文摘
停车问题已经收到越来越多的关注。一个准确停车占用预测被认为是一个关键的先决条件最优管理有限的停车资源。然而,停车预测研究,侧重于评估各种停车场的入住率,这是至关重要的协调管理多个公园(例如,小区规模或城市规模),是相对有限的。本研究旨在分析不同预测方法的性能对停车占用,考虑停车停车类型和规模。两种预测方法,FM1 FM2,四个预测模型,线性回归(LR)、支持向量机(SVR),反向传播神经网络(摘要)和自回归移动平均(ARIMA)集成,提出了构建模型,可以预测不同停车场的停车占用。比较这些模型的预测性能,真实数据的四个公园在深圳,上海,东莞收集在8周估计停车场属性之间的相关性和预测结果。根据案例研究,在四个模型认为,支持向量机提供稳定、准确的预测性能几乎所有类型和规模的停车场。为商业、混合功能和大型停车场,FM1和SVM的最好的预测。办公室和中等规模的停车场,FM2支持向量机做了最好的预测。
1。介绍
停车场是一个主要的问题在城市地区。大多数国家都面临停车位的缺乏问题。随着经济发展和城市化、汽车所有权增长迅速,更加剧了停车供需之间的不平衡(1]。中国公安部全国汽车保有量在2018年公布的数据,显示汽车的数量达到2.4亿年增长率为10.51%,但停车位总数只有1.025亿包括私人和公共停车位,这是低于汽车的总数的一半。此外,约30%的交通堵塞在重庆和上海,中国的主要城市,是由于缺乏停车场2]。这个问题主要是由于无效的停车管理。根据最新的研究报告(3),停车空间利用率达到90%以上的城市在中国是< 50%。有限的地区在城市,增加停车场将不是一个可持续的解决方案,但高效的停车管理的实现将是一个实用的解决方案。智能停车场系统是高效的停车管理的重要组成部分。在智能停车系统,对时间敏感的停车占用预测将成为决策者具有重要意义和城市规划者对停车场。
可用停车位的数量在司机的决策过程中起着重要的作用对停车(4,5]。根据Caicedo et al。6),司机在停车,拥有信息可用性是45%的成功主张停车位比那些没有的知识。此外,停车占用预测是有用的在交通管理和规划7]。例如,城市交通等公共机构和计划部门使用预测停车占用信息来管理交通需求和交通拥堵8]。停车设施经理和运营商可能会预见到停车系统性能和执行短期和长期预防战略决策,以避免系统故障(9]。另一方面,停车占用预测可以帮助减少交通拥堵和能源消耗10]。根据一份报告11),平均,我们司机花每年17小时寻找停车位,耗资345美元/司机发生由于时间消耗,燃料和排放。如果一个准确的预测停车可用性可以提供,司机可以节省很多时间,同时寻找停车位,并可以减少能源消耗。因此,停车占用预测是一个重要的,但往往被忽视,元素在交通系统中,它可以平衡分布的停车场的入住率。
因此,研究人员应用模型,如线性回归(LR)、支持向量机(SVM),反向传播神经网络(摘要)和自回归综合移动平均(ARIMA)预测停车可用性。根据文献综述,这些模型的性能可能会发生显著的变化如果停车类型和停车规模被认为是(12]。太阳et al。13)使用局部线性回归模型来预测短期交通基于休斯敦的高速公路上的交通速度数据。他们的结果表明,局部线性方法表现好于内核平滑方法。Apronti et al。14)进行了一次实证研究基于流量统计收集的数据采样在怀俄明州的道路。然后,他们建立了一个线性回归模型和逻辑回归模型预测交通卷。结果表明,两种模型类型可用于准确和具有成本效益的估算交通卷在怀俄明州的道路。Deshpande和巴贾杰15]讨论了实现使用支持向量机的交通流预测模型基于Perungudi附近的交通数据获得收费广场的走廊在钦奈,印度。他们用粗糙集验证预测结果。预测结果完全满意。陈和王16]提出的结合支持向量回归和遗传算法(GA)来预测旅游需求,预测中国的入境旅游流和旅游流在山西,分别。香港et al。17结合遗传算法和支持向量回归预测入境旅游流在巴巴多斯,取得了高质量的预测结果。Pflugler et al。18)用神经网络预测慕尼黑的停车位的可用性在城市地区基于以下因素:本周的日子,时间、位置、温度、事件、交通、假期和降雨。它表明,公开信息可以是一个很好的起始点预测,但是我们仍然需要依靠停车的历史数据。陈(19]预测停车占用使用神经网络在旧金山,ARIMA、线性回归和支持向量回归。结果表明,神经网络在上述模型提供了最好的预测结果。然而,神经网络需要培训超过90分钟,这是很长的。Haviluddin和雷纳20.)