《基于BP神經(jīng)網(wǎng)絡(luò)與LSTM模型的可用停車位預(yù)測模型實(shí)證研究》17000字（論文）

I基于BP神經(jīng)網(wǎng)絡(luò)與LSTM模型的可用停車位預(yù)測模型實(shí)證研究目錄摘要 摘要隨著社會(huì)的進(jìn)步發(fā)展，在生活中人們對(duì)于機(jī)動(dòng)車的使用比例明顯提高。由于游樂園區(qū)域集聚度高、吸引力強(qiáng)的特點(diǎn)，單位面積的交通流量和客流遠(yuǎn)高于一般城市用地類型，將產(chǎn)生較大的交通壓力，容易引發(fā)停車?yán)щy的問題。要解決此類問題，本文通過對(duì)游樂場車位為預(yù)測為內(nèi)容，考慮到停車數(shù)據(jù)的時(shí)間序列特征，引入反向傳播（BP）神經(jīng)網(wǎng)絡(luò)與長短期記憶(LSTM)模型來預(yù)測可用停車位，進(jìn)而實(shí)現(xiàn)短時(shí)停車需求預(yù)測的研究。首先通過收集游樂園停車場數(shù)據(jù)，然后對(duì)模型進(jìn)行建模，進(jìn)行預(yù)測。通過預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)的對(duì)比，檢驗(yàn)?zāi)Ｐ偷念A(yù)測效果。將BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明LSTM神經(jīng)網(wǎng)絡(luò)模型得到的結(jié)果比BP神經(jīng)網(wǎng)絡(luò)模型得到的結(jié)果具有更高的預(yù)測精度。關(guān)鍵詞：游樂場；停車需求預(yù)測；BP神經(jīng)網(wǎng)絡(luò)；LSTM第一章緒論1研究背景和意義隨著社會(huì)的進(jìn)步，人民的生活水平突飛猛進(jìn)，追求生活質(zhì)量的不斷提高已成為現(xiàn)代中國人的共識(shí)。機(jī)動(dòng)車走進(jìn)千家萬戶，在日常生活中機(jī)動(dòng)車成為人們方便出行的交通工具。生活中使用機(jī)動(dòng)車的人數(shù)比例，有很明顯的增加。由公安部公布的2021年度數(shù)據(jù)統(tǒng)計(jì)了解到，我國汽車總數(shù)量達(dá)到3.95億輛，其中，到2021年，新增注冊(cè)汽車3674萬輛，同比增長10.38%。由于大眾對(duì)機(jī)動(dòng)交通的需求日益增加，中國汽車市場潛力巨大，每戶機(jī)動(dòng)車保有量增速顯著。隨著2021年7月，小康社會(huì)全面建成，國內(nèi)旅游業(yè)繁榮興盛。旅游業(yè)也在轉(zhuǎn)型。從游客的出行目的以及方式來看，休閑旅游逐漸代替觀光旅游，游客也逐漸年輕化。近些年來，隨著各大主題公園開幕營業(yè)，游樂場就成為了大部分年輕人選擇出游的目的地。以歡樂谷為例，21年上半年，九家歡樂谷共接待771萬名游客，較19年，同比上漲6%。那么，隨著各大主題樂園的爆火，隨之而來的是其給游樂園及周邊地帶帶來的巨大交通壓力。一般情況下，游樂場會(huì)有淡季，旺季之分。在旺季時(shí)，比如法定公休假期以及寒暑假、周末便會(huì)吸引較大流量，這勢(shì)必會(huì)增加游樂場的停車壓力。由于大多數(shù)停車場目前或者預(yù)測的占用情況缺乏可靠的信息來源及有效的停車指導(dǎo)，導(dǎo)致部分停車場的利用率不高，尋找停車位的道路交通量過大以及等待時(shí)間過長，進(jìn)而影響整個(gè)交通運(yùn)輸系統(tǒng)的效率，并且影響出行人的時(shí)間和心情。為了創(chuàng)造美好的游樂環(huán)境，我們急需適用于游樂場環(huán)境的泊位預(yù)測模型來解決這一難題。作為現(xiàn)代城市智能交通[1]重要的組成部分之一，智能停車誘導(dǎo)系統(tǒng)能夠科學(xué)合理的解決停車位問題，是一種有效的手段。通過人工神經(jīng)網(wǎng)絡(luò)來提前預(yù)測車位，不僅可以緩解停車?yán)щy問題，對(duì)于經(jīng)濟(jì)和環(huán)保也更具有研究意義?，F(xiàn)階段，人工神經(jīng)網(wǎng)絡(luò)不斷發(fā)展進(jìn)步，有效的泊位數(shù)據(jù)，模型搭建變得更為重要，成為系統(tǒng)成功應(yīng)用的重要條件。2國內(nèi)外研究現(xiàn)狀2.1國外研究現(xiàn)狀在停車需求預(yù)測以及停車誘導(dǎo)方面，國外已經(jīng)有許多斐然的研究成果。目前，歐洲、美國、日本等國對(duì)停車誘導(dǎo)系統(tǒng)進(jìn)行了大量的研究，并在實(shí)際中取得了應(yīng)用。國外在靜態(tài)交通領(lǐng)域的研究與實(shí)踐，國外在靜態(tài)交通領(lǐng)域的研究與實(shí)踐中已經(jīng)取得了非常顯著的成就，明顯領(lǐng)先于國內(nèi)在此領(lǐng)域的發(fā)展。其中最主要的一類方法是采用線性時(shí)間預(yù)測序列的方法，此方法假設(shè)系統(tǒng)內(nèi)所有變量之間都是線性關(guān)系，但這會(huì)使得其在實(shí)際應(yīng)用當(dāng)中進(jìn)行分析和預(yù)測受到了極大的局限性。因?yàn)樵趯?shí)際的應(yīng)用過程當(dāng)中總是包含一些非線性因素，而這些非線性因素會(huì)對(duì)我們的預(yù)測結(jié)果產(chǎn)生較大的影響，這時(shí)就需要采用一些非線性時(shí)間序列預(yù)測模型為系統(tǒng)增加非線性因素，使其能更好的描述或逼近令我們滿意的結(jié)果；另一類方法是引入以混沌理論、非參數(shù)回歸等非線性理論為基礎(chǔ)的非線性的時(shí)間序列模型，并使用這些基本理論構(gòu)建合適的預(yù)測模型。這類非線性時(shí)間序列模型能夠很好地表示停車場空余車位與時(shí)間及復(fù)雜停車現(xiàn)象等因素之間的非線性特征，能夠很好地應(yīng)用于車位預(yù)測模型中，并提高相關(guān)單位停車場管理效率。Tong等人提出了包括閾值自回歸模型、門限回歸模型[4]等模型驅(qū)動(dòng)的方法，對(duì)城市車輛集中區(qū)域進(jìn)行理論研究和實(shí)例分析，旨在減少停車?yán)速M(fèi)的時(shí)間，提高出行效率。但由于現(xiàn)實(shí)場景中具有諸多非線性因素，此類方法在實(shí)際應(yīng)用當(dāng)中還是具有較大的局限性[5]。EleniI.Vlahogianni，KonstantinosKepaptsoglou團(tuán)隊(duì)[6]提出了一種新的多步超前泊車可用性預(yù)測的理論。該理論框架包括兩種預(yù)測方式：第一種是給定具體的時(shí)間間隔，求出空閑車位長時(shí)間處于空閑狀態(tài)的概率；另一種給定具體的城市道路區(qū)域，預(yù)測其短時(shí)車位占用率。在多個(gè)不同的區(qū)域內(nèi)搭建傳感器網(wǎng)絡(luò)，并建立每個(gè)區(qū)域內(nèi)的生存模型及神經(jīng)網(wǎng)絡(luò)模型。最后，作者提出了一個(gè)基于Web的實(shí)時(shí)泊車位可用性預(yù)測系統(tǒng)的具體方案。C.Badi[7]等人通過結(jié)合歷史數(shù)據(jù)、天氣狀況和附近交通流量的變化設(shè)計(jì)了一個(gè)貝葉斯正則化神經(jīng)網(wǎng)絡(luò)(BRANN)來預(yù)測可用的泊車位，并通過多個(gè)泊車數(shù)據(jù)集與SVR模型、ARIMA模型和RNN模型產(chǎn)生的結(jié)果進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明，作者提出的BRANN網(wǎng)絡(luò)模型結(jié)果優(yōu)于其他三種方法。2.2國內(nèi)研究現(xiàn)狀我國在這一方面開展的較晚，但目前來說，已經(jīng)有了很多的研究。比如在2003年，楊兆升等人[8-9]使用BP神經(jīng)網(wǎng)絡(luò)結(jié)合模糊神經(jīng)網(wǎng)絡(luò)搭建車位數(shù)據(jù)預(yù)測模型；在2007年，陳群等[10]提出了一種基于空間相位重建與Elman神經(jīng)網(wǎng)絡(luò)的泊位預(yù)測算法，其所提出算法的創(chuàng)新點(diǎn)在于使用Elman神經(jīng)網(wǎng)絡(luò)通過重構(gòu)相空間來獲取輸入量，選擇合適的輸入量，從而極大地提高了預(yù)測精度。 在2014年，季彥婕等人[11]使用馬爾科夫模型進(jìn)行預(yù)測，預(yù)測結(jié)果較之前的方法得到了明顯的改善。