文摘

停车需求预测是城市停车规划的一个重要组成部分,也是一个重要依据停车设施的发展。本研究的主要目的是探索多种因素影响路边停车价格(CPP)和路边停车价格的变化规律(CPP)这些因素和预测方面的CPP城市流动。的数据是通过统计调查收集的管理在中国81个城市。城市被分成三类:富裕城市(RCs),可怜的城市(pc),旅游城市(TCs)。(TSM)时间序列方法和回归分析方法(RAM)开发同时检查与CPP停车用户相关联的因素。结果表明,TSM和RAM可以占常见城市路边停车价格。CPP的预测结果表明,影响城市居民的数量(UD),汽车保有量的患病率(有限公司)和城镇居民人均可支配收入(PCDI);CPP可以预测模型建立的基础上,以上三个影响因素。结果可以增强我们对影响CPP的因素的理解。根据结果,一些建议关于停车政策规划中使用CPP范围进行了讨论。

1。介绍

路边停车是一个公共资源(1]。目前,汽车停车位的平均比例在整个中国大城市的市区大约是1:0.8;比1的比率:1.3在发达国家,严重比例低,全国停车位缺口是超过5000万的空间2]。例如,北京有564万辆汽车,但只有193万个停车位;平均2.92汽车分享每一个停车位,停车位缺口是371万(2]。汽车的数量是322万,在深圳和停车位的总数是111万。平均2.90汽车分享每一个停车位,停车位缺口是211万(2]。虽然在上海机动车辆的数量只有359万,不到60%的北京,停车位的总数只有600000,平均5.98车辆分配给一个停车位。(2]。因为人们更有可能乘坐私人汽车,道路交通拥堵越来越严重,由于停车供需之间的不平衡。统计数据显示(3,4]的搜索时间限制停车位在cbd(中央商务区)占40%的总旅行时间,这也证明了停车位的缺乏使道路拥塞在某种程度上。

鉴于目前严峻的停车情况在中国城市如北京、上海、和深圳,政府提出限制措施来解决停车供需之间的不平衡。例如,北京利用日本和其他国家的经验预测增加停车位的数量,但这不是有效的。许多城市都有严格的停车规则,但违反继续,未达到预期效果的政策(5]。智能停车系统的研究都集中在停车诱导和泊位预测十多年6),但一直未能有效解决停车供需的不平衡。缓解停车问题的负面影响,一个常见的方法是诱导停车供给减少停车需求,适应和控制停车价格调整两者之间的平衡的有效手段[7]。在许多城市在英国,停车管理措施通常是结合停车价格的变化(8- - - - - -10]。司机在路边停车价格的变化更敏感(CPP)比公共交通或燃料价格的变化,因为它代表一个用户直接成本(11]。CPP太低或太高会使停车需求的空间分布不合理,导致司机花了大量的时间寻找可用的停车位(12- - - - - -14]。因此,CPP管理可以用作停车管理政策来减少停车问题在某些领域(15,16]。此外,如果CPP在某些领域可以预计,它将为停车政策的制定和实施提供参考。

目前的研究在路边停车定价(CPP)主要使用离散选择模型,博弈论,非线性决策分析模型,和其他方法来评估在街道上的停车定价的合理性,虽然有一些研究在路边停车定价(CPP)的预测。以上选择的独立预测模型难以预测,只适用于现状评价。因此,很难帮助政策制定者有更清晰的了解这个城市的路边停车价格(CPP)在未来几年前制定的相关政策,可能会导致近视和非理性的停车政策。

为了填补这一空缺,我们提出一个混合预测方法对路边停车价格预测,结合时间序列方法(TSM)和回归分析方法(RAM)。通过收集历史停车价格,我们可以预测未来核心领域的CPP宁波、盐城和昆明。最后,实际应用表明,该预测方法可以应用到其他城市在中国。这个路边停车价格的预测可以帮助决策者制定更好的停车策略停车供需平衡,彻底解决城市停车的问题。

这项研究使以下三个贡献。首先,我们开发一个路边停车价格模型,通过结合TSM方法和RAM的方法,利用历史数据对城市居民的数量(UD),汽车所有权(CO),城镇居民人均可支配收入(PCDI)估计2 h CPP明年在核心城市。第二,我们中国的城市划分为发达城市(RCs),可怜的城市(pc),旅游城市的CPP (TCs)和分析城市在不同的场景。第三,我们将对未来的预测结果,乐观,积极,或保守,以确保结果的准确性。