建立了一个摘要模型来预测每天的网络流量。模型显示一个不错的均方误差(MSE)值,和两个隐藏层可以作为一个模型来预测交通量。基于摘要模型,Purnawansyah Haviluddin [21日常网络流量在Mulawarman)预测,东加里曼丹,印度尼西亚,基于BP和径向基函数(RBF)神经网络模型,取得了良好的预测结果。王(22)建立了一个摘要模型预测交通流在广州,中国,从2014年8月至12月。他们分析了摘要的网络结构和参数来预测公交交通。窦等。23]利用ARIMA预测交通流在几个时间和提供数值例子的数据来证明他们的模型的准确性。Gustavsson和诺德斯特姆24]的客流ARIMA预测使用不同类型的瑞典入境旅游,取得了高质量的预测性能。
根据作者的最好承认,没有系统的评价各种预测方法对停车占用的影响考虑停车停车类型和规模。为了解决这个问题,本文提出了一种比较研究各种方法的影响,如线性回归、支持向量机、神经网络、和ARIMA预测的性能选择停车场停车考虑各种类型和停车。案例研究,现实世界的数据收集从深圳、上海、东莞和用于分析。
剩下的纸是组织如下。部分2阐述了方法,包括研究框架,数据收集和处理工作,预测方法和模型,模型参数选择和评价指标。我们讨论实证实验与真实数据预测每小时停车占用部分3,紧随其后的是四个不同的性能模型的对比分析使用两种预测方法考虑停车停车类型和规模。最后,部分4总结这篇文章,讨论未来的研究。
2。方法
2.1。研究方法
本研究的研究框架如图1。该框架包括三个阶段:数据收集、方法开发和结果评估。在数据收集的部分,实际数据从四个停车场的收集不同尺度和类型。停车场的每小时停车占用数据得到基于汽车的,和时间记录。在方法开发的部分,提出了两种预测方法。通过Python四个预测模型已经开发,每个应用预测模型与预测方法1 (FM1)和预测方法2 (FM2)。交叉验证技术应用的调优参数。在评价部分,根均方误差(RMSE)和平均绝对误差(MAE)计算来比较两种预测方法的性能和四个预测模型考虑停车停车类型和规模。
2.2。数据描述
四个停车场,位于深圳,东莞,上海,选择不同的尺度和类型,获取的记录入口和出口连续7周。关于四个公园中列出的信息表1。
55天的停车数据从2018年6月2日到2018年7月27日四个停车场收集。在分析过程中,有606959汽车的及时和时间的记录。我们记录汽车在入口和出口的数量每小时每小时预测。前6周的记录,2018年6月9日——2018年7月20日,被用作训练数据训练模型,和上周的数据,2018年7月21日- 2018年7月27日,被用作分析数据。
四个停车场的停车曲线在第一个5周图所示2。四个停车场属于三类。为商业停车场(PL1),停车数量在周末比平时要高得多。办公室的情况下停车场(PL2和PL4)亦然。至于混合功能停车(PL3),没有相当数量变化的车辆在工作日和周末。虽然最初商业停车场,但位于地理位置周围企业建筑,停车情况交错复杂。考虑到停车场的规模,我们把它们分成三类。PL1是一个大型公园,PL4是一个中等规模的公园,PL2和PL3的小型公园。
(一)
(b)
(c)
(d)
根据出入境记录的四个停车场,我们计算汽车的数量在公园停车每小时。一个初始设置为每个停车场的车辆数量的基础上每个停车场的规模从先前的研究中获得。PL1的初始值,PL2、PL3 PL4设置为64,16日14日和0,这使得每个停车场的底部曲线接近于零。
2.3。预测方法
本文提出了两种预测方法。FM1认为周末和工作日是同一组。考虑到每周的模式,我们选择昨天的数据,当天在上周为独立变量来预测停车占用。
FM2作为周末和工作日两个独立集和预测停车占用分别。如图2,周末停车速度曲线相似,而平时的停车率曲线是相同的趋势。停车率曲线不同的周高度重叠。因此,我们预测分别为周末和工作日。为工作日,考虑前五个工作日为独立变量的数据。一个周末,考虑前两个周末的数据作为独立的变量。
2.4。预测模型和参数设置
我们研究的最终目标是准确预测提前停车占用。因此,拟合优度的选择是一个重要的衡量标准模型。根据上面的审查和相关信息,线性回归(25),ARIMA (26),支持向量机(27),摘要(28有良好的预测性能和实现的可行性,选择预测模型的研究。
2.4.1。线性回归
最简单的线性回归的定义是分配一个点集,D,构造一个函数以适应点集,使误差最小点集和函数。如果函数是一条直线,它被称为线性回归。多元线性回归模型的一般形式如下所示: 在哪里Y是解释变量, 是K解释变量, 是K+ 1未知参数,μ是随机误差项。