Liu等人[12]通過使用混沌時(shí)間序列進(jìn)行可用泊車位的預(yù)測，雖然其預(yù)測速度較快，但是其預(yù)測精度仍需進(jìn)一步改進(jìn)；王宏杰等[13]通過BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)出了一套全新的交通動(dòng)態(tài)時(shí)序預(yù)測算法，改進(jìn)的算法主要解決了模型網(wǎng)絡(luò)容易陷入局部最小點(diǎn)的問題，在此基礎(chǔ)之上顯著提高了系統(tǒng)的收斂性使得預(yù)測結(jié)果更加精確可靠；何洪波[14]基于動(dòng)力學(xué)系統(tǒng)原理，利用嵌入維度和延時(shí)的方法，實(shí)現(xiàn)了對(duì)泊位的相位空間重建，并利用神經(jīng)網(wǎng)絡(luò)方法對(duì)泊位進(jìn)行了預(yù)測，取得了良好的預(yù)測效果。張獻(xiàn)峰、楊廣威、龍東華等在結(jié)合停車需求特點(diǎn)分析了停車需求影響因素的基礎(chǔ)上，提出了基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)停車需求預(yù)測模型。任福田、劉小明、榮建等[15]根據(jù)不同的研究目標(biāo)，將泊車位的需求模型分別等價(jià)于基于土地利用和停車設(shè)施關(guān)系的模型、基于停車需求和出行交通狀況的出行吸引模型和基于相關(guān)性分析的多元回歸分析模型；劉菲等[16]使用基于循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM模型構(gòu)建空余車位預(yù)測算法，搭建了一個(gè)優(yōu)化的基于LSTM的BidirectionalLSTM模型，BidirectionalLSTM模型對(duì)之前的LSTM得到的時(shí)間序列結(jié)果再進(jìn)行學(xué)習(xí)，可以有效地彌補(bǔ)預(yù)測結(jié)果誤差較大的劣勢(shì)。大多數(shù)神經(jīng)網(wǎng)絡(luò)模型可以更好地解決繁瑣的非線性問題，還可以自動(dòng)從數(shù)據(jù)樣本中學(xué)習(xí)過往經(jīng)驗(yàn)，并且不需要重復(fù)查詢和表現(xiàn)過程就能不斷逼近最能描述所呈現(xiàn)樣本規(guī)律的最佳函數(shù)。一般來說，當(dāng)我們考慮的系統(tǒng)越復(fù)雜，神經(jīng)網(wǎng)絡(luò)的效果就越好。所以，神經(jīng)網(wǎng)絡(luò)已經(jīng)成為了一種最常見的預(yù)測方法[17-18]。3論文研究內(nèi)容及框架3.1研究內(nèi)容本文以游樂場泊位需求預(yù)測為研究內(nèi)容，通過對(duì)國內(nèi)外文獻(xiàn)的閱讀，學(xué)習(xí)現(xiàn)今對(duì)于車位預(yù)測的研究方法以及改善辦法。通過對(duì)游樂園場所交通狀況的深入分析和調(diào)研，選擇應(yīng)用較為廣泛的BP神經(jīng)網(wǎng)絡(luò)模型開展研究，根據(jù)調(diào)研的數(shù)據(jù)，觀測數(shù)據(jù)變化，最終選取BP神經(jīng)網(wǎng)絡(luò)和LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)作為此次論文的模型選擇并應(yīng)用。本文通過實(shí)例，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型和LSTM模型預(yù)測，預(yù)測后結(jié)果數(shù)據(jù)與實(shí)際觀測到的部分?jǐn)?shù)據(jù)進(jìn)行對(duì)比，然后通過兩個(gè)模型之間的訓(xùn)練時(shí)間以及精確程度，來判定LSTM模型得到的預(yù)測結(jié)果是否適合本次研究并且是否會(huì)比BP神經(jīng)網(wǎng)絡(luò)更有優(yōu)勢(shì)。3.2論文結(jié)構(gòu)本篇論文研究基于人工神經(jīng)網(wǎng)絡(luò)的游樂場停車需求預(yù)測，主要分為以下五章內(nèi)容：第一章為緒論，主要是對(duì)選題的研究背景、意義進(jìn)行了分析，同時(shí)參考了大量的文獻(xiàn)資料，對(duì)國內(nèi)外有關(guān)領(lǐng)域的研究狀況進(jìn)行了簡要的介紹。第二章主要分析游樂場該場景停車需求的研究，從交通選擇行為、交通量吸引、停車的時(shí)間特點(diǎn)來進(jìn)行研究。通過前人的研究敘述泊位預(yù)測的方式方法。比如，時(shí)間序列的預(yù)測方法、循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測等方法。第三章主要是簡述人工神經(jīng)網(wǎng)絡(luò)常規(guī)模型進(jìn)行介紹。對(duì)BP神經(jīng)網(wǎng)絡(luò)和LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)使用MATLAB軟件進(jìn)行模型搭建。第四章是在實(shí)際案例下將LSTM模型進(jìn)行仿真驗(yàn)證，并對(duì)BP神經(jīng)網(wǎng)絡(luò)算法簡單仿真驗(yàn)證。最終，利用均方根誤差將兩種算法進(jìn)行對(duì)比。第五章研究結(jié)論的闡述，并概括全文主題內(nèi)容。最后，闡述在該領(lǐng)域?qū)ξ磥淼陌l(fā)展以及展望。3.3關(guān)鍵技術(shù)路線調(diào)查研究現(xiàn)狀，確定選題調(diào)查研究現(xiàn)狀，確定選題整理相關(guān)文獻(xiàn)，分析研究現(xiàn)狀確定研究對(duì)象制定研究計(jì)劃游樂場停車需求研究人工神經(jīng)網(wǎng)絡(luò)基本原理通過MATLAB建立預(yù)測模型，構(gòu)建BP神經(jīng)網(wǎng)和LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的停車泊位數(shù)量預(yù)測模型得出結(jié)果，分析總結(jié)，撰寫論文。分析對(duì)比兩個(gè)模型數(shù)據(jù)采集時(shí)間段分析圖1-1技術(shù)路線圖Figure1-1Technicalroadmap3.4論文創(chuàng)新點(diǎn)目前，國內(nèi)車位需求預(yù)測模型的發(fā)展已經(jīng)日趨完善，停車誘導(dǎo)技術(shù)也在快速發(fā)展當(dāng)中?；谏窠?jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測方法也運(yùn)用到了城市商業(yè)區(qū)、酒店、醫(yī)院等停車?yán)щy的地方。本文基于LSTM模型對(duì)游樂場進(jìn)行車位需求研究，現(xiàn)階段對(duì)游樂場這個(gè)場景的車位需求預(yù)測研究較少。并且LSTM模型和傳統(tǒng)的模型對(duì)比起來，該模型可以有效避免梯度消失等問題，而且提高了對(duì)時(shí)間序列中長時(shí)間間隔或延遲的事物的處理能力。利用該模型對(duì)車位進(jìn)行預(yù)測，在現(xiàn)階段應(yīng)用也比較流行。第二章游樂場停車需求研究及停車預(yù)測理論近年來，隨著中國的日益繁榮，中國的經(jīng)濟(jì)得到了快速發(fā)展。國內(nèi)旅游業(yè)有著日趨增長的勢(shì)頭，人民群眾對(duì)美好生活的需求與日俱增，人民群眾更注重旅游的質(zhì)量，不在單是以前老一套的旅游方式。面對(duì)這種需求之下，中國旅游市場呈現(xiàn)多元化和加速升級(jí)換擋的趨勢(shì)。在這樣一種發(fā)展態(tài)勢(shì)下，中國的主題公園，游樂場產(chǎn)業(yè)蓬勃發(fā)展。那么，在人流、車流聚集在一起的時(shí)候，停車就會(huì)有困難。驅(qū)車前往的人并不清楚園區(qū)的停車場狀況，無法了解空余的車位情況，沒有明確的停車指導(dǎo)，人們的停車需求得不到滿足，在自己進(jìn)行尋找時(shí)，車輛聚集，便會(huì)導(dǎo)致交通擁堵?，F(xiàn)階段，對(duì)于停車需求預(yù)測的方式模型也多種多樣。1游樂場停車需求研究從交通方式選擇來說，對(duì)于前往游樂場會(huì)有很多種搭乘的交通工具。通過調(diào)查發(fā)現(xiàn)，在所有前往游樂場占比最高的是自駕出行方式，如圖2-1所示有49.01%的人會(huì)選擇自駕前往游樂場；有20.79%的人會(huì)選擇地鐵、公交這類交通工具；還有18.81%的人選擇其他的出行方式。當(dāng)大家部分選擇私家車出行時(shí)，那么，對(duì)于前往游樂場的人群對(duì)車位的需求就會(huì)增加，就會(huì)造成游樂場停車較為困難的問題。圖2-1游樂場交通出行示意圖Figure2-1PlaygroundTrafficTravelMap從交通量吸引方面來說，由于游樂園區(qū)域集聚度高、吸引力強(qiáng)的特點(diǎn)，會(huì)產(chǎn)生比較大的人流量和交通吸引量。