本文的其余部分组织如下。部分2综述现有研究TSM和RAM。部分3数据收集方法的细节。部分4介绍了城市路边停车定价模型,包括模型假设,构建和测试。部分5描述了应用程序的路边停车定价(CPP)模型。部分6介绍了模型的预测结果。部分7讨论了结果并吸引的结论。

2。文献综述

2.1。时间序列方法分析

时间序列方法(TSM)是建立数学模型的方法基于系统观测得到的时间序列数据。通常使用曲线拟合和参数估计方法(即执行。非线性最小二乘法),广泛应用于经济学的领域(17)、地理(18),电气工程(19]。

在经济学中,朱(20.]运用季节性时间序列模型来分析中国保险行业的薪酬数据从2002年1月至2008年11月,建立了Box-Jenkins季节性模型。结果表明,该模型提供了良好的预测结果,可以提供一个参考和决策的监督在中国保险支付。虽然预测误差随预测期延长,数据可以不断添加到实现动态预测模型建立后,保持较高的预测精度。Rabindra和Nirash21)检查能源消耗之间的相互关系,输出,和碳排放在经济发展中使用一个增广向量自回归模型。1975 - 2013年时间序列数据在尼泊尔进行了研究使用人口和固定资本形成总值作为额外变量。作者发现,尼泊尔政府可以解决能源贫困加快采用节能政策,如配给能源消费和能源效率改善缩小能源供需缺口。跨不同的估计结果依然强劲,为一个新兴的文学关系连接能源消费,收入,发展中经济体的碳排放。

在地理、阴et al。18评估植被利用率,通过高分辨率遥感反演,在内蒙古自治区从1999年到2009年。时间序列分析方法被用来评估沙漠化发展趋势,参照沙漠化逆转的讨论问题。结果表明,通常在内蒙古自治区生态环境改善在样品的11年期间,但荒漠化的发展趋势并不明显。赖泽和Kutie22]发现重大不确定性的趋势每年总降雨量、降雨的数量法术,多雨期收益率,雨季长度时间序列数据的41个气象站在地中海地区从1931年到2006年。此外,他们发现重要的时态变化的极端事件的发生在这些参数。研究发现,尽管巨大的一般假设雨情的变化,没有明显的时间和不确定性趋势总年降雨量、雨期,多雨期产量,或雨季长度最多的电台。然而,在少数情况下,发现了一个重要的趋势。

电气工程,丁等。23]提出了一种基于时间序列分析的风速预测模型,用一个标准来测试模型的信息。结果表明,时间序列模型适用于预测风速的风力发电场和能反映未来的风速分布特征。Abdelaal和Algarni24]使用国内电力能源消耗数据每月5年的沙特东部省份开发集成自回归移动平均模型和评估为第六年的预测数据。结果表明最优ARIMA模型预测月度数据评估年平均百分误差为3.8%,8.1%和5.6%相比,最佳复联回归和机制模型,分别。换句话说,ARIMA模型减少了3.2和1.6的均方预测误差的因素,分别。时间序列分析在停车领域,另一方面,仅限于评估演变的停车位的数量,并没有注意到停车价格的探索。

2.2。回归分析方法

自回归分析方法(RAM)更简单,更方便分析多因素模型,它的应用在许多领域,如数学(25)、化学(26)、计算机科学与技术(27)、医药(28),和其他领域,是相当成熟,这样分析的结果可以准确。RAM可以测量程度的各种因素之间的相关性和回归的拟合优度。

在数学领域,林等。29日讨论了未知参数的估计和测试在多元线性回归模型和提供了一个例子。研究发现,信息的准确性和可靠性的记录数据和异常数据集影响因变量的预测分析。Val et al。30.)评估步态参数和活动之间的87名健康受试者年龄在21到84年,他们建造了一个模型,每个步态参数通过回归分析和活动测量。结果表明,正常化步态参数和活动指标通过线性回归模型可以提高比较对象和不同的人体测量值的能力。

在化学领域,Yu et al。31日)水分子的近红外光谱数据建立支持向量回归模型含水量。研究发现,预测均方根误差的支持向量回归模型为2.930%,相关系数为0.994,相对误差分析是9.473。金子et al。32)结合独立分量分析和回归分析方法提取的重要组件,验证的优越性ICA-MLR(多元线性回归)偏最小二乘法模拟数据,并试图将这种方法应用到定量分析水溶解度组织性能的关系。结果表明,比请ICA-MLR达到较高的预测精度。研究还发现,ICA-MLR可以从解释性变量中提取有效成分,构建回归。