线性回归的优点是(1)平滑计算,(2)没有调整参数,(3)方便。缺点是预测与其他复杂模型相比不是很准确。线性回归模型不够可行的数据具有非线性特性。
2.4.2。华宇电脑
建立了ARIMA模型的变换的非平稳时间序列为平稳时间序列。ARIMA模型可分为滑动平均(MA),自回归(AR)、自回归移动平均(ARMA), ARIMA基于原始序列的稳定性和回归的差异。一个ARIMA (p,d,问)模型
二阶差分是首先进行时间序列转换成一个静止的。然后,我们使用自相关函数(ACF)和部分汽车相关函数(PACF)来确定最优数量的马和基于“增大化现实”技术的条款。
2.4.3。支持向量机
支持向量机的主要思想是建立一个分类超平面作为决策表面隔离边缘最大化之间的正面和负面的例子。支持向量机是统计学习理论的理论基础。支持向量机有其独特的优势,可以有效地解决实际问题使用小样本,局部最小值点,高层次的模式识别和非线性。
本研究采用支持向量回归(SVR)模型,它是一种支持向量机,广泛应用于时间序列预测,因为它在处理非线性问题能力强。SVR降低风险,因为它是基于结构风险最小化原则,它本质上是一个线性约束的凸二次规划优化问题。
核函数是一种新的SVM方法处理非线性问题。如果函数满足条件,我们就可以直接绕过复杂的量纲变换操作和使用核函数变换来解决高维内部产品。多项式线性内核,内核,径向基函数(RBF)内核,内核和乙状结肠常用的支持向量机。方程(3)- (6)表示上述四个内核:
对于支持向量机,它实现了在MATLAB使用LIBSVM [29日为支持向量机),一个图书馆。RBF(径向基函数)被用作内核函数,和εSVR被选为一个支持向量机模型。惩罚参数C和内核参数γ的基础上选择网格搜索和交叉验证。不同的双(C,γ)值是尝试和最好的一个交叉验证RMSE挑选。我们尝试指数增长的序列C和γ确定好参数。粗网格最初是用来确定一个更好的地区电网,然后细网格区域进行搜索。参数的最佳值被发现后,最后整个训练数据集训练支持向量机模型。
2.4.4。摘要利用
摘要利用是一个误差逆传播算法训练的多层前馈网络,是目前广泛使用的神经网络模型。BP网络可以存储和学习大量的投入产出模式映射关系没有提前揭示数学方程。学习规则是不断调整的重量和阈值通过BP网络使用梯度下降的方法。最终目标是最小化网络的误差平方的总和。
至于摘要,我们建立了3 - layer神经网络。输入层2单元和输出层1单位。其他网络参数,如培训周期,隐层神经元,选择的学习速率和动量词进行模拟使用试验和错误的方法。模型训练使用这些参数的不同组合,实现网络的最大可预测性测试数据通过分析RMSE。这是通过保持选定参数不变,慢慢地在广泛的其他参数值,建议在以前的作品(30.]。
2.5。评价指标
模型的性能评估使用RMSE和梅选择最好的预测模型:模型错误,越低越好。方程(7)和(8)的计算RMSE和梅。
MSE的期望值的平方估计参数值之间的差异和实际参数值。RMSE MSE的算术平方根是;它是用来测量观察和真实值之间的偏差。RMSE值越小,更准确的预测模型是:
美是绝对误差的平均值,最好能反映实际情况的预测错误: 在哪里f我说明和预测价值y我表示真正的价值。
RMSE和梅是绝对指标。的RMSE值越小美,更好的预测。当比较不同模型的预测性能对于同一个目标,美和RMSE将被视为最相关的措施。
3所示。结果与讨论
线性回归、支持向量机、摘要和ARIMA被用来开发模型预测上述四个停车场的停车占用。机器学习模型(线性回归、支持向量机和摘要都适用于这两种预测方法。华宇电脑需要连续历史数据预测。因此,只有FM1应用ARIMA。
3.1。预测的结果FM1
图3显示了四个停车场的预测结果,使用FM1与所有的模型。在四个预测模型与FM1, SVM进行最好的所有的停车场。
(一)
(b)
(c)
(d)
表2显示FM1的预测结果。FM1的性能的比较与所有的模型对不同规模和类型的停车场图所示4。支持向量机进行最好的在所有的模型中。
(一)
(b)
(c)
(d)
总之,考虑到停车场的类型,商业停车场。,和办公室停车场PL1 PL2 PL4,支持向量机做了最好的预测。在所有的模型ARIMA表现最糟糕的。混合功能停车场。,PL3, SVM made the best prediction, and BPNN performed the worst.