本文通過調(diào)查發(fā)現(xiàn)，在游樂場旺季時(shí)期，比如節(jié)假日、寒暑假、周末會(huì)產(chǎn)生較大的人流，就會(huì)造成車流擁擠。如圖2-2所示，人們對(duì)于去游樂園的時(shí)間選擇多數(shù)是選擇在節(jié)假日游玩；其次是選擇在周末游玩；在工作日時(shí)期就會(huì)較前兩項(xiàng)有所降低。圖2-2游樂場出行時(shí)期示意圖Figure2-2Playgroundtravelperioddiagram通過搜集資料，從國內(nèi)的部分游樂場營業(yè)來看，歡樂谷的年游客人數(shù)大約在200-300萬人次之間，每天大約有2-3萬人。在2021年十一期間，上海迪士尼樂園游客數(shù)量達(dá)到約為20萬人；北京的環(huán)球影城游客數(shù)量達(dá)17萬人；廣州長隆世界，達(dá)到約為15萬人。本文展示了2021年國慶節(jié)假期上海迪士尼的游客數(shù)量，如圖2-3所示：圖2-3迪士尼國慶節(jié)訪客數(shù)量Figure2-3DisneyNationalDayVisitorNumbers每日的人流較大，對(duì)于車位需求也會(huì)更大。園區(qū)內(nèi)車流量增多，并且園區(qū)內(nèi)停車指引設(shè)置模糊，那么他們將會(huì)花費(fèi)很大的時(shí)間去找可用車位。離園時(shí)也會(huì)出現(xiàn)出口指示不明確造成道路堵塞、時(shí)間延誤等因素。當(dāng)一些人選擇搭乘出租車或是快車時(shí)，就會(huì)與出園的車輛在地面產(chǎn)生擁堵，進(jìn)而造成交通系統(tǒng)的通行能力降低，甚至可能引發(fā)交通事故。這樣的情況，既不利于園區(qū)安全管理，也不利于城市交通。所以，園區(qū)對(duì)于車位的需求，以及對(duì)可用車位的需求預(yù)測，建立停車誘導(dǎo)系統(tǒng)，就顯得非常的重要。從游樂園停車時(shí)間的特點(diǎn)來說：（1）園區(qū)停車具有波動(dòng)性。去游樂場游玩受季節(jié)，天氣的影響，停車需求會(huì)隨著園區(qū)人流形成波動(dòng)。（2）停車的時(shí)間長短不一樣。處于旅游旺季的時(shí)候，游客在游樂園內(nèi)游玩的時(shí)間會(huì)增長，所以停車的時(shí)間就會(huì)隨之增長，這樣就會(huì)使得泊車位的周轉(zhuǎn)率下降；在旅游淡季的時(shí)候，受游樂園游樂項(xiàng)目開放與否與排隊(duì)時(shí)間等因素的影響，游客數(shù)量減少，同時(shí)游玩的時(shí)間大大縮短，使得停車時(shí)間也會(huì)隨之變短。（3）從游樂場的開放時(shí)間我們也可以了解到，一般游樂場會(huì)有上午，晚上游玩場次，那么在上午和下午便會(huì)有大量的車輛涌入的情況。下圖為前人研究的深圳歡樂谷一日車輛到達(dá)，離去高峰時(shí)段折線圖：圖2-4歡樂谷車輛進(jìn)出折線圖Figure2-4PleasantValleyvehicleaccessfoldingmap從圖2-4可以看到，到達(dá)高峰時(shí)段一般集中在9：00-11：00；在13：00-14：00累計(jì)在園人數(shù)到達(dá)高峰；離去高峰時(shí)段一般集中在17：00前后。所以，在到達(dá)高峰時(shí)段，有效的空余車位需求預(yù)測會(huì)給人們提供簡單快捷的指導(dǎo)從而節(jié)約時(shí)間，也會(huì)給樂園的建設(shè)者提供規(guī)劃停車場的依據(jù)。2預(yù)測概念及其步驟2.1預(yù)測概念預(yù)測是一種對(duì)將來發(fā)生的事情進(jìn)行預(yù)測的方法。這就涉及到利用收集到的歷史資料，運(yùn)用一定的數(shù)學(xué)模式進(jìn)行預(yù)測和推理，也可以是對(duì)將來的預(yù)期，也可以是基于以上的綜合，也就是通過管理者的正確判斷而進(jìn)行的。2.2預(yù)測步驟（1）確定預(yù)測對(duì)象。其中包含了預(yù)測的目的、對(duì)象和需求。（2）選擇預(yù)測方法。根據(jù)研究的對(duì)象，預(yù)測的對(duì)象的特點(diǎn)，選擇切合該對(duì)象的研究方法，達(dá)到經(jīng)濟(jì)和效率高的目的。（3）收集必要的數(shù)據(jù)進(jìn)行預(yù)測。在收集數(shù)據(jù)進(jìn)行預(yù)測時(shí)，要保證數(shù)據(jù)的正確性和可靠性，否則準(zhǔn)確性會(huì)受到影響。（4）搭建車位預(yù)測神經(jīng)網(wǎng)絡(luò)模型。預(yù)測算法與模型的構(gòu)建是此次研究當(dāng)中極為重要的一部分，我們所要搭建的神經(jīng)網(wǎng)絡(luò)模型必須包括足夠的數(shù)據(jù)量、高質(zhì)量的數(shù)據(jù)集以及準(zhǔn)確的數(shù)據(jù)方法。（5）驗(yàn)證預(yù)測模型。需要確定所選擇的預(yù)測模型對(duì)于我們要進(jìn)行的預(yù)測是否有效。（6）進(jìn)行預(yù)測。在已有的有關(guān)數(shù)據(jù)和已有的預(yù)測模型的基礎(chǔ)上，要對(duì)所要預(yù)測的目標(biāo)做出合理的預(yù)測。（7）分析預(yù)測結(jié)果。對(duì)比預(yù)測和真實(shí)的數(shù)據(jù)，分析產(chǎn)生誤差的原因，如果誤差過大，需要改進(jìn)原始的模型，以達(dá)到預(yù)期的效果。3停車需求預(yù)測方法停車需求狀況預(yù)測是指以歷史、現(xiàn)有的車位數(shù)據(jù)為基礎(chǔ)，采用智能的方法，對(duì)可用車位未來的狀況的測定。車位預(yù)測是緩解交通擁堵問題的有效途徑之一。現(xiàn)階段，從停車需求供給角度來看，改革開放以來，中國經(jīng)濟(jì)發(fā)展突飛猛進(jìn)、人民生活水平持續(xù)提升，并于2020年全面建成小康社會(huì)。在此期間，我國城鎮(zhèn)化的快速推進(jìn)，機(jī)動(dòng)化也得到高速發(fā)展，汽車數(shù)量迅速增加。國內(nèi)外對(duì)此的預(yù)測研究方法也在不斷增加，并變得更加準(zhǔn)確。查閱資料、文獻(xiàn)，我們可以知道在停車需求預(yù)測的應(yīng)用中，停車生成率模型、相關(guān)分析模型、機(jī)動(dòng)車OD預(yù)測法（出行吸引模型）等方法是我們最常用的幾種模型[19-22]。我們將一般的預(yù)測方式區(qū)分為定性預(yù)測、時(shí)間序列預(yù)測、因果分析預(yù)測和模擬等方式。當(dāng)時(shí)間序列預(yù)測方法用于停車需求預(yù)測這一大背景下，一般包括簡單移動(dòng)平滑、加權(quán)移動(dòng)平滑、自回歸模型等方法。隨著科技的發(fā)達(dá)，以及很多學(xué)者在預(yù)測方面的研究，出現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)時(shí)間序列分析。此文就人工神經(jīng)網(wǎng)絡(luò)時(shí)間序列分析進(jìn)行研究。在因果聯(lián)系法中，回歸分析法是我們常用于進(jìn)行車位預(yù)測的方法。3.1停車生成率模型停車生成率反映了土地使用性質(zhì)與停車位需求之間的確定關(guān)系，是指每單位開發(fā)和土地使用所產(chǎn)生的交通流量，進(jìn)而所產(chǎn)生的停車位需要的數(shù)量，停車位需求是不同土地類型所產(chǎn)生的停車需求的總和。數(shù)學(xué)模型如式2-1所示： (2-1)其中:表示第分區(qū)每日泊車需求量（泊車位或者車次）； 表示第分區(qū)第類土地利用指標(biāo)；表示第類土地的停車生成率指標(biāo)。停車生成率法所得到的停車需求峰值與區(qū)域特征有著很大的關(guān)系，其空間分布的可靠性也很高；然而，在大量的工作量和更長的時(shí)間內(nèi)，未來的道路交通影響函數(shù)的精確性將會(huì)降低，而長期的停車需求的總規(guī)模精度將會(huì)有很大的偏差。3.2相關(guān)分析模型相關(guān)分析模型是建立一個(gè)用于預(yù)測泊位需求的函數(shù)關(guān)系。通過構(gòu)建停車需求與地區(qū)經(jīng)濟(jì)活動(dòng)、土地利用率等變量的關(guān)系來實(shí)現(xiàn)相關(guān)分析法，對(duì)停車需求進(jìn)行了預(yù)測,同時(shí)還要求提供有關(guān)人口規(guī)劃、就業(yè)、城市經(jīng)濟(jì)活動(dòng)等方面的詳盡數(shù)據(jù),該方法涉及到的因素比較多,預(yù)測方法也比較嚴(yán)格，但模型中涉及到的參數(shù)比較多，調(diào)查工作量也比較大，而且計(jì)算時(shí)間也比較短，實(shí)用性不廣。隨著時(shí)間的推移，各個(gè)因素也可能發(fā)生變化，導(dǎo)致預(yù)測結(jié)果出現(xiàn)誤差。