型預(yù)測結(jié)果擬合效果較好，預(yù)測精度較高。利用該方法對其他停車場停車泊位預(yù)測也得到相近的結(jié)果，說明該方法可較好地實現(xiàn)隨機(jī)停車泊位建模和動態(tài)預(yù)測。

5 結(jié) 論

針對現(xiàn)有停車需求預(yù)測方法難以實現(xiàn)動態(tài)隨機(jī)條件下對泊位狀態(tài)變化的精準(zhǔn)預(yù)測，不能為駕駛員提供個性化停車誘導(dǎo)服務(wù)的問題，筆者對動態(tài)隨機(jī)條件下停車泊位需求預(yù)測方法進(jìn)行了研究?；煦缋碚撗芯砍晒砻鳎篊-C算法能較好地從系統(tǒng)參與動態(tài)變化的全部時間序列中提取系統(tǒng)長期演化的內(nèi)部信息，揭示動態(tài)泊位變化系統(tǒng)隨機(jī)現(xiàn)象的混沌特征和復(fù)雜規(guī)律。同時，由于Elman網(wǎng)絡(luò)通過自聯(lián)方式可保留對歷史數(shù)據(jù)的敏感性和傳遞性。因此，利用Elman遞歸網(wǎng)絡(luò)建?？奢^好解決一般網(wǎng)絡(luò)不能解決的非線性復(fù)雜問題，達(dá)到動態(tài)建模、真實反應(yīng)系統(tǒng)動態(tài)特征的目的。

將C-C算法和Elman網(wǎng)絡(luò)技術(shù)融合，重構(gòu)相空間時間序列作為網(wǎng)絡(luò)學(xué)習(xí)輸入樣本，嵌入維數(shù)作為神經(jīng)元個數(shù)選擇依據(jù)，用于動態(tài)隨機(jī)有效泊位實時預(yù)測，既能有效挖掘動態(tài)隨機(jī)停車系統(tǒng)時間序列隱含的內(nèi)部信息，充分揭示停車泊位預(yù)測系統(tǒng)復(fù)雜的運動規(guī)律，又能避免單一網(wǎng)絡(luò)模型預(yù)測輸入變量和參數(shù)選擇的盲目性。

仿真實驗結(jié)果表明：基于C-C算法與Elman網(wǎng)絡(luò)融合的動態(tài)停車泊位預(yù)測模型相比于其他預(yù)測方法，其最大相對誤差、平均相對誤差和平均絕對誤差等都明顯降低，說明二者融合是實現(xiàn)動態(tài)隨機(jī)泊位預(yù)測的有效方法。

參考文獻(xiàn)(References)：

[1] 李志純，黃海軍.擬動態(tài)隨機(jī)停車行為模型及可靠度分析[M]//可持續(xù)發(fā)展的中國交通——2005全國博士生學(xué)術(shù)論壇(交通運輸工程學(xué)科)論文集(上冊).北京：北京交通大學(xué)出版社，2005：218-228.

LI Zhichun，HUANG Haijun.AQuasi-DynamicStochasticParkingModelAndReliabilityAnalysis[M]//Sustainable Development of China’s Transportation—The 2005 National Doctoral Academic Forum (Transportation Engineering)(1).Beijing：Beijing Jiaotong University Press，2005：218-228.

[2] 段滿珍，軋紅穎，李珊珊，等.震害道路通行能力評估模型[J].重慶交通大學(xué)學(xué)報(自然科學(xué)版)，2017，36(5)：79-85.

DUAN Manzhen，YA Hongying，LI Shanshan，et al.Assessment model for traffic capacity after seismic disaster[J].JournalofChongqingJiaotongUniversity(NaturalScience)，2017，36(5)：79-85.

[3] 段滿珍，楊兆升，米雪玉，等.基于居住區(qū)共享停車的雙層規(guī)劃誘導(dǎo)模型[J].西南交通大學(xué)學(xué)報，2016，51(6)：1250-1257.

DUAN Manzhen，YANG Zhaosheng，MI Xueyu，et al.Bi-level programming model for shared parking considering residential parking resources[J].JournalofSouthwestJiaotongUniversity，2016，51(6)：1250-1257.

[4] 段滿珍，陳光，米雪玉，等.居住區(qū)停車泊位需求預(yù)測二步驟法[J].重慶交通大學(xué)學(xué)報(自然科學(xué)版)，2016，35(1)：152-155.

DUAN Manzhen，CHEN Guang，MI Xueyu，et al.Two steps method of parking demand forecast at residential area[J].JournalofChongqingJiaotongUniversity(NaturalScience)，2016，35(1)：152-155.

[5] 楊兆升，陳曉冬.智能化停車誘導(dǎo)系統(tǒng)有效停車泊位數(shù)據(jù)的預(yù)測技術(shù)研究[J].交通運輸系統(tǒng)工程與信息，2003，3(4)：12.

YANG Zhaosheng，CHEN Xiaodong.Research on the estimation for effective parking space of the intelligentized parking guidance system[J].JournalofTransportationSystemsEngineeringandInformationTechnology，2003，3(4)：12.