在计算机科学领域,刘等人。33tpc - c服务器之间)建立了一个线性回归模型的性能和硬件指数利用数理统计方法,分析各种影响因素tpc - c的性能。模型的基本数据来自tpc - c服务器测试结果从2008年到2013年。结果表明,优化后的模型估计精度超过95%,可以解释服务器的硬件指标之间的因果关系和tpc - c的性能在一定程度上。彭et al。34)提取残余图像通过使用多元线性回归区分自然图像和计算机生成的图形,然后调查了回归模型的拟合程度。实验结果和分析表明,它可以达到平均识别精度为98.69%,和它是健壮的JPEG压缩、旋转、加性噪声、图像缩放。

在医学领域,马等。35)进行多元线性回归分析,x射线测量和WOMAC评分的膝骨关节炎与临床和生物力学的概念和分析他们的关系。结果显示AP x射线的统计意义的价值观和WOMAC评分( )但是没有统计学意义的横向x射线值和WOMAC评分( )。近藤et al。36)提出了一个物流集团的数据处理方法(GMDH)类型神经网络应用到医学图像诊断为肺癌,用主成分回归分析估计神经网络的参数。识别结果表明,该物流GMDH-type神经网络算法用于医学图像诊断为肺癌由于最优的神经网络结构是自动组织适合医学图像的复杂性。

把我们的注意力集中到我们的研究环境中,我们注意到停车价格实际上是相关的外部因素(37),RAM的方法更容易分析多因素模型;因此,内存的方法也可以应用领域的停车价格。在相关的研究中,凯利和赢得[38)使用问卷调查价格的敏感度的差异之间的旅行为商业目的而非商业的目的。有序概率单位回归分析用于对旅行者调查使用停车位的一系列建议增加局部停车在街道上的关税。结果显示价格的敏感度逐渐扩大差距的建议停车价格增加。结果强调,可能不同的定价措施对市场的特定子集的影响决策过程中常常被忽视。Albalate和Gragera39]车库价格的决定因素进行了探讨,借鉴新的自我构建数据库对所有车库在巴塞罗那。结果表明,价格主要受到司机的固定和可变成本,车库周边市场的主导地位与路边停车场和车库的交互。研究还发现,车库价格反应街道停车位的缺乏和路边价格固定的公共权威。Kobus et al。40]介绍了概率回归分析估计的影响停车价格对汽车司机的选择街和车库停车。方法应用于白天巡航停车的地方停车数据不在,街道停车无处不在,车库停车坐落在空间离散。研究发现,司机愿意支付溢价的街道停车范围从0.37€€0.60,和街停车的需求价格弹性。结果表明,即使是小减少街道停车诱导强烈增加股票价格的汽车停在街道上的,和一个政策,实行溢价在街道上的停车场的停车位总数减少。路边停车价格(CPP)是主要的表现停车供给和需求之间的关系。增加停车供给将产生更高的停车需求,这将导致一个恶性循环;增加停车价格可以增加停车供给而抑制停车需求。因此,研究控制停车价格(CPP)实际上是解决停车问题的需求,如停车周转率和停车时间。

为了探索多种因素影响路边停车价格(CPP)和CPP与这些因素的变化规律和预测方面的CPP城市流动,本文回顾了国内外研究时间序列相关和回归分析。从文献综述的分析结果,时间序列方法和回归分析方法可以用来实现本文的目的。

3所示。数据收集

应该指出的是,城市居民的数量(UD),汽车拥有量(CO)的患病率,人均可支配收入(PCDI)宏观的路边停车价格的影响因素。因为这项研究的主题主要是抑制停车价格在城市核心地区,空间范围比较宽,微程序级的程度的影响因素,如主要和次要道路和道路长度对路边停车价格样本地区被认为是相对可以忽略不计。

本文的基本数据来自《中国统计年鉴》(2]。可以保证数据来源的可靠性。在数据源选择的过程中,本文比较了不同城市国民经济和社会发展统计公报,以避免潜在的错误的数据源。其中,城市居民的数量(UD)和人均可支配收入(PCDI)可以直接获得,而汽车保有量(CO)需要通过进一步计算统计年鉴中的数据。