數(shù)學(xué)模型如式2-2所示：(2-2)其中：第d年i時(shí)期的泊車位需求數(shù)據(jù)由參數(shù)表示；第d年i地區(qū)的就業(yè)崗位數(shù)據(jù)由參數(shù)表示；第d年i區(qū)域的總?cè)丝跀?shù)據(jù)由參數(shù)表示；第d年i區(qū)域總計(jì)的所有房屋內(nèi)建筑面積由參數(shù)表示；第d年i區(qū)域內(nèi)的企業(yè)數(shù)量由參數(shù)表示；第d年i區(qū)域內(nèi)的所有零售服務(wù)業(yè)由參數(shù)表示；第d年i區(qū)域小汽車擁有數(shù)由參數(shù)表示，值得注意的是，表示的是回歸系數(shù)。相關(guān)分析模型考慮的因素較多，預(yù)測方法也更加嚴(yán)格。然事實(shí)上，在實(shí)際應(yīng)用過程中，我們必須要考慮更多的參數(shù)才能使我們的模型更為嚴(yán)謹(jǐn)，但這樣的方法實(shí)用性較低，且所能用來預(yù)測的時(shí)間區(qū)間較短，不符合我們的現(xiàn)實(shí)應(yīng)用。并且隨著時(shí)間的變化、模型當(dāng)中的因素也會(huì)發(fā)生改變，使得模型預(yù)測結(jié)果出現(xiàn)較大偏差，魯棒性較差。3.3機(jī)動(dòng)車OD預(yù)測法機(jī)動(dòng)車OD預(yù)測方法，又叫出行吸引模型。顧名思義，這種預(yù)測方法與某地區(qū)的交通吸引力有直接聯(lián)系。根據(jù)某個(gè)特定區(qū)域的出行人數(shù)，根據(jù)其不同出行方式的占比就能計(jì)算得到到達(dá)某一區(qū)域附近的汽車數(shù)量，再結(jié)合時(shí)間特征與該地區(qū)泊車數(shù)據(jù)，就能計(jì)算得到此時(shí)刻該地區(qū)的機(jī)動(dòng)車泊位需求量[23]。在機(jī)動(dòng)車OD預(yù)測法中，最重要的問題是確定各交通模式的分?jǐn)偙壤约败囕v的運(yùn)載能力。數(shù)學(xué)模型如式2-3所示： (2-3)其中：i區(qū)域的整日泊車需求數(shù)據(jù)由參數(shù)表示；i區(qū)域整日各類型車輛，包括大客車、小客車、出租車、大貨車、小貨車等車型的吸引量用參數(shù)Ai、Bi表示；機(jī)動(dòng)車平均停車率由α表示，我們一般將α設(shè)置為(0.8-0.9)。機(jī)動(dòng)車OD預(yù)測法對(duì)于OD的依賴性很強(qiáng)，并且空間分布感較弱。3.4交通量-停車需求預(yù)測模型區(qū)域交通對(duì)交通流的吸引力是影響區(qū)域社會(huì)經(jīng)濟(jì)活力的重要因素?？梢赃@么說,一個(gè)區(qū)域內(nèi)的機(jī)動(dòng)車輛的吸引力會(huì)使這個(gè)區(qū)域的交通流量和停車需求的增長。我們通過對(duì)綜合交通調(diào)查獲取的數(shù)據(jù)建立出行吸引模型，根據(jù)各城市商務(wù)中心(CBD)對(duì)各區(qū)域的車輛分布與停車吸引量構(gòu)建模型，并對(duì)停車次數(shù)進(jìn)行研究，從而得到各個(gè)區(qū)域的不同停車需求。數(shù)學(xué)模型如式2-4所示： (2-4)其中： 第i區(qū)域機(jī)動(dòng)車每日實(shí)際停車位需求數(shù)據(jù)由參數(shù)Pi表示，其單位：標(biāo)準(zhǔn)停車位；第i區(qū)域所預(yù)測得到的交通吸引量數(shù)據(jù)由參數(shù)Vi表示，其單位：標(biāo)準(zhǔn)車位；需要注意的是，A、B為回歸系數(shù)。 使用這種方法通過特定區(qū)域機(jī)動(dòng)車保有量（交通保有量），計(jì)算得到該區(qū)域所有機(jī)動(dòng)車的停車需求數(shù)據(jù)，是一種簡單且有效的方法。但是它只適合于數(shù)據(jù)結(jié)構(gòu)簡單的地區(qū)，并且預(yù)測時(shí)間區(qū)間較短。3.5時(shí)間序列分析法時(shí)間序列法的定義是通過時(shí)間序列理論和方法來預(yù)測泊車數(shù)據(jù)的方法，其本質(zhì)是對(duì)收集到的停車數(shù)據(jù)序列進(jìn)行處理，并根據(jù)所收集到的數(shù)據(jù)序列的特性構(gòu)建一個(gè)參數(shù)模型，得到車位短期預(yù)測模型。目前比較經(jīng)常用到的模型包括自回歸模型、移動(dòng)平均模型等經(jīng)典模型。(1)簡單序時(shí)平均數(shù)法也稱算術(shù)平均法。在這種情況下，將一系列歷史時(shí)期的統(tǒng)計(jì)值作為觀察值，并得到一個(gè)算術(shù)平均值作為對(duì)下一個(gè)時(shí)期的預(yù)測。這一方法僅用于對(duì)一些情況不太明顯的趨勢(shì)預(yù)測。如果事物有升降的趨勢(shì)，這種方法就不合適。(2)自回歸模型，又稱為AR模型，它是通過某一參數(shù)過往的數(shù)據(jù)量來計(jì)算現(xiàn)在的數(shù)據(jù)。如給定數(shù)據(jù)x，它是通過計(jì)算x1至xt-1來推斷xt的參數(shù)，在這里假設(shè)它們之間為線性關(guān)系。數(shù)學(xué)公式如式2-5所示： (2-5)其中：c為一般常數(shù)項(xiàng)；εt為平均數(shù)為0，標(biāo)準(zhǔn)差為的隨機(jī)誤差值；且假設(shè)與t是無關(guān)的，即t的改變不會(huì)影響的值(3)自回歸移動(dòng)平均法（ARMR）是一種基于自回歸模式（AR模式）和滑動(dòng)平均模式（MA模式）“混合”得到的一種時(shí)間序列分析方法，具有適用范圍廣、預(yù)測誤差小的特點(diǎn)。自回歸移動(dòng)平均模型目前廣泛應(yīng)用于時(shí)間序列的預(yù)測。數(shù)學(xué)公式如2-6所示：(2-6)即簡寫為： (2-7)其中：和是自回歸模型和移動(dòng)平均模型的兩個(gè)參數(shù)；和表示自回歸模型和移動(dòng)平均模型的兩組系數(shù)；誤差項(xiàng)用來表示。若誤差項(xiàng)滿足標(biāo)準(zhǔn)正態(tài)分布，表示為：(2-8)滿足上述公式的方程，稱為自回歸移動(dòng)平均模型，簡稱模型。(4)指數(shù)平滑法是采用指數(shù)平滑模型對(duì)車位數(shù)據(jù)參數(shù)進(jìn)行預(yù)測，再利用最小二乘原理或遺傳算法等實(shí)現(xiàn)參數(shù)估計(jì)。指數(shù)平滑模型是一種遞歸運(yùn)算，它不需要太多的數(shù)據(jù)存儲(chǔ)，僅需將前面的估算和濾波參數(shù)進(jìn)行存儲(chǔ)即可。該算法具有計(jì)算簡便、無需經(jīng)過任何訓(xùn)練的特點(diǎn)。所以，在早期的預(yù)測應(yīng)用比較常見。數(shù)學(xué)公式如下： (2-9)其中：為時(shí)間段的平滑值（預(yù)測值）；為時(shí)間階段的實(shí)際值；時(shí)間階段的平滑值（預(yù)測值）；常用來表示平滑常數(shù)，選擇通過分析時(shí)間序列的波動(dòng)大小來判斷，的取值范圍為。用時(shí)間序列分析法來進(jìn)行游樂場車位預(yù)測，就是將游樂場歷史停車數(shù)據(jù)進(jìn)行分析，研究相鄰數(shù)據(jù)之間隨時(shí)間變化的趨勢(shì)建立模型。通過模型反映停車位時(shí)間序列的動(dòng)態(tài)映射關(guān)系，預(yù)測某時(shí)刻的空余車位。傳統(tǒng)的時(shí)間序列預(yù)測模型來進(jìn)行車位預(yù)測時(shí)，它對(duì)事物演變的歷史數(shù)據(jù)有要求的嚴(yán)格，歷史數(shù)據(jù)必須符合正態(tài)分布。我們?cè)谶x擇一般的時(shí)間序列模型時(shí)，都會(huì)需要有一些合理的假設(shè)條件；但一般的時(shí)間序列模型在處理非線性或者多維非線性復(fù)雜序列時(shí)表現(xiàn)不盡人意。由于在停車需求系統(tǒng)中存在著大量非線性和多維非線性因素，傳統(tǒng)的預(yù)測方法在解決這些問題時(shí)效果不佳。隨著計(jì)算機(jī)的發(fā)展，用人工神經(jīng)網(wǎng)絡(luò)對(duì)可用車位進(jìn)行時(shí)間序列預(yù)測是解決這一問題的好辦法。人工神經(jīng)網(wǎng)絡(luò)游樂場停車需求預(yù)測是一個(gè)復(fù)雜的系統(tǒng)問題，影響因素很多。比如，游樂場的周邊的交通狀況條件、城市的氣候、當(dāng)具體到某一停車場時(shí)又會(huì)受到停車場結(jié)構(gòu)，停車場以及停車者特性的影響。各因素之間又存在千絲萬縷的聯(lián)系，致使停車需求預(yù)測的變數(shù)很大。