考虑停车场的规模,大规模的停车场,即。,PL1, SVM made the best prediction, and ARIMA performed the worst among all the models. For medium-scale parking lots, i.e., PL4, SVM made the best prediction, and BPNN performed the worst among all the models. For small-scale parking lots, i.e., PL2 and PL3, SVM performed the best.
3.2。预测的结果FM2
图5显示了预测结果的四个停车场的模型,使用FM2 ARIMA除外。ARIMA时间序列模型,它是不适合FM2。在四个预测模型与FM2, SVM进行最好的大多数停车场PL1除外。
(一)
(b)
(c)
(d)
表3显示FM2的预测结果。FM2的性能的比较与所有的模型对不同尺度和类型停车场图所示6。SVM进行最好的在所有的模型对于大多数停车场除了大型商业公园。
(一)
(b)
(c)
(d)
总之,考虑到停车场的类型,为商业停车场。,最好PL1,线性回归预测。对办公室停车场(PL2和PL4)和混合功能停车场(PL3),支持向量机的最佳预测,摘要表现最糟糕的。
考虑到停车场规模、大型停车场。,最好PL1,线性回归预测。为中型停车场(PL4)和小型停车场(PL2和PL3)、支持向量机的最佳预测,摘要表现最糟糕的。
3.3。对比FM1 FM2
FM1 FM2与支持向量机的性能不同的范围和类型的停车场相比,如图7。
虽然SVM模型与FM2 PL1例执行比与FM2 LR, SVM模型与FM1表现最好的在所有模型FM1和PL1 FM2。因此,我们可以作出结论,SVM优于其他算法占用预测所有的停车场停车。
总之,考虑到停车场的类型,为商业停车场(PL1)和混合功能停车场(PL3) FM1表现更好。办公室停车场(PL2 PL4), FM2和SVM的最好的预测。考虑到停车场规模、大型停车场(PL1) FM1做出最好的预测。为中型停车场(PL4) FM2了最好的预测。小型停车场,没有结论与SVM的最佳预测FM2 PL2和FM1 SVM PL3的最佳预测。
3.4。讨论
一般来说,它可以发现,支持向量机是非常有前途的停车占用下预测研究。获得的实验结果证明SVM模型的潜力,这可以解释为三个竞争优势传统的SVM模型statistical-based预测模型和BPNN-based预测模型。首先,支持向量机是一个更复杂的模型与ARIMA和LR相比更多的参数。它可以发现更好的支持向量机的主要是由于更多的参数(31日]。此外,由于采用结构风险最小化(SRM)的原则,支持向量机模型可以消除传统的典型缺陷模型(32),如过度拟合问题,从而获得更加稳定和健壮的泛化的结果。此外,支持向量机是一个凸优化问题。局部最优解是全局最优的,所以很容易找到全局最优。这些优势可以解释为什么SVM模型表现明显优于其他模型的案例研究。
4所示。结论
在这项研究中,一个系统的比较是为了分析停车场的停车占用预测不同类型和尺度。两种预测方法和四个预测模型(线性回归、支持向量机、摘要和ARIMA)被用来为停车占用开发预测模型。实现模型,数值实验来预测每小时停车占用与真实世界的数据从四个停车场,位于深圳,东莞,上海,不同的尺度和类型。结果显示如下。(我)总而言之,在四个模型认为在这项研究中,支持向量机在停车占用预测优于其他人。当停车场的类型是不确定或预测方法还没有决定,支持向量机建议停车占用预测。(2)考虑到停车场的类型,为商业停车场和混合功能停车场,FM1和SVM的最好的预测。办公室停车场,FM2支持向量机做了最好的预测。(3)考虑到停车场规模、大型停车场、FM1和SVM的最好的预测。对于中等规模的停车场,FM2和SVM的最好的预测。
数据可用性
请求数据将仅用于研究目的。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究支持基础研究计划部分的深圳市科技创新委员会(JCYJ20180307123910003),创新和创业团队项目为海外高层次人才深圳(KQTD20170810150821146)和中国国家自然科学基金(61673233)。