除了RCs和电脑,城市可以除以PCDI, TCs出现在本节在一个单独的类别,因为它们特殊的城市功能和定位。一些RCs,如苏州和厦门,电脑,比如贵阳,需要关注旅游业的影响,占很大比例的国内生产总值(GDP)。因此,一些RCs和电脑也可以归类为TCs。

TCs,对他们来说,可以认为是一个城市分类RCs和电脑之间。本研究收集以下数据变量的核心领域36 RCs, 26个人电脑,和31 TCs: 2 h CPP,特拉华大学,CO, PCDI。从表所示的统计结果1来3。

表1
路边停车价格在RCs的核心地区(2017)。
表2
路边停车价格在核心地区pc (2017)。
表3
路边停车价格在TCs的核心地区(2017)。

4所示。城市路边停车定价模型

4.1。模型的假设

城市的核心地区是主要的城市公共活动系统的一部分。它显示一定的集聚效应,是一个重要的地方城市居民开展各种活动和交流。因此,停车问题等领域的一个重点。CPP预测模型的基本假设摘要如下。

以下4.4.1。CPP ( )有一个明确的和UD的关系( ),有限公司( ),和PCDI (X3),这很重要

CPP是一般常见的整个城市。因此,UD和PCDI选为预测变量。同时,停车价格基本上仅适用于汽车,所以公司选为另一个预测变量。在一项研究中,汉弗莱和Swingley30.)把PCDI和机动车所有权作为预测变量,但研究的准确性仍未建立。

4.1.2。三个变量,UD ( ),有限公司( ),和PCDI (X3),随着时间的增加(t)

获得未来2 h CPP城市的核心地区,有必要计算UD,有限公司,为未来几年PCDI。如果UD、CO和PCDI时间有增加的趋势,未来的三个参数的变化可以通过使用TSM。因此,CPP的核心区域城市可以通过这种方法预测。

4.1.3。预测误差的绝对值的三个参数,UD ( ),有限公司( ),和PCDI (X3),低于0.05,即

预测精度是指预测误差分布的密度或分散程度,也就是说,实际之间的色散和相应的预测价值。如果预测误差 很小,这表明,预测精度高,如果预测误差很大,它表明,预测精度较低。因此,UD的预测精度值,有限公司和相关PCDI CPP预测精度。本文预测误差的绝对值低于0.05被认为是一个可接受的范围内。

4.2。停车定价预测模型建设

之间的关系( )每个两个变量组合的三个变量类型(X1,X2,X3)是安装在MATLAB,发现所有显示二次曲线关系,如图1- - - - - -3。

(一)
(一)
(b)
(b)
(c)
(c)
图1
富裕城市三维数据可视化:(a) CPP-UD-CO之间的效应,在CPP-UD-PCDI (b)的影响,(c) CPP-CO-PCDI之间的影响。
(一)
(一)
(b)
(b)
(c)
(c)
图2
三维数据可视化为贫困城市:(a) CPP-UD-CO之间的效应,在CPP-UD-PCDI (b)的影响,(c) CPP-CO-PCDI之间的影响。
(一)
(一)
(b)
(b)
(c)
(c)
图3
三维数据可视化为旅游城市:(a) CPP-UD-CO之间的效应,在CPP-UD-PCDI (b)的影响,(c) CPP - CO-PCDI之间的影响。

数据可视化的步骤的目的是确定控制停车价格之间的关系和趋势(CPP)和三个独立变量创建一个理论基础的建设停车定价模型。

4.2.1。准备RAM模型

所有基本数据再次安装,所有三种城市类型显示最高的符合二次曲线。因此,以下可以建立三元二次函数来描述之间的关系Y,X1,X2,和X3: 在哪里 回归系数和吗 是一个常数的值。

为了方便起见,方程(1)被转化为一个线性回归six-element如下:

自变量是改变从原来的变量 来 。 输出作为因变量和吗 输入的独立变量。CPP的RC模型( ),电脑( ),和TC ( )得到如下:

4.2.2。TSM模型

时间序列是一个序列的连续观察相同的现象在不同的时间。在这里, 是用来表示时间的观察,X是观测值, 的观测值的时间吗 。

指数平滑法是一种预测过去的加权平均方法观察,使的预测价值 时间等于实际的观测值的加权平均 和时间的预测价值t。指数平滑法是一种特殊形式的加权平均。在较长的观察时间视野,体重的指数却降低了。单指数平滑法只有一个平滑系数和使用的线性组合预测值与观测值一段时期的预测值 。预测模型如下: 在哪里 期的预计值吗 , 是周期的观测值吗 ,和 是平滑系数 。