本文研究的游樂場停車位時(shí)間序列數(shù)據(jù)屬于一元連續(xù)非平穩(wěn)的時(shí)間序列。時(shí)間序列有著與歷史數(shù)據(jù)聯(lián)系密切以及數(shù)據(jù)規(guī)模不斷擴(kuò)大的特點(diǎn)，引入人工神經(jīng)網(wǎng)絡(luò)來應(yīng)用到車位預(yù)測，可以從輸入因素復(fù)雜的停車需求系統(tǒng)大數(shù)據(jù)中挖掘規(guī)律，從而做出精確的預(yù)測。將人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)應(yīng)用到短時(shí)車位預(yù)測方法是停車領(lǐng)域一大熱點(diǎn)問題。通過對(duì)神經(jīng)網(wǎng)絡(luò)模型的深入了解與持續(xù)不斷的研究，眾多學(xué)者發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型在處理一些不能用定式描述的問題時(shí)，受非線性因素干擾頻率大幅降低、表現(xiàn)出極強(qiáng)的靈活性和魯棒性，具有持續(xù)學(xué)習(xí)、泛化能力強(qiáng)等優(yōu)點(diǎn)。對(duì)于停車預(yù)測不同方面存在大量復(fù)雜的非線性和擾動(dòng)動(dòng)態(tài)系統(tǒng)的問題，人工神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)這個(gè)歸納過程，網(wǎng)絡(luò)學(xué)會(huì)了時(shí)間序列的內(nèi)部規(guī)律，并利用其改進(jìn)的能力來預(yù)測未來時(shí)間段內(nèi)的車位。這使人們對(duì)用于時(shí)間序列預(yù)測停車位需求的人工神經(jīng)網(wǎng)絡(luò)產(chǎn)生了極大的興趣。1人工神經(jīng)網(wǎng)絡(luò)概述人工神經(jīng)網(wǎng)絡(luò)(ANN)是指人類根據(jù)對(duì)大腦神經(jīng)網(wǎng)絡(luò)特性的研究與理解，通過構(gòu)建出一種新型高效的信息交互系統(tǒng)，并仿照人類大腦的運(yùn)行機(jī)制來對(duì)信息進(jìn)行處理[24]。人工神經(jīng)網(wǎng)絡(luò)是由許多以特定方式連接的“神經(jīng)元”組成的特殊網(wǎng)絡(luò)結(jié)構(gòu)。其通過對(duì)連續(xù)或離散的輸入信號(hào)進(jìn)行處理，以此來對(duì)大腦神經(jīng)網(wǎng)絡(luò)機(jī)構(gòu)進(jìn)行模仿。由于構(gòu)成神經(jīng)網(wǎng)絡(luò)的神經(jīng)元數(shù)目非常龐大，所以神經(jīng)網(wǎng)絡(luò)的行為特性可以覆蓋非常廣的層面。值得注意的是，雖然整個(gè)人工神經(jīng)網(wǎng)絡(luò)較為復(fù)雜，但構(gòu)成網(wǎng)絡(luò)的單個(gè)神經(jīng)元結(jié)構(gòu)相對(duì)簡單，通常為線性結(jié)構(gòu)。這恰恰說明了大腦實(shí)際運(yùn)行過程中并不受限于單個(gè)神經(jīng)元，而是由某一區(qū)域大量的神經(jīng)元整體所決定的。整個(gè)人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程就是根據(jù)傳入的參數(shù)不斷地調(diào)整各個(gè)神經(jīng)元之間的權(quán)重，使其不斷逼近可以描述輸入模型特性的函數(shù)。下圖為簡單神經(jīng)元模型：圖3-1簡單神經(jīng)元模型Figure3-1Simpleneuronmodel人工神經(jīng)網(wǎng)絡(luò)的特性也在其不斷發(fā)展過程中日趨顯著，例如：(1)能夠有效逼近任意復(fù)雜非線性函數(shù)。(2)可以通過不斷地迭代輸入樣本的數(shù)據(jù)來進(jìn)行學(xué)習(xí)。(3)適用場所極多，可以應(yīng)用到各種多變量復(fù)雜系統(tǒng)中。(4)通過并行實(shí)現(xiàn)能力實(shí)現(xiàn)高容錯(cuò)率。(5)魯棒性與泛化性較強(qiáng)，根據(jù)輸入變量的不同會(huì)產(chǎn)生相應(yīng)的輸出。人工神經(jīng)網(wǎng)絡(luò)在交通流這種具有非常復(fù)雜的非線性因素的模型具有極強(qiáng)的處理能力，這是其可以應(yīng)用于交通流研究中一個(gè)非常明顯的優(yōu)勢(shì)，在車位需求預(yù)測中也是如此。本文主要介紹了幾種常用于時(shí)間序列預(yù)測問題——車位需求預(yù)測的網(wǎng)絡(luò)模型。主要對(duì)BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行深入的研究并利用MATLAB軟件搭建網(wǎng)絡(luò)模型進(jìn)行實(shí)驗(yàn)，對(duì)游樂場剩余車位預(yù)測研究主要以LSTM網(wǎng)絡(luò)為主。2常用的人工神經(jīng)網(wǎng)絡(luò)2.1前饋神經(jīng)網(wǎng)絡(luò)前饋神經(jīng)網(wǎng)絡(luò)(FNN)是神經(jīng)網(wǎng)絡(luò)當(dāng)中較為經(jīng)典也較為簡單的類型之一，也被稱作多層感知機(jī)(MLP)。在FNN網(wǎng)絡(luò)當(dāng)中，所有神經(jīng)元按層堆疊，每個(gè)神經(jīng)元只與其上下層的神經(jīng)元相連。神經(jīng)元首先接收上一層的輸出，再乘以神經(jīng)元本身的權(quán)重并加上偏置（一般線性結(jié)構(gòu)），最后將其傳遞給下一層中，層與層之間沒有反饋，只有信息的前向移動(dòng)。FNN網(wǎng)絡(luò)的目的是逼近某個(gè)特定的函數(shù)g*。對(duì)于一個(gè)分類任務(wù)而言，y=g*(x)是將輸入x進(jìn)行一系列處理映射為一個(gè)具體的類別y。FNN網(wǎng)絡(luò)就定義了一個(gè)這樣的映射，它通過不斷地學(xué)習(xí)來調(diào)整參數(shù)，使其能更好地逼近目標(biāo)函數(shù)。一般來說，F(xiàn)NN網(wǎng)絡(luò)有兩種典型的結(jié)構(gòu)，反向傳播(BP)神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)(RBF)。FNN模型簡圖如圖3-2所示：圖3-2FNN模型Figure3-2FNNmodelFNN區(qū)別于其他網(wǎng)絡(luò)最大的特點(diǎn)就是信息只進(jìn)行單向的傳遞，不會(huì)產(chǎn)生反饋?？赡軙?huì)存在隨時(shí)間變長，信息逐漸模糊的情況。2.2循環(huán)神經(jīng)網(wǎng)絡(luò)在現(xiàn)實(shí)應(yīng)用中，有很多的數(shù)據(jù)都是序列數(shù)據(jù)，有一個(gè)時(shí)間線，為了從數(shù)據(jù)中提取序列信息和語義信息，需要一個(gè)專門的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，例如對(duì)于序列信息每一時(shí)刻的信息記憶能力。隨著技術(shù)的不斷進(jìn)步和研究人員的不懈研究，循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)由此誕生。與一般的全連接神經(jīng)網(wǎng)絡(luò)對(duì)比而言，RNN遞歸神經(jīng)網(wǎng)絡(luò)有一個(gè)非常明顯的特點(diǎn)，就是對(duì)于某個(gè)隱藏層而言，其輸入不僅僅是其對(duì)應(yīng)輸入層的輸出，也可能包含了之前隱藏層的輸出，并且保留了之前層的相關(guān)信息。因此，RNN網(wǎng)絡(luò)的輸出就能顧及到序列數(shù)據(jù)之前的信息，并且具有不受時(shí)間序列長度影響的優(yōu)勢(shì)。然而，傳統(tǒng)的RNN網(wǎng)絡(luò)隨著訓(xùn)練次數(shù)的逐漸增加而出現(xiàn)梯度爆炸；當(dāng)新存儲(chǔ)的輸入信息不斷積累，然后越來越多最后形成的記憶信息丟失時(shí)，就會(huì)出現(xiàn)飽和。研究人員為此引入了門控機(jī)制，對(duì)輸入信息進(jìn)行甄選，并遺忘部分過去的信息，以此來達(dá)到調(diào)節(jié)信息積累速度的目的，比如LSTM模型。RNN模型圖如圖3-3所示：圖3-3RNN模型Figure3-3RNNmodel3BP神經(jīng)網(wǎng)絡(luò)模型算法研究3.1BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)是當(dāng)前應(yīng)用最廣的一種神經(jīng)網(wǎng)絡(luò)，它被普遍地看作是由誤差傳播算法所控制的多層前饋神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)可以學(xué)會(huì)并大量地儲(chǔ)存這些映射，而無需預(yù)先尋找一個(gè)描述大量輸入-輸出關(guān)系的數(shù)學(xué)方程式。