專利名稱：停車場有效泊位占有率短時預測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種停車場有效泊位占有率短時預測方法，屬于智能交通系統(tǒng)中智 能信息處理技術(shù)領(lǐng)域。
背景技術(shù)：
停車場是否有空余泊位可供停車是駕車者停車選擇時最為關(guān)注的問題之一。利 用停車泊位信息采集技術(shù)獲得停車場內(nèi)空余車位的信息并對其進行實時預測是停車誘導 信息系統(tǒng)(Parking Guidance and Information System, PGIS)的一項關(guān)鍵技術(shù)。比較準確
地預測出停車場的空余泊位信息，供系統(tǒng)用戶選擇停車場時參考，不僅有利于用戶合理 地安排自己的出行，也有利于交通管理部門對交通的宏觀調(diào)控。納入PGIS的停車泊位主要是指公共停車設施內(nèi)可供社會車輛停放的車位，被單 位或個人長期租用的固定車位不在研究范圍之內(nèi)。因此，本發(fā)明采用停車場的有效泊位 占有率來直觀地描述停車場可供社會車輛利用的泊位情況。停車場的有效泊位占有率， 是指正在開放的停車場內(nèi)未被車輛或其他物品占用，可以用來停放社會車輛的泊位數(shù)占 總泊位數(shù)的比例。停車場的泊位變化受諸多因素的影響，如停車場類型、所處位置、道路交通 流、天氣、事件等，多因素的作用造成了有效泊位占有率變化的復雜性和隨機性。目 前，國內(nèi)對停車泊位的短時預測大多采用BP神經(jīng)網(wǎng)絡法，雖然該方法具有推導過程嚴 謹、物理概念清晰等優(yōu)點，但同時存在收斂速度慢，網(wǎng)絡參數(shù)和訓練參數(shù)難以確定等缺
點ο

發(fā)明內(nèi)容
發(fā)明目的針對上述現(xiàn)有存在的問題和不足，本發(fā)明的目的是根據(jù)停車場有效 泊位占有率的短時變化特性，提出一種基于小波分析-加權(quán)馬爾可夫組合模型的停車場 有效泊位占有率短時預測方法。技術(shù)方案為實現(xiàn)上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為一種停車場有效 泊位占有率短時預測方法，包括如下步驟(1)從停車場收費管理系統(tǒng)的數(shù)據(jù)庫中抄錄車輛到達和離開的時間，從而可統(tǒng)計 出不同時間段內(nèi)進入停車場的車輛數(shù)A1G= 1，2，…，m, m為時間段個數(shù))和離開停 車場的車輛數(shù)L1G= 1，2，…，m, m為時間段個數(shù))。設停車場總泊位數(shù)為R，則各 個時間段末的有效泊位數(shù)X1G= 1，2，…，m)可表示為X1 = Xh-A1+!^各個時段的 有效泊位占有率1^01 = 1，2，…，m)為b, = X/R，從而可以得出停車場有效泊位占 有率的時間序列Ctl = b2，…，bm}。(2)用小波函數(shù)對有效泊位占有率時間序列進行多分辨率的N尺度的分解，分解 后得到一個尺度為N的低頻系數(shù)向量cN和N個不同尺度下的高頻系數(shù)向量Ci1, d2，…， dN ；
由于有效泊位占有率預測中用的是離散的時間序列，故引入離散小波變換 (DWT)中的二進正交小波變換，并采用快速二進正交小波變換算法(簡稱Mallat算法)
“1 = Hc
進行小波分解；Mallat算法表示為j"1 "n = 0, 1，2，…，N，式中，H和G分
別為低通濾波器和高通濾波器，N為分解尺度，Ctl為原始時間序列；于是可以將原始時 間序列分解為高頻系數(shù)向量Ci1, d2，…，屯和低頻系數(shù)向量cN;(3)對步驟⑵中的低頻系數(shù)向量4和高頻系數(shù)向量di, d2，…，dN進行重構(gòu)， 得到N+1個時間序列CN，D1, D2,…，Dn經(jīng)Mallat算法分解后的序列可以用重構(gòu)算 法進行重構(gòu)Cn = H*Cn+1+G*Dn+i' η = N-L Ν-2，…，0 ；其中，H'和 G* 分別 H 和 G 的對偶算子；采用上述重構(gòu)算式可以對Ci1, d2，…，屯和cN分別進行重構(gòu)，得到D1, D2,…，DNiPCN，它們和原始時間序列的點數(shù)一樣，且有Ctl = Ci^DfD2+…+Dn;(4)對步驟(3)中N+1個重構(gòu)的時間序列分別建立加權(quán)馬爾可夫鏈預測模型進行 預測，得到N+1個預測結(jié)果之，眾，錢，…，氐;預測的具體步驟為1)進行狀態(tài)劃分對某一時間序列，應用序列的樣本均值 J和樣本方差S來刻畫數(shù)值的變化區(qū)間，可將時間序列內(nèi)的數(shù)值分為5個狀態(tài)E=丨E1, E2, E3, E4, E5}，其中，爲=(-oo,茫-αρ)，五2 =(茫-0^,茫-α2々，五3 =(〒-α2&歹+ 2力， 仏二斤+ ^^，茫+巧力盡二斤+ ^^，+⑴)，CI1可在[1.0，1.5]中取值，α 2可在