它可以看到从上面的方程的预测价值 是一个加权平均实际观测值的时期吗t和时间的预测价值 。开始计算,没有预测 第一期,所以我们假设 。

以此类推,可以看出,任何预测价值 是以前所有的加权平均实际观测。出于这个原因,指数平滑法的公式可以写成:

可以看出 预测值之和吗 的时期 和预测误差 。

4.2.3。TSM-RAM模型

根据上述情况,结合时间序列回归分析模型应该如下: 在哪里 的观测值吗 时期 , 是预测 时间的价值 , 是平滑系数 ,和 。

摘要TSM-RAM方法用于计算未来的停车价格。由于数据的频率较高的独立变量的时间序列,采用时间序列法计算独立变量的值的变化在未来几年。与此同时,根据三维数据可视化结果,停车价格之间的关系和三个独立变量是一个二次函数,因此,回归分析方法可以用来估计独立和相关的变量之间的关系。

4.3。测试停车价格模型
4.3.1。拟合优度检验

的 是用来评估系数回归的拟合优度的观察,和它的最大值为1。越大 是,更好的健康。相反,越小 是,越健康。

根据测试结果,拟合优度 年代停车价格模型的RCs,电脑,和TCs是0.8762,0.9050,和0.7777,分别。这意味着UD的准确性( ),有限公司( ),和PCDI ( )在RCs预测2 h CPP,电脑,和TCs是88.14%,90.50%,和77.53%,分别,这表明变量选择在这个模型是准确的和适当的,如表所示4。

表4
拟合优度的测试结果。
4.3.2。F测试

方差齐性检验是用来检验两个样本的方差是否显著不同。根据模型拟合后的方差分析结果,F值的三种类型的城市是34.1967,14.5449,和13.9996,如表所示5。相应的重要性水平是0.0000,0.0000,0.0000 ( )。这表明三元二次方程的非线性模型(1)是合适的。它也证明有显著关系2 h CPP RCs, pc, TCs和三个解释变量。

表5
方差分析。
4.3.3。T以及

的T以及评估三个变量之间的关系的意义,特拉华大学,CO和PCDI 2 h CPP。根据回归结果,的意义 , ,和 在RCs是0.0017、0.0327和0.0013,分别。这些值都小于0.05的临界值,这表明这三个变量的影响在2 h CPP发达城市是重要的核心区域。同样,水平的意义 , ,和 在个人电脑和TCs小于0.05的临界值,如表所示6。因此,三个独立变量的影响在本文选定2 h CPP在核心地区pc和TCs也是重要的。

表6
回归系数测试。

5。应用程序

5.1。案例研究

宁波是一个subprovincial城市市,有一个独立的计划状态下国家社会和经济发展。这也是长江三角洲的经济中心和浙江省。自2000年以来,这个城市的经济经历了持续快速增长。居民的生活水平大幅提升,拥有汽车的数量也在逐年增加。到2018年,增加了28-fold 18年来,导致增加的停车压力。政府现在专注于如何管理通过停车费停车需求。我们把宁波作为RC UD和收集数据,代表公司,在宁波PCDI进行实证分析从2000年到2018年的时期。

盐城位于中国东部沿海的中部,中部和东部的江苏省长江三角洲北翼。它是江苏省最大的地市级城市,城市面积17000平方公里。这个城市是平的,资源丰富。河流南北和东西。受到历史条件、基础设施、生产要素等,盐城有低水平的区域经济发展了很长一段时间。高投入、低产出的问题是显而易见的。其汽车保有量数据落在中间的低水平分布江苏省总体而言,和停车收费系统的发展落后于其他省份。我们盐城作为个人电脑和收集UD,代表公司和PCDI数据在城市进行实证分析从2000年到2018年的时期。

昆明是云南省的省会。它位于中国的西南部。这是全年温暖,也被称为“春城。”其蓬勃发展的旅游业带来了巨大的机遇到昆明。城镇居民可支配收入和汽车拥有量在昆明可以相比一些发达城市。因此,停车问题已经逐渐成为一个紧迫的问题在昆明。我们以昆明为代表TC和收集UD, CO, PCDI城市进行实证分析的数据从2000年到2018年。