其通過最速下降法(SteepestDescent)不斷調(diào)整網(wǎng)絡(luò)中各神經(jīng)元的權(quán)重和閾值，使其誤差平方之和最小。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程包括：前向信號(hào)傳播和誤差反向傳播。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為：輸入層、隱含層和輸出層，如圖3-4所示。其為輸入信號(hào)正向傳播，誤差反向傳播的多層前饋網(wǎng)絡(luò)。圖3-4BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Figure3-4BPNeuralnetworktopology3.2BP神經(jīng)網(wǎng)絡(luò)模型原理結(jié)構(gòu)由BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖可知，其輸入層的輸出都被傳遞給與其相鄰隱藏層的第一層中，每個(gè)節(jié)點(diǎn)（神經(jīng)元）從上一個(gè)輸入值傳導(dǎo)到加權(quán)求和函數(shù)，然后再經(jīng)過具體的激活函數(shù)得到計(jì)算結(jié)果，并將其傳遞到下一隱藏層作為輸入，經(jīng)過層層傳遞就能得到我們需要的預(yù)測值y。再將所得到的y與實(shí)際結(jié)果(y)?相比，計(jì)算求出誤差值。然后根據(jù)誤差閾值確定誤差值是否符合我們的需要，如果不符合就需要反向傳播誤差值調(diào)整神經(jīng)元權(quán)重和閾值，對(duì)誤差進(jìn)行調(diào)整，直到最后的誤差符合我們的要求。在BP神經(jīng)網(wǎng)絡(luò)中，其所有的輸入信號(hào)與所有的輸出信號(hào)一一對(duì)應(yīng)，我們將輸入信號(hào)記為；并將隱含層的輸出值記為；在BP神經(jīng)網(wǎng)絡(luò)當(dāng)中，我們其第個(gè)節(jié)點(diǎn)的輸出值記為，將輸入層的輸入信號(hào)與隱含層之間的權(quán)重記為wij，其對(duì)應(yīng)的閾值大小記為aj；將隱含層和輸出層之間的權(quán)重記為wj(k=1,2,?m)，其對(duì)應(yīng)的閾值大小記為bk；最終輸出信號(hào)為；實(shí)際數(shù)值。(1）BP神經(jīng)網(wǎng)絡(luò)正向預(yù)測隱含層輸出值： (3-1) (3-2)其中，我們常用的激勵(lì)函數(shù)為sigmoid函數(shù)： (3-3)信號(hào)輸出值： (3-4)(2)BP神經(jīng)網(wǎng)絡(luò)反向修正：輸出值與實(shí)際數(shù)值的誤差: (3-5)更新權(quán)值: (3-6) (3-7)其中為學(xué)習(xí)效率更新閾值： (3-8) (3-9)最后，判斷誤差是否滿足所規(guī)定的要求，若滿足則訓(xùn)練停止。4LSTM模型算法研究4.1LSTM網(wǎng)絡(luò)LSTM是一種源于RNN的深度神經(jīng)網(wǎng)絡(luò)模型。LSTM神經(jīng)網(wǎng)絡(luò)是一種適用序列數(shù)據(jù)處理的神經(jīng)網(wǎng)絡(luò)算法，已應(yīng)用于許多現(xiàn)實(shí)場景。由于LSTM神經(jīng)網(wǎng)絡(luò)能夠從輸入數(shù)據(jù)中捕獲長期依賴性和非線性的特征，因此它在交通領(lǐng)域內(nèi)車位預(yù)測這一研究方面，受到了越來越多的關(guān)注。用LSTM模型進(jìn)行車位預(yù)測主要利用了循環(huán)神經(jīng)網(wǎng)絡(luò)算法。RNN是深度學(xué)習(xí)領(lǐng)域重要的研究方向之一。RNN放棄了普通全連接神經(jīng)網(wǎng)絡(luò)在隱藏層的全連接模式，引入了時(shí)序的概念，采用了"遞歸連接"的機(jī)制[26]。通過這種方式，序列的時(shí)間順序被保留下來，之前的輸入信息被保留在網(wǎng)絡(luò)中。在RNN中，有足夠多的隱藏層神經(jīng)元，因此它可以能夠準(zhǔn)確地適應(yīng)預(yù)測的時(shí)間序列，但保持序列的時(shí)間順序也帶來了致命的挑戰(zhàn)，由于RNN獨(dú)特的性質(zhì)，使得其伴隨著時(shí)間序列的不斷前進(jìn)，參數(shù)量將不斷地堆疊，無法規(guī)避地將會(huì)產(chǎn)生梯度爆炸和梯度消失等問題。因此，LSTM模型應(yīng)運(yùn)而生，它不僅有效地處置了梯度爆炸等問題，并大大提升了時(shí)間序列的記憶能力，提高了處理時(shí)間跨度較長事物的能力[27]。LSTM具體模型如圖3-5所示：圖3-5LSTM模型Figure3-5LSTMmodel4.2LSTM模型原理結(jié)構(gòu)與傳統(tǒng)RNN結(jié)構(gòu)相比，基于LSTM的停車需求模型包含三個(gè)門，即輸入門(it)、遺忘門(ft)和輸出門(Ot)。需要注意的是，LSTM在其結(jié)構(gòu)中增加了一個(gè)記憶單元。輸入門用于確定在創(chuàng)建新的儲(chǔ)存器之前要加入網(wǎng)絡(luò)的新信息的數(shù)量。遺忘門，顧名思義，如果想要讓這樣的網(wǎng)絡(luò)發(fā)揮作用，首先要做的就是一件事情—忘記它。由于不可能所有輸入模型的信息都是有用的，我們需要這個(gè)門來過濾輸入的信息。簡單來說就是根據(jù)過去的記憶單元決定對(duì)當(dāng)前記憶的利用。存儲(chǔ)單元用于記錄到現(xiàn)在為止的所有歷史信息。輸出門是將最終的記憶和隱藏狀態(tài)分開的出口。輸出是經(jīng)過神經(jīng)元過濾輸出得到的。首先我們需要激活激活函數(shù)層，讓它決定整個(gè)子模塊的哪些部分可以被釋放，然后我們通過tanh激活函數(shù)處理整個(gè)子模塊的狀態(tài)。最后，我們將通過激活函數(shù)的子模塊部分的值與整個(gè)子模塊的狀態(tài)值相乘，這樣就可以得到最終結(jié)果。LSTM具有保留歷史記憶的優(yōu)勢(shì)，使其可以處理較長時(shí)間序列。通過增加這些門控，使得LSTM可以對(duì)歷史信息進(jìn)行選擇性地存儲(chǔ)和遺忘，從而防止梯度爆炸現(xiàn)象等。與只包含一個(gè)隨時(shí)間變化的狀態(tài)鏈C(單元狀態(tài))的RNN網(wǎng)絡(luò)相比，LSTM網(wǎng)絡(luò)還有一個(gè)時(shí)間傳遞的狀態(tài)鏈h(隱藏層狀態(tài))。在隱藏層狀態(tài)中，用ht-1表示與此時(shí)刻相比，前一時(shí)刻傳遞過來的值；用xt來表示t時(shí)刻的輸入值；ct-1與ct分別表示的是LSTM網(wǎng)絡(luò)中t-1時(shí)刻與t時(shí)刻所對(duì)應(yīng)的狀態(tài)值。我們使用ht-1和xt來計(jì)算要被遺忘門所遺忘的信息，計(jì)算的結(jié)果將會(huì)是0或1。其中0表示所有信息都被遺忘，1表示所有信息都被保留。遺忘門公式如式3-10所示： (3-10)其中： 是中的權(quán)重矩陣，是中的偏置向量，代表sigmoid激活函數(shù)。要將新的信息更新到單元中，有兩個(gè)過程。首先，通過輸入門計(jì)算出需要更新的信息，輸入門如式3-11所示： (3-11) 其中：xt表示t時(shí)刻網(wǎng)絡(luò)的輸入，?t?1表示t-1時(shí)刻網(wǎng)絡(luò)的輸出，Wi表示由xt然后由tanh層創(chuàng)建一個(gè)新的值并加入到單元格狀態(tài)中。如式3-12所示： (3-12)其中：wt用來表示ht-1和xt到遺忘門的權(quán)值矩陣，bi為偏置參數(shù)。Ct表示的是t時(shí)刻LSTM網(wǎng)絡(luò)的單元狀態(tài)，其由t-1時(shí)刻的單元狀態(tài)與的乘積和t時(shí)刻輸入的單元狀態(tài)與的乘積相加得到的。 (3-13)這里選擇使用Sigmoid函數(shù)對(duì)輸出結(jié)果進(jìn)行分類，選擇要輸出的數(shù)據(jù)。輸出門公式如式3-14所示： (3-14)其中：wo用來表示ht-1和xt到輸出門的權(quán)值矩陣，bo為偏置參數(shù)。然后用tanh函數(shù)來處理單元狀態(tài)，狀態(tài)值由隱層轉(zhuǎn)移到下一個(gè)單元得到。公式如3-15所示： (3-15)最后，通過Sigmoid函數(shù)對(duì)進(jìn)行處理后，得到當(dāng)前時(shí)刻的預(yù)輸出值，公式如式3-16所示： (3-16)4.3LSTM模型預(yù)測流程利用LSTM模型對(duì)停車位進(jìn)行預(yù)測，可以基于上文提到的LSTM模型原理進(jìn)行構(gòu)建算法模型。