基于BP神經網絡的停車誘導泊位預測①

高廣銀, 丁 勇, 姜 楓, 李 叢

?

基于BP神經網絡的停車誘導泊位預測①

高廣銀, 丁 勇, 姜 楓, 李 叢

(南京理工大學泰州科技學院計算機科學與技術系, 泰州 225300)

研究了從歷史停車數據中挖掘知識并預測短時段內停車泊位數問題. 分析了停車誘導系統中影響停車泊位數的因素, 結合時間序列確定網絡的輸入變量, 建立BP神經網絡, 在不同訓練階段采用自適應調整學習速率, 以及增加動量項改善網絡的收斂性, 運用Matlab對采集的市區大型地下停車場真實數據進行仿真實驗與分析, 取得良好預測效果. 結果表明該方法與傳統時間序列預測方法相比, 在預測的精度方面有較大程度提高.

BP神經網絡; 停車誘導; 泊位; Matlab

隨著我國經濟的發展, 人民生活水平普遍提高, 城市居民機動車保有數量急劇增長, 停車問題已逐漸成為城市交通的難題, 特別在城市中心區域尤為突出. 為了緩解機動車停車泊位供需矛盾, 智慧交通系統引入了停車誘導[1], 它以提高停車場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位置、車位數量、車位使用狀況及道路交通狀況等信息, 從而引導駕駛員快速、有效地找到停車場. 停車誘導的核心是通過事先部署的分級誘導屏實時地顯示數據中心發送的停車場空余泊位數, 但由于停車信息是時刻動態變化的, 當駕駛員看到誘導信息時的空余泊位數與車輛到達相應停車場后的實際空余泊位數, 往往有較大出入, 造成不必要的麻煩, 可見除了實時地顯示當前停車泊位信息, 對未來短時間內停車泊位的準確預測是停車誘導的重要基礎. 因此, 本文針對停車誘導泊位預測進行研究.

1　相關工作

在停車誘導方面國外走在了前列, 停車泊位的預測已經成為智能交通系統的重要組成部分, 支撐停車誘導系統, 歐洲、美國及日本等國家已經進行了大量的研究工作, 并在實際中取得了應用. 最先采用的是線性時間序列預測方法[2,3], 該方法假定系統中各變量之間是線性關系, 能快速預測下一時刻泊位數, 然而線性模型存在一定的局限性, 它忽略了實際應用中的非線性因素, 從而很難準確地分析和預測; 進一步發展的是非線性時間序列預測模型[4,5], 針對尋找停車位時花費的時間較多、停車效率降低的問題, 對中心區尋找車位行為進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雜性及模型分析需要過多的人工干預, 非常依賴于分析人員的經驗, 故在實際應用中存在一定的局限性. 國內學者針對停車泊位預測研究也取得了一定的成果, 如將車位占有率的變化轉換為時間序列問題的車位占有率預測模型; 陳群[7]、何洪波[8]基于動力學系統原理, 通過嵌入維數和延遲時間對停車泊位的歷史數據實施相空間重構, 建立神經網絡模型進行停車泊位預測, 取得了良好的預測效果. 神經網絡模型可以較好地描述復雜非線性問題, 并且能夠從數據樣本中自動學習以前的經驗而無需反復查詢和表現過程, 并逼近那些描述樣本數據規律的最佳函數, 且所考慮的系統表現函數越復雜, 神經網絡的作用就越明顯. 因此, 神經網絡已經成為目前非線性預測中的常用方法[9,10].

2　用于停車泊位預測的BP神經網絡

基于神經網絡進行停車泊位數預測, 關鍵之一是要確定網絡的輸入變量, 即要對停車泊位數的各項影響因素進行分析和表示; 其次是設計網絡, 包括確定網絡層數、選擇傳遞函數、設置學習速率; 最后根據樣本數據對網絡進行訓練, 并用于預測, 對結果進行誤差分析, 得出結論.

2.1 停車泊位數影響因素分析

將停車泊位預測問題轉化為時間序列預測問題之所以實際預測效果還不夠理想, 是因為僅注意到時間這一個維度對停車泊位數的影響, 而忽略了影響區域停車泊位數的其他因素, 如城市經濟發展水平、停車場所在位置及周邊交通狀況、天氣情況和是否節假日等. 本文對停車場所在位置、天氣以及是否節假日等影響因素進行分析, 并對這些因素進行表示, 其中停車場在非商業中心區, 用“1”表示, 在商業中心區, 用“0.75”表示, 并考慮實時交通狀況, 交通條件較差時, 用“0.5”表示; 天氣良好時, 用“0”表示, 天氣較差時用“0.5”表示, 天氣惡劣時用“0.25”表示; 節假日時, 用“1”表示, 非節假日時, 用“0.5”表示. 將其視為神經網絡的一類輸入變量, 作為對停車場停車數量的影響因素加以分析.

2.2 設計BP神經網絡

① 網絡層數的確定

BP神經網絡可以包含很多個隱含層, 但包含單個隱含層的BP神經網絡, 通過增加隱含層的神經元個數, 同樣可以實現對任意非線性的映射, 故本文采用單隱層的BP神經網絡, 即包含三層: 輸入層、單隱層和輸出層. 停車泊位預測屬于時間序列問題, 通常采用t-50、t-40、t-30、t-20、t-10、t時刻來預測t+10時刻的泊位數, 考慮到上文分析的影響因素, 故輸入層的神經元有9個, 分別對應6個時刻的泊位數及3個影響因素. 根據Kolmogorov定理可知, 隱藏層的神經元可以取19個. 由于預測t+10時刻的泊位數, 故輸出層的神經元設為1個.