5.2。数据处理

我们分析每个城市的三个数据系列,如图4- - - - - -6。

(一)
(一)
(b)
(b)
(c)
(c)
图4
宁波三个数据系列的变化从2000年到2018年:(a) UD历史数据的变化,(b)有限公司历史数据的变化,和(c) PCDI历史数据的变化。
(一)
(一)
(b)
(b)
(c)
(c)
图5
盐城三个数据级数的变化从2000年到2018年:(a) UD历史数据的变化,(b)有限公司历史数据的变化,和(c) PCDI历史数据的变化。
(一)
(一)
(b)
(b)
(c)
(c)
图6
三个数据系列的变化从2000年到2018年昆明:(a) UD历史数据的变化,(b)有限公司历史数据的变化,和(c) PCDI历史数据的变化。

宁波的三个数据系列表现出增加的趋势。其中,增加的趋势(图4 (b))和PCDI(图4 (c))是相对稳定的;UD的增加趋势(图4(一)2009 - 2010年)更强,从而从流动人口的激增41]。总的来说,这三个系列数据显示共同特征。

盐城,江苏省最大的一个地市级城市地区,中国有大量的永久居民,城市化的比例相对较低。盐城市UD的增长率从2007年到2013年,在图5(一个)是由于城市化进程的加速,城市(42]。相应地,CO(图的水平5 (b))和PCDI(图5 (c))也每年稳步增长。总的来说,UD、CO和PCDI数据系列为盐城市展示他们之间的普遍特征。

旅游业的发展带来了巨大的经济效益,昆明,和2008年的城市化水平超过60%,而永久城市居民(图的数量6(一))在2000年达到300万,一直保持着快速增长的趋势。同样,城市的经济水平的提高也反映在公司的快速增加(图6 (b))和PCDI(图6 (c))。总的来说,UD、CO和PCDI昆明系列数据显示共同特征。

5.3。参数预测
5.3.1。时间序列预测

预测结果分为乐观,积极,和保守的场景。TSM是用来预测UD的变化,公司和PCDI在宁波,盐城,昆明从2019年到2021年。统计结果如表所示7如图,整体变化7- - - - - -9。同时,长期演进(2025和2030)的三个数据系列也估计(见表7- - - - - -9)。

表7
2019 - 2021年时间序列预测(乐观)。
(一)
(一)
(b)
(b)
(c)
(c)
图7
宁波未来变化的三个数据系列(2019 - 2021):(a)未来UD的变化,(b)未来公司的变化,和(c) PCDI未来变化。
(一)
(一)
(b)
(b)
(c)
(c)
图8
盐城未来变化的三个数据系列(2019 - 2021):(a)未来UD的变化,(b)未来公司的变化,和(c) PCDI未来变化。
(一)
(一)
(b)
(b)
(c)
(c)
图9
未来的变化三个数据系列昆明(2019 - 2021):(a)未来UD的变化,(b)未来公司的变化,和(c) PCDI未来变化。
表8
2019 - 2021年时间序列预测(积极的)。
表9
2019 - 2021年时间序列预测(保守)。

结果乐观,积极,保守估计UD的趋势,公司,和PCDI命令如下:积极乐观> >保守。的变化特征数据证实TSM的严密性和特殊性。宁波的三个城市,盐城,昆明是有序,整体经济实力而言,如下:宁波>昆明>盐城。此外,公司的水平,在未来几年内PCDI表7符合这个排名。例如,预测PCDI宁波2030年112977元,93290元为昆明,并为盐城市80241元。这些预测的结果也符合表中的激进和保守的预测8- - - - - -9。

5.3.2。错误的测试

预测误差是指预测结果和实际结果之间的差异发展的预测变量,分为预测相对误差和绝对误差预测。绝对误差预测之间的绝对差值和实际观测值的相对误差百分比差异相对于观测值。选择这里,绝对误差的错误描述三个TSM系列预测的数据。

以2017年和2018年为例,实际值的UD有限公司和宁波PCDI系列、盐城和昆明如表所示10- - - - - -12。

表10
比较预测的和实际UD值(单位(1万))。
表11
预测和实际公司的比较值(单元(1万))。
表12
比较预测的和实际PCDI值(单位(元))。

从表可以看出11- - - - - -13这三个数据估计的TSM系列从2017年到2018年的城市宁波,盐城,和昆明有良好的结果:最大误差为3.76%,最小误差为0.005%,和绝对误差低于0.05(5%),这是在可接受的范围之内的。与此同时,平均绝对误差值的乐观,积极,和保守的场景是0.532%,1.075%,和1.080%,respectively-all小于0.05 (5%)。