模型的輸入用表示，模型的輸出用表示。在停車需求預(yù)測問題當(dāng)中，我們用來表示當(dāng)前和歷史時(shí)刻的數(shù)據(jù)，記為X，n代表所用輸入數(shù)據(jù)的長度。LSTM模型結(jié)合t時(shí)刻輸入數(shù)據(jù)X和t-1時(shí)刻隱含層的輸出得到預(yù)測結(jié)果。進(jìn)行車位預(yù)測時(shí)，由于模型內(nèi)部結(jié)構(gòu)與公式是不可見的，所以本文就只介紹外部LSTM模型的構(gòu)建以及預(yù)測算法步驟：（1）我們將數(shù)據(jù)按一定比例劃分為trianset與testset，并且對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使得數(shù)據(jù)能更好地應(yīng)用到模型當(dāng)中。公式如式3-17所示： (3-17)在Matlab中對(duì)數(shù)據(jù)標(biāo)準(zhǔn)化處理的中可表示為：圖3-6數(shù)據(jù)歸一處理程序Figure3-6Datanormalisationprocedures（2）對(duì)LSTM模型進(jìn)行搭建，確定相應(yīng)參數(shù)。如圖3-7所示，本文將輸入層、隱含層與輸出層均設(shè)置為單層，并將隱含層內(nèi)神經(jīng)元個(gè)數(shù)設(shè)置為180.圖3-7模型構(gòu)建程序Figure3-7Modelbuildingprocess本研究將使用Adam優(yōu)化器，利用該算法加速網(wǎng)絡(luò)收斂。進(jìn)行750次訓(xùn)練。為了防止梯度爆炸，將梯度閾值設(shè)定為1。指定初始學(xué)習(xí)率0.005，在200次訓(xùn)練后，學(xué)習(xí)率下降，故乘以系數(shù)0.2來降低學(xué)習(xí)率。圖3-8部分參數(shù)設(shè)置程序Figure3-8Partialparametersettingprocedure（3）LSTM網(wǎng)絡(luò)訓(xùn)練，利用特定的訓(xùn)練項(xiàng)目，利用trainNetwork功能來訓(xùn)練LSTM網(wǎng)路。我們使用predictAndUpdateState功能一次預(yù)測一個(gè)時(shí)間步長，每次預(yù)測都會(huì)更新網(wǎng)絡(luò)的狀態(tài)。最后，驗(yàn)證該模式的預(yù)測效果。若滿足條件，繼續(xù)預(yù)測測試集。圖3-9部分訓(xùn)練程序Figure3-9Someofthetrainingprocedures（4）利用預(yù)測效果良好的模型和測試數(shù)據(jù)，預(yù)測得到對(duì)應(yīng)的可用車位預(yù)測值。在其中，要進(jìn)行反向標(biāo)準(zhǔn)化的輸出數(shù)據(jù)。（5）利用RMSE進(jìn)行觀測值和預(yù)測值的評(píng)估。圖3-10評(píng)估指標(biāo)程序Figure3-10AssessmentIndicatorProcess第四章實(shí)例分析1數(shù)據(jù)分析為驗(yàn)證本文提出的模型在實(shí)際應(yīng)用中的精度和可行性，本案例利用LSTM單步預(yù)測方法，選擇寧夏銀川市某游樂場的剩余停車數(shù)據(jù)。通過了解，該游樂場營業(yè)時(shí)間在9：00-18：00。由于游樂場包含在公園里，停車場比較分散，所以選擇了其中停車入口進(jìn)車較為集中的停車場進(jìn)行調(diào)查研究，大約有450個(gè)車位。通過實(shí)地走訪調(diào)查并且結(jié)合快捷停車軟件平臺(tái)來獲取，整合歷史停車場剩余車位數(shù)據(jù)，作為案例研究。案例現(xiàn)選取2021年9月4日至10月17日中周末及節(jié)假日的車位剩余數(shù)據(jù)，以10分鐘為間隔記錄一次剩余車位的數(shù)據(jù)，共獲取到1080個(gè)有效車位數(shù)據(jù)。圖4-1某工作日和非工作日的車位數(shù)據(jù)Figure4-1Parkingspacedataforaweekdayandnon-weekdayy游樂場多為休閑娛樂場所，游客一般會(huì)選擇在有大量空閑時(shí)間的時(shí)候去前往游樂場游玩。以該游樂場某工作日和某非工作日為例，做出一天內(nèi)剩余車位數(shù)的變化折線圖（如圖4-1所示）。我們可以看出，在工作日車位充足，而在非工作日時(shí)期（節(jié)假日及周末），車位就存在有明顯不足的趨勢(shì)。所以，本文選擇節(jié)假日及周末這一時(shí)間段進(jìn)行車位預(yù)測，為停車場以及出行游玩的人群提供方便和有效的停車場規(guī)劃及停車指導(dǎo)。通過了解，因游樂場開園的時(shí)間在早上9：00，且建議游玩時(shí)間為2-4小時(shí)，所以從圖（4-1）可以看出，在9：00-11：30這個(gè)時(shí)間段內(nèi)有一個(gè)剩余車位減少的趨勢(shì)，達(dá)到一個(gè)停車高峰，在中午的這個(gè)時(shí)段有部分車輛駛出緩慢駛出的趨勢(shì)。在13:40-14:40這一時(shí)間段內(nèi)剩余車位有較小的減少，小部分人會(huì)選擇在下午驅(qū)車前往游樂場。所以，在游玩高峰期以及在一天的停車高峰期內(nèi)，有效的剩余車位預(yù)測會(huì)帶給游樂園以及游客很大的便捷。2實(shí)驗(yàn)流程案例利用MATLAB進(jìn)行編程，根據(jù)第三章第四節(jié)LSTM算法的預(yù)測流程，進(jìn)行預(yù)測。通過與實(shí)測數(shù)據(jù)的比較，驗(yàn)證了迭代預(yù)測的有效性。并用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了模型預(yù)測，得到誤差值，并與LSTM算法模型的誤差值進(jìn)行了比較。（1）因數(shù)據(jù)較多，只展示部分?jǐn)?shù)據(jù)，表4-1為部分剩余車位數(shù)據(jù)：表4-1停車場剩余車位部分?jǐn)?shù)據(jù)Table4-1Partofthedataontheremainingparkingspacesintheparkinglott/min8：30~9：309：30~10：3010：30~11：3000~1042828514210~2039926411620~303722419530~403552167640~503261895350~6030216721首先將數(shù)據(jù)保存在Matlab工作路徑下，新建腳本，利用xlsread命令編寫程序讀入EXCEL中數(shù)據(jù)到工作區(qū)。數(shù)據(jù)劃分：本文以前17天的數(shù)據(jù)來預(yù)測后一天的數(shù)據(jù)，將前十七天的數(shù)據(jù)劃分為訓(xùn)練集；后一天的數(shù)據(jù)劃分為訓(xùn)練集。（3）數(shù)據(jù)歸一化處理：通過減去平均值并除以標(biāo)準(zhǔn)差來做到，數(shù)據(jù)歸一化是因?yàn)檩斎氲臄?shù)據(jù)每一維度可能有不同的取值范圍，而我們?cè)谒芯S度中使用的是相同的學(xué)習(xí)率。標(biāo)準(zhǔn)化處理數(shù)據(jù)可以避免在一定的維度上出現(xiàn)過度的補(bǔ)償和不足的問題。（4）構(gòu)建網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)：本文將隱含層設(shè)置為180個(gè)隱含神經(jīng)元。指定訓(xùn)練選項(xiàng)，設(shè)置最大迭代訓(xùn)練為750輪訓(xùn)練。初始學(xué)習(xí)率規(guī)定為0.05。如圖4-2：圖4-2訓(xùn)練過程Figure4-2Trainingprocesses（5）網(wǎng)絡(luò)數(shù)據(jù)輸出反歸一化。（6）得到預(yù)測結(jié)果，如圖4-3所示：圖4-3LSTM的預(yù)測結(jié)果與誤差Figure4-3PredictionresultsanderrorsofLSTM案例最后運(yùn)用Matlab對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行編程，利用同樣的預(yù)測方式進(jìn)行預(yù)測，結(jié)果如圖4-4所示：圖4-4BP的預(yù)測結(jié)果與誤差Figure4-4PredictionresultsanderrorsofLSTM3實(shí)驗(yàn)結(jié)果對(duì)比本案例采用均方根誤差（RMSE）作為評(píng)價(jià)模型的重要指標(biāo)。均方根誤差是用來測量實(shí)際數(shù)據(jù)和預(yù)測數(shù)據(jù)結(jié)果的偏差。