② 傳遞函數的選擇

本文隱藏層選擇傳遞函數為Log-Sigmoid函數:

輸出層選擇傳遞函數為Purelin函數:

() =(2)

③ 自適應學習速率調整

在時間序列預測模型基礎上增加3個影響因素給神經網絡帶來了復雜性, 為了有效地減少訓練時間, 本文采用自適應的學習速率, 使網絡的訓練在不同的階段自動設置不同學習速率的大小.

④ 權值更新的改進

在權值調整量Δw()中加入動量項以解決學習速率的選擇與確定. 即將前一次權值調整量Δw(-1)的一部分迭加到按本次誤差計算所得的權值調整量ηδx上, 作為本次的實際權值調整量Δw().

項為動量項, 其取值為(0,1)之間的常數, 根據經驗可取0.1. 加入動量項后, 可以降低神經網絡對誤差曲面局部細節的敏感性, 有效地抑制神經網絡陷入局部極小值, 減小訓練過程的震蕩趨勢, 從而改善網絡的收斂性.

2.3 訓練BP神經網絡

① 實驗數據

本文實驗數據取自泰州市某商業中心地下停車場管理系統實際接口數據, 時間段為十月份, 每隔5分鐘取一條實時數據, 共有8928條停車泊位記錄. 取t時刻、t-10分鐘時刻、t-20分鐘時刻、t-30分鐘時刻、t-40分鐘時刻、t-50分鐘時刻泊位數并作歸一化處理以及3個影響因素的值, 作為網絡的輸入變量, 以2015-10-12~10-18每天16:30~17:30為例, 如表1所示. 根據以上組成樣本的方法, 去掉夜間部分數據, 一共組成1872個樣本. 選擇其中1300個樣本作為BP神經網絡的訓練樣本, 572個樣本作為測試樣本. 對原始數據歸一化處理及對預測數據還原處理的公式為:

(6)

式中:為原始數據,為歸一化后數據,max為原始數據最大值,min為原始數據最小值.

表1 停車泊位數原始數據/歸一化以及停車場位置、天氣、假日

② 創建BP神經網絡并訓練

實驗環境基于Matlab, 利用以下代碼創建和訓練BP神經網絡:

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神經網絡在訓練100次數左右達到收斂, 訓練曲線如圖1所示.

3　實驗結果

3.1 停車泊位數實際值與預測值的比較

訓練好的網絡通過測試樣本進行仿真, 檢驗網絡的泛化能力. 預測結果及誤差如圖2、圖3所示, 所展示的是15:30~19: 30時間段每隔10分鐘預測一次的結果.

圖2 預測值與實際泊位數比較圖

3.2 本方法與傳統時間序列預測方法比較

傳統時間序列預測法不考慮影響停車泊位變化的各種因素, 利用實際泊位數歷史數據構造模型, 進而推測未來泊位數變化趨勢, 通常認為平均誤差在5%左右為預測效果良好. 本文在綜合考慮了影響停車泊位的其他因素后, 確定將停車場位置、天氣及節假日等并入網絡作為輸入變量, 增強了網絡的泛化能力, 如表2所示, 在保證良好預測結果的同時, 提高了預測的精度, 預測平均絕對誤差為6.76個, 93.1%的預測結果其相對誤差小于5%.

圖3 預測值與實際泊位數誤差圖

表2 與傳統時間序列預測法比較(%)

注: MAE:平均絕對誤差; MRE:平均相對誤差; MaRE:最大相對誤差; Pro10:相對誤差小于等于10%所達比例; Pro5:相對誤差小于等于5% 所達比.

3.3 誤差分析

本文方法相比較傳統方法預測的平均相對誤差無明顯改進, 是因為在小部分時刻的預測偏差較大, 產生該偏差的原因是天氣作為網絡的輸入變量, 其值不夠精確, 甚至在某些時刻由于天氣突變, 導致輸入變量值誤差較大, 例如在實驗當天16:40左右下起大雨, 造成預測值明顯低于了實際值. 另一個導致預測偏差的因素是實際交通狀況, 特別是在上下班高峰期, 停車場附近車流量積壓較大, 出場車輛未能及時離開停車場, 往往會造成預測值偏高于實際值.

4　結論

本文基于BP神經網絡對停車誘導泊位預測進行了研究, 分析了影響停車泊位數的主要因素, 建立了用于停車泊位預測的BP神經網絡. 通過采集的停車場真實數據對網絡進行訓練與預測, 仿真實驗結果表明本文方法在保持良好預測結果的同時, 比傳統時間序列預測法在預測精度上有較大提高, 但由于天氣等輸入變量的值不夠精確, 導致網絡在某些時刻預測偏差較大. 進一步的研究將完善網絡的輸入變量, 對天氣、交通等不確定因素建立隱馬爾科夫模型進行預處理, 從而提高網絡的泛化能力.

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.基于相空間重構及Elman網絡的停車泊位數據預測.同濟大學學報(自然科學版),2007, 35(5):607–611.

8 何洪波,韓印,姚佼.基于混沌和BP神經網絡的有效停車泊位預測.交通與運輸,2012,14(7):25–27.

9 張麗莉,儲江偉,范東溟.基于神經網絡的有效停車泊位預測方法研究.黑龍江工程學院學報,2015,29(3):37–44.

10 李松,羅勇,張銘銳.遺傳算法優化BP神經網絡的混沌時間序列預測.計算機工程與應用,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

國家自然科學基金(61373012);泰州市社會發展項目(TSD201538,TS031)

2016-04-18;收到修改稿時間:2016-05-19

[10.15888/j.cnki.csa.005521]