5.3.3。拟合优度检验

根据试验结果,拟合优度TSM的乐观,积极,上面三个城市和保守的场景是0.9在所有情况下:最大是0.999,最低为0.939,这表明数据估计得到TSM是高度可靠。拟合优度的水平而言,保守的预测是最高的,乐观的预测落在中间,和积极的预测是最低的,这也符合的特征结果见表13。

表13
测试时间序列预测结果的拟合优度。

6。结果

UD、CO和PCDI数据系列未来预测的三种TSM模型替换为相应的三元二次方程提出了在本文的第一部分。2 h CPP的NB的核心领域,YC,公里,短期内(2019 - 2021)和长期(2025、2030)出现在桌子上14。

表14
CPP预测结果。

7所示。讨论和结论

7.1。讨论

根据金发女孩原则(43),停车需求和供给是最好的平衡通过设置停车价格适当。目前,CPP在不同的城市在中国是不一样的,但它仍然是必要的平衡供给和需求通过定价(44]。研究的基础上本文停车定价与UD有很高的相关性,CO, PCDI。因此,预测开发的三个数据系列可以反映一个城市的核心地区的CPP。这一事实表明,本文研究结果有一定的预测能力。

本文将国内城市划分为RCs, pc, TCs根据他们的停车收费系统的差异和经济发展水平。几乎所有城市的2 h CPP数据核心领域,以及特拉华大学,有限公司和PCDI数据对于大多数地市级及以上,收集符合这个模型。最后的计算结果也显示出未来的变化2 h CPP的宁波的城市核心地区,盐城,昆明。同样,它可能收集历史UD、CO和PCDI数据,然后计算其他城市的未来CPP的模型拟合。为城市尚未收集这些数据,模型可以改装,以确保三元二次回归函数是根据城市的实际情况,然后CPP参数修改后可以预测。

如表所示14CPP的三个城市宁波,盐城,昆明显示了未来几年的快速增长趋势预测。这是解释为增加UD有限公司和PCDI也加速城市化不可避免的结果。在这些变量中,增加公司确定停车问题将继续关注决策者在未来几年内的一个领域。考虑增加和当前抑制停车定价政策被大多数城市采用,主要问题如下:(1)停车需求没有被有效地监管(45]:调节停车需求的关键原则是小巷的停车应优先于在街道上的停车;在不同类型的小巷的停车,室内停车场应尽可能优先在露天停车场(46]。目前,大多数城市实现基于时间的CPP,分为法术小于2 h和超过2 h。一般来说,管理者迫使停放的汽车转移到越野停车2 h后法术,所以法术以外的单位停车费2 h 2 h下高于法术。宁波的核心地区的cpp,盐城,昆明很低。虽然宁波的停车价格只有3元,这是高于其他两个城市。这种充电机制不能有效地突出在街道上的差异和小巷的停车场也没有规范停放车辆的转移在街道上的小巷的停车位。(2)鼓励长期停车定价(47]:停车位的标准白天CPP 2017年免费停车的法术不到30分钟,2元/ 30分钟之后在万达广场,宁波,白天停车费每单位时间12 h不会改变。这个价格水平显然是在大多数城市居民的宽容,因为一辆车用户支付只有24小时51元的停车。之前的实现智能停车项目,在这一领域长期停车场利用率接近50%。有一个类似的案例在宁波的天一广场,在当前CPP法术的标准是免费停车15分钟和3元/ 20分钟内2 h;这个设置不鼓励汽车用户车辆转移到停车场,因为第一和第二个小时的费用是一样的。在盐城市这种情况也很常见,CPP是1.5元/ 15分钟在一级区域。此外,在一些城市CPP减少停车时间增加;这是在成都,第一小时的停车收费10元的核心区域和6元每小时之后一定限制,鼓励长期在街道上的停车和限制高生产的发展在街道上的停车场。

CPP在昆明的核心面积预计5.44元高于宁波2035年,见表12。除了造成的差异模型的拟合优度RCs和TCs,昆明的总体经济实力可能高于宁波在未来几年。

在过去,当研究评估当前的停车定价问题,总是得到最终的目标最佳的停车价格(48- - - - - -53]。我们认为停车定价问题的解决方案还应该考虑最佳的停车价格区间,它跨越了最大值的CPP接受旅游者和CPP的最小值是可以接受的决策者。同样,CPP问题也可能在未来几年内仍然是一个问题,所以我们的研究结果也可以被认为是获得未来几年的CPP范围。