由圖4-3和圖4-4可以看到LSTM模型的均方根誤差小于BP神經(jīng)網(wǎng)絡(luò)模型的RMSE。LSTM模型的觀測值和預(yù)測值更接近。圖4-5為LSTM和BP神經(jīng)網(wǎng)絡(luò)模型的曲線對(duì)比圖：圖4-5兩種神經(jīng)網(wǎng)絡(luò)預(yù)測值曲線對(duì)比圖Figure4-5Comparisonofthepredictedvaluecurvesofthetwoneuralnetworks為了更好的認(rèn)識(shí)到LSTM模型觀測值和預(yù)測值更為接近，本案例進(jìn)行了多次訓(xùn)練，來對(duì)比均方根誤差，結(jié)果如表4-2所示：表4-2LSTM及BP的三次實(shí)驗(yàn)誤差表Tab.4-2ErrortableofthreeexperimentsofLSTMandBP模型1th2th3thLSTM12.186711.841511.5304BP12.562812.531112.2822通過表4-2，結(jié)果表明：LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測精度，擬合效果都比BP神經(jīng)網(wǎng)絡(luò)好。但LSTM的訓(xùn)練周期更長，在后期的學(xué)習(xí)中，還需要修改參數(shù)，完善模型，提高其預(yù)測效率。第五章研究結(jié)論與展望1研究成果總結(jié)停車?yán)щy的問題已經(jīng)成為了妨礙交通運(yùn)行一個(gè)大難題，在隨著具有高聚集性的游樂場產(chǎn)業(yè)的爆火，給游樂場及周邊帶來了巨大交通壓力，車位供不應(yīng)求現(xiàn)象日益突出。較為精準(zhǔn)的剩余車位預(yù)測應(yīng)用到游樂場顯得至關(guān)重要。本文針對(duì)這一問題，首先對(duì)國內(nèi)外關(guān)于停車預(yù)測現(xiàn)狀的文獻(xiàn)進(jìn)行研究綜述，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)運(yùn)用場景越發(fā)廣泛，已成為交通領(lǐng)域的重要預(yù)測方法。隨后研究游樂園區(qū)的停車需求以及引發(fā)問題的原因。接著陳述了在預(yù)測領(lǐng)域常用的預(yù)測方法并進(jìn)行簡略闡述。然后闡述了人工神經(jīng)網(wǎng)絡(luò)的基本特征、分類情況以及BP神經(jīng)網(wǎng)絡(luò)和LSTM的原理和模型，通過MATLAB軟件搭建BP神經(jīng)網(wǎng)絡(luò)與LSTM神經(jīng)網(wǎng)絡(luò)模型，并將寧夏銀川市某游樂園的停車數(shù)據(jù)引入模型中進(jìn)行訓(xùn)練，最后得到基于BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)的停車需求預(yù)測結(jié)果，并將二者進(jìn)行比對(duì)。通過對(duì)BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)的分析，表明LSTM神經(jīng)網(wǎng)絡(luò)在游樂場車位需求預(yù)測的現(xiàn)實(shí)應(yīng)用中的預(yù)測精度要高于BP神經(jīng)網(wǎng)絡(luò)。這得益于LSTM利用遺忘門、輸入門和輸出門所構(gòu)成的存儲(chǔ)記憶單元，使得其能夠有選擇性地控制信息通過，從而實(shí)現(xiàn)了對(duì)時(shí)序過程的狀態(tài)特性的存儲(chǔ)記憶。LSTM具有較好的記憶和遺忘能力,可以降低系統(tǒng)的累計(jì)誤差,從而提高了LSTM模型的準(zhǔn)確性。證明可以將該模型應(yīng)用到游樂園區(qū)停車場的短時(shí)預(yù)測中，為停車管理帶來便利，為游客帶來方便快捷的停車引導(dǎo)，并且為游客節(jié)約了大量時(shí)間，提高游玩樂趣。2研究展望本文基于人工神經(jīng)網(wǎng)絡(luò)對(duì)停車位的剩余量進(jìn)行預(yù)測，車位的余量很少，可以看到對(duì)于車位的需求還是很高的。本文主要運(yùn)用LSTM模型和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)游樂場剩余車位預(yù)測研究，游樂園區(qū)的車位需求較高。因?yàn)槭芤咔楹蜁r(shí)間的影響，雖得出一些實(shí)際的結(jié)論，但在許多方面仍需進(jìn)一步完善。在案例選擇的方面，所選取的游樂場規(guī)模不夠大，會(huì)達(dá)不到預(yù)期的效果，并且不能夠很好的反映出大型游樂場的車情況。在數(shù)據(jù)方面，我只簡單的考慮了節(jié)假日的車位數(shù)據(jù)，沒有考慮到因天氣等原因?qū)Τ鲂械挠绊?，并且?shù)據(jù)集較少，如果有大量的數(shù)據(jù)集，在預(yù)測結(jié)果也會(huì)更精確。在模型方面，對(duì)于LSTM網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)選擇，調(diào)整參數(shù)參數(shù)方面還需要繼續(xù)嘗試，找到最適配模型的參數(shù)，使模型訓(xùn)練達(dá)到的精度更高。隨著人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)技術(shù)的發(fā)展，在未來，我國停車預(yù)測會(huì)越來越精準(zhǔn)。為了避免車輛在游樂場游玩高峰期尋找車位，進(jìn)行無效的巡游導(dǎo)致交通擁堵，那么有效精準(zhǔn)的車位預(yù)測在停車誘導(dǎo)系統(tǒng)起著至關(guān)重要的作用。隨著科技的進(jìn)步，停車誘導(dǎo)系統(tǒng)的不斷發(fā)展，企業(yè)系統(tǒng)通過云服務(wù)器將處理過的數(shù)據(jù)傳輸給游樂場顯示車位的電子屏或者傳輸給游客有效的剩余車位信息來進(jìn)行停車指導(dǎo)。將這樣的方式應(yīng)用到游樂場，在游玩高峰期，會(huì)大力緩解游樂場及游客停車?yán)щy的問題，也會(huì)便于游樂場對(duì)停車場的規(guī)劃及管理。參考文獻(xiàn)[1]高玉榮,謝振東.系統(tǒng)視角的智能交通產(chǎn)業(yè)鏈知識(shí)整合機(jī)制研究[J].科技管理研究,2011,24:134-137[2]GarbaINOUSSA.基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)自回歸模型的非線性時(shí)間序列建模和預(yù)測[D].長沙:中南大學(xué),2012.[3]MAYAUDC,WAGNERT,BENISCHKER,etal.Singleeventtimeseriesanalysisinabinarykarstcatchmentevaluatedusingagroundwatermodel(Lur-bachsystem,Austria)[J].JournalofHydrology,2014.[4]張鵬,陸遙.站點(diǎn)客流量預(yù)測方法[J].黑龍江工程學(xué)院學(xué)報(bào),2014,28(3):27-31.[5]楊濤濤.基于兩類非線性時(shí)間序列模型的預(yù)報(bào)研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2013.[6]VlahogianniEI,KepaptsoglouK,TsetsosV,etal.AReal-TimeParkingPredictionSystemforSmartCities[J].IVHSJournal.[7]BadiC,NesiP,PaoliI.PredictingAvailableParkingSlotsonCriticalandRegularServicesbyExploitingaRangeofOpenData[J].IEEEAccess,2018,6,pp.44059-44071.[8]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(yùn)輸系統(tǒng)工程與信息,2003,3(4):12-15.[YANGZS,CHENXD.Researchontheestimationforeffectiveparkingspaceoftheintelligentizedparkingguidancesystem[J].JournalofTransportationSystemsEngineeringandInformationTechnology,2003,3(4):12-15.][9]劉紅紅,先進(jìn)的停車誘導(dǎo)和信息系統(tǒng)關(guān)鍵理論和實(shí)施技術(shù)研究[D].長春:吉林大學(xué)交通學(xué)院,2003.[LIUHH.Researchoncriticaltheoriesandimp