中取 值，由此可將Ν+1個重構(gòu)的時間序列分別劃分為Ν+1個狀態(tài)空間Ecn，Edi, ED2，…， Edn ； 2)根據(jù)N+1個重構(gòu)的時間序列估計出馬爾可夫鏈的轉(zhuǎn)移概率，具體估計方法為 用&表示某個時間序列中從狀態(tài)E1經(jīng)過一步轉(zhuǎn)移到狀態(tài)馬的概率，E1, Ej e E；由&組 成的矩陣(ipEl, 稱為“轉(zhuǎn)移概率矩陣”；將轉(zhuǎn)移概率矩陣的第i行第j列元素&除以
各行的總和所得的值稱為“轉(zhuǎn)移概率”，記為Ρ ，即ρ =Λ/ /；；，于是一步轉(zhuǎn)移概率
/
矩陣可表示為Ρ = (Α)￡,，￥￡，由此可以得到Ν+1個重構(gòu)的時間序列的一步轉(zhuǎn)移概率矩陣 分別為PCN，PD1, Pd2,…，Pdn; 3)計算各階自相關(guān)系數(shù)各階自相關(guān)系數(shù)計算公式 為
權(quán)利要求
1. 一種停車場有效泊位占有率短時預測方法，其特征在于包括如下步驟 (1)用小波函數(shù)對有效泊位占有率時間序列Ctl進行多分辨率的N尺度的分解，分解后 得到一個尺度為N的低頻系數(shù)向量cN和N個不同尺度下的高頻系數(shù)向量Ci1, d2，…，(2)對步驟⑴中的低頻系數(shù)向量^和高頻系數(shù)向量屯，d2，…，dN進行重構(gòu)，得 到N+1個時間序列 Cn，D1 ？ D2 …，Dn;(3)對步驟(2)中N+1個重構(gòu)的時間序列分別建立加權(quán)馬爾可夫鏈預測模型進行預 測，得到N+1個預測結(jié)果(^，D1, D2,…，Dn ；(4)將步驟(3)中得到的N+1個預測結(jié)果累加，獲得對應于原始有效泊位占有率的預 測結(jié)果f=Q+A+A+···+^。
2.根據(jù)權(quán)利要求1所述停車場有效泊位占有率短時預測方法，其特征在于所述步 驟(1)中的分解方法為采用離散小波變換中的二進正交小波變換，并采用快速二進正交 小波變換算法進行小波分解。
3.根據(jù)權(quán)利要求1所述停車場有效泊位占有率短時預測方法，其特征在于所述步 驟(3)中進行預測的具體步驟是1)將所述步驟⑵中N+1個時間序列分別劃分為N+1個狀態(tài)空間EeN，Edi,2)根據(jù)所述N+1個時間序列估計出馬爾可夫鏈的轉(zhuǎn)移概率，并得到所述N+1個時間 序列的一步轉(zhuǎn)移概率矩陣分別為PCN，PD1, Pd2,…，Pdn;3)計算得到各階自相關(guān)系數(shù)其中，rk表示第k階的自相關(guān)系數(shù)，Xt表示第t時段的數(shù)值，f表示均值，m表示時 間段個數(shù)；并對各階自相關(guān)系數(shù)進行歸一化吣= kl/tkl，式中1為按預測需要計算到的最大階數(shù)，并將作為各種滯時的馬爾可夫鏈的權(quán)重；4)對所述N+1個時間序列CN，D1,D2,…，Dn*別預測出不同步長的狀態(tài)概率矩陣 Pi)，Pi)，PS)，L，P￡)，k 為滯時，k=l，2，…，1: P^ =E1XP1A = C^, D1, D2,…， Dn;5)將同一狀態(tài)的所述不同步長的狀態(tài)概率矩陣加權(quán)求和作為該狀態(tài)的預測概率
全文摘要
本發(fā)明公開了一種停車場有效泊位占有率短時預測方法，包括如下步驟用小波函數(shù)對有效泊位占有率時間序列c0進行多分辨率的N尺度的分解，得到一尺度為N的低頻系數(shù)向量cN和N個不同尺度下的高頻系數(shù)向量d1，d2，…，dN；對低頻系數(shù)向量cN和高頻系數(shù)向量d1，d2，…，dN進行重構(gòu)，得到N+1個時間序列CN，D1，D2，…，DN；建立加權(quán)馬爾可夫鏈預測模型進行預測，得到N+1個預測結(jié)果累加上述N+1個預測結(jié)果，獲得對應于原始有效泊位占有率的預測結(jié)果。本發(fā)明根據(jù)停車場有效泊位占有率的短時變化特性，提出小波分析-加權(quán)馬爾可夫組合預測模型，使得收斂速度快，網(wǎng)絡參數(shù)和訓練參數(shù)易于確定。
文檔編號G08G1/14GK102024343SQ20101059614
公開日2011年4月20日 申請日期2010年12月20日 優(yōu)先權(quán)日2010年12月20日
發(fā)明者季彥婕, 鄧衛(wèi), 郁晨怡 申請人:東南大學