在这项研究中,设置了置信区间变量模型拟合和预测过程中(置信水平为95%)。UD TSM时用来评估趋势,公司,和PCDI,输出包含结果对应的最高及最低的信心水平三个未来多年数据系列。预测的三个例子数据系列的乐观宁波市TSM场景如表所示15。

表15
结果三种类型的数据的置信区间在宁波(乐观)。

用在上面的表的数据序列的非线性回归,相应的停车收费定价区间为未来几年可以获得,如表所示16。

表16
2 h CPP范围:未来数年的宁波城市的核心区域(乐观)。
7.2。结论

目前,停车供需失衡问题对城市发展仍然是一个重大的挑战。十分重要的现实意义,准确地确定未来几年的CPP,迅速解决停车供需之间的不平衡,为决策者提供理论支持。

本研究应用TSM-RAM模型预测CPP和解决交通问题造成的停车供给和需求之间的不平衡。数据是通过《中国统计年鉴》。结果显示TSM-RAM模型的有效性进行停车价格预期。同时,我们特别关注将结果分成乐观,积极,保守估计应用TSM时数据系列。此外,路边停车价格(CPP)的预测也是城市化水平的基础上,与中国城市分为RCs,电脑,和TCs,宁波和案例研究,盐城,昆明,被选为代表的城市每个类别对应。结果的多样性还提供额外的信息,以帮助决策者应对未来的停车问题。

本文的结论可以归因于以下三个部分。首先,在数据方面,我们发现路边停车价格的拟合优度检验结果(CPP)和城市居民的数量(UD),汽车拥有量(有限公司),和城镇居民人均可支配收入(PCDI)都在0.9以上,表明所选择的独立和相关的变量之间的相关性非常高。其次,模型和方法而言,我们发现时间序列方法用来预测城市居民的数量(UD),汽车拥有量(有限公司),和城镇居民人均可支配收入(PCDI)结果有极低的错误,所有的这些都在0.05以下。结合三种类型的数据与一个非常高度的适合在街道上的停车价格可以证明TSM-RAM方法适用于CPP的预测。最后,在政策方面,我们建议规范停车需求之间的小巷的停车鼓励在街道上的停车和路外停车;另一方面,室内停车场之间鼓励尽可能多的露天停车场和室内小巷的停车场停车,然后确定价格,鼓励短期停车。

然而,这项研究有一些局限性。首先,本文中的模型只适合数据36 RCs, 26个人电脑,31 TCs。如果正确地添加更多的城市样本数据,模型的拟合优度可以改善。其次,本文只选择三个变量与CPP,即UD、CO和PCDI。后研究人员解决数据收集和预测的难题,道路拥堵等因素可以添加到初始的数据更好地改进模型,该模型的准确性。此外,扩展这项工作应该检查城市地区的类别。本文在中国城市分为RCs,电脑,和TCs根据他们的经济水平,但它也可能是一个不错的选择对城市进行分类根据他们的管理水平。这项工作提供了框架TSM-RAM预测控制停车价格模型。在这个框架中,路边停车价格受UD、有限公司PCDI或各种其他因素可以在市区中心估计解决停车问题。

在大城市,路边停车定价(CPP)政策必须区分区域停车收费标准。本文主要关注的选择影响因素的控制核心地区的停车价格。因此,本文没有考虑差异化停车费是否按地区影响控制停车定价在一个地区。这个问题将详细研究的下一阶段的研究考虑差异化停车定价政策的影响对个人路边停车价格。

此外,TSM-RAM方法提出了有一定的错误,但拟合优度检验的结果,T以及,F测试和误差测试充足,表明预测结果的误差在合理范围内。虽然一个面板数据模型可能有明显的优势在识别测量时间序列和横截面数据,描述个体行为差异,和构建更复杂的行为模型,也有短时间序列相关的缺点和困难的变量设计和数据收集。因此,在下一步中,我们将进行一个面板数据模型研究基于停车价格研究。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由浙江省自然科学基金(没有。LQ19E080003)、哲学和社会科学项目的宁波(G20-ZX07和G20-ZX37),宁波的自然科学基金(2018号a610127),中国国家自然科学基金(71861023),该计划的中国教育部人文社会科学(18 yjc630118),和一百年基金会青年兰州交通大学的人才培训计划。