[6] 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[J].交通與運輸，2012(7)：24-28.

HE Hongbo，HAN Yin，YAO Jiao.The prediction of effective parking space based on chaos and BP neural network[J].TrafficandTransportation，2012(7)：24-28.

[7] 董兆俊，滕軍，王驥鵬.基于相空間重構(gòu)與模糊神經(jīng)網(wǎng)絡(luò)耦合的海溫預(yù)測模型[J].熱帶海洋學(xué)報，2008，27(4)：73-76.

DONG Zhaojun，TENG Jun，WANG Jipeng.Application of phase space reconstruction and ANFIS model in SST forecasting[J].JournalofTropicalOceanography，2008，27(4)：73-76.

[8] 張智晟，孫雅明，何云鵬.基于相空間重構(gòu)理論和優(yōu)化遞歸神經(jīng)網(wǎng)絡(luò)結(jié)合的短期負(fù)荷預(yù)測方法[J].中國電力，2004，37(1)：19-23.

ZHANG Zhisheng，SUN Yaming，HE Yunpeng.A new approach of STLF based on combination of phase space reconstruction theory and optimal recursive neural networks[J].ElectricPower，2004，37(1)：19-23.

[9] 謝云林.基于相空間重構(gòu)小波神經(jīng)網(wǎng)絡(luò)的太陽直接日射逐日曝輻量預(yù)測[D].合肥：合肥工業(yè)大學(xué)，2012.

XIE Yunlin.DailyDirectSolarRadiationExposurePredictionBasedonPhaseSpaceReconstructionofWaveletNeuralNetwork[D].Hefei：Hefei University of Technology，2012.

[10] 趙啟嘉.基于動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)及相空間重構(gòu)理論的深基坑工程變形預(yù)測研究[D].上海：同濟(jì)大學(xué)，2008.

ZHAO Qijia.ResearchonDeformationPredictionofDeepExcavationbyRecurrentNeuralNetworkandPhaseSpaceReconstruction[D].Shanghai：Tongji University，2008.

[11] 陳群，晏克非，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[J].同濟(jì)大學(xué)學(xué)報(自然科學(xué)版)，2007，35(5)：607-611.

CHEN Qun，YAN Kefei，WANG Rentao et al.Parking space information prediction based on phrase construction and elman neural network[J].JournalofTongjiUniversity(NaturalScience)，2007，35(5)：607-611.

[12] 段滿珍，楊兆升，張林，等.個性化誘導(dǎo)下的居住區(qū)共享停車泊位分配模型[J].東北大學(xué)學(xué)報(自然科學(xué)版)，2017，38(2)：174-179.

DUAN Manzhen，YANG Zhaosheng，ZHANG Lin，et al.Parking spaces allocation model of the residential areas sharing parking base on personalized guidance[J].JournalofNortheasternUniversity(NaturalScience)，2017，38(2)：174-179.

[13] KUGIUMTZIS D.State space reconstruction parameters in the analysis of chaotic time series—the role of the time window length[J].PhysicaD：NonlinearPhenomena，1996，95(1)：13-28.

[14] SPROTT J C.Automatic generation of strange attractors[J].Computers&Graphics，1993，17(3)：325-332.

[15] KIM H S，EYKHOLT R，SALAS J D.Nonlinear dynamics delay times，and embedding windows[J].PhysicaD：NonlinearPhenomena，1999，127(1/2)：48-60.

[16] ROSENSTEIN M T，COLLINS J J，LUCA C J D.A practical method for calculating largest Lyapunov exponents from small data sets[J].PhysicaD：NonlinearPhenomena，1993，65(1/2)：117-134.

[17] 董春嬌，邵春福，熊志華，等.基于Elman神經(jīng)網(wǎng)絡(luò)的道路網(wǎng)短時交通流預(yù)測方法[J].交通運輸系統(tǒng)工程與信息，2010，10(1)：145-151.

DONG Chunjiao，SHAO Chunfu，XIONG Zhihua，et al.Short-term traffic flow forecasting of road network based on Elman neural network[J].JournalofTransportationSystemsEngineeringandInformationTechnology，2010，10(1)：145-151.

[18] 段滿珍，楊兆升，張林，等.居住區(qū)泊位對外共享能力評估模型[J].交通運輸系統(tǒng)工程與信息，2015，15(4)：106-112.

DUAN Manzhen，YANG Zhaosheng，ZHANG Lin，et al.Residential parking spaces shared capability assessment model[J].JournalofTransportationSystemsEngineeringandInformationTechnology，2015，15(4)：106-117.

[19] 張雨，任成龍.確定重構(gòu)相空間維數(shù)的方法[J].國防科技大學(xué)學(xué)報，2005，27(6)：101-105.

ZHANG Yu，REN Chenglong.The methods to confirm the dimension of re-constructed phase space[J].JournalofNationalUniversityofDefenseTechnology，2005，27(6)：101-105.