一种基于实测数据的公共建筑物配建停车泊位共享时间窗口确定方法与流程

技术特征：

1.一种基于实测数据的公共建筑物配建停车泊位共享时间窗口确定方法，其特征在于：该方法包括顺序执行的以下步骤：

步骤1、历史实测数据收集与停车需求预测

收集历史的一天以上的停车场泊位随时间变化的占用数量，以每半小时为一个时段的频率进行统计，作为历史的停车需求数据；然后根据历史数据，使用时间序列预测方法对停车需求进行预测获得停车需求时变预测结果；

步骤2、最大停车需求峰值确定

根据停车需求时变预测结果，画出全天停车需求预测曲线，根据全天停车需求预测曲线确定当日停车需求的最大峰值P_max；

步骤3、确定最小共享泊位数k_share

根据实地设计的要求，确定一个使得对应配建停车场泊位共享具有实施意义的泊位数k₁；然后根据步骤2确定的当日停车需求最大峰值P_max，计算当日停车需求最大峰值P_max的15％对应的泊位数k₂；比较k₁和k₂，取大者作为最小共享泊位数k_share；

步骤4、根据最小共享泊位数k_share初步判定窗口

根据停车需求时变预测结果，对于停车需求值在(P_max-k_share，P_max)间的时段，不实施共享；对于其他时段，进入下一步判定；

步骤5、可共享泊位数临界点编号

在全天停车需求预测曲线上作出停车需求数值等于(P_max-k_share)的直线，作为共享阈值线，对全天停车需求预测曲线与共享阈值线的交点依次进行编号：P(1),P(2),……,P(n)；若上述交点与全天停车需求预测曲线的波峰或波谷重合，则该交点不进行编号；另外还将全天停车需求预测曲线上与时间点为0点、24点相对应的点分别编号为P(0)、P(n+1)；

步骤6、根据最小共享时长t_share判定窗口

设定最小共享时长t_share为2h；将上述编号的n+2个点按所在时刻按照从小到大顺序，两两作为一组：P(0)和P(1)一组，P(2)和P(3)一组，……P(n)和P(n+1)一组，对一组内两点所在时间差进行判定，若该两个点的时间之差大于t_share，则在该两点之间的时间段实施共享；否则，不实施共享；其中，若编号的点正好为某一时段的起点，则记该点的时间为该时段起点的时间，否则，该点的时间为下一时段起点的时间。

2.根据权利要求1所述的基于实测数据的公共建筑物配建停车泊位共享时间窗口确定方法，其特征在于：步骤1的时间序列预测方法包括顺序执行的以下步骤：

步骤(1)将收集的所有历史泊位占用数量数据按时间先后顺序排列，作为原始时间序列；

步骤(2)时间序列平稳性检验

对原始时间序列进行平稳性检验，若为平稳序列，则通过检验，并进入下一步；若为非平稳序列，则逐步进行差分运算，每进行一阶差分运算获得的相应的时间序列均进行平稳性检验，直到找到通过平稳性检验的时间序列否则继续下一阶差分运算，记通过平稳性检验的时间序列为平稳时间序列；

步骤(3)计算平稳时间序列的自相关系数ACF和偏自相关系数PACF

第k阶的自相关系数ACF按下式计算：

${\widehat{\mathrm{\ρ}}}_k=\frac{\underset{t=1}{\overset{n-k}{\Σ}}(x_t-\stackrel{\‾}{x})(x_{t+k}-\stackrel{\‾}{x})}{\underset{t=1}{\overset{n}{\Σ}}{(x_t-\stackrel{\‾}{x})}^2},\∀0\<k\<n$

式中：

x_t——t时刻平稳时间序列的值；

——平稳时间序列的平均值；

n——平稳时间序列中数值的个数；

——k阶自相关系数；

第k阶的偏自相关系数PACF按下式计算：

${\widehat{\mathrm{\φ}}}_{kk}=\frac{{\hat{D}}_k}{\hat{D}},\∀0\<k\<n$

式中：

——k阶偏相关系数；

$\hat{D}=\left|\begin{array}{cccc}1& {\widehat{\mathrm{\ρ}}}_1& ...& {\widehat{\mathrm{\ρ}}}_{k-1}\\ {\widehat{\mathrm{\ρ}}}_1& 1& ...& {\widehat{\mathrm{\ρ}}}_{k-2}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ {\widehat{\mathrm{\ρ}}}_{k-1}& {\widehat{\mathrm{\ρ}}}_{k-2}& ...& 1\end{array}\right|,{\hat{D}}_k=\left|\begin{array}{cccc}1& {\widehat{\mathrm{\ρ}}}_1& ...& {\widehat{\mathrm{\ρ}}}_1\\ {\widehat{\mathrm{\ρ}}}_1& 1& ...& {\widehat{\mathrm{\ρ}}}_2\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ {\widehat{\mathrm{\ρ}}}_{k-1}& {\widehat{\mathrm{\ρ}}}_{k-2}& ...& {\widehat{\mathrm{\ρ}}}_k\end{array}\right|$

步骤(4)ARMA模型识别

采用时间序列模型中的ARMA模型作为预测模型，根据ACF和PACF，选择合适的ARMA模型：即根据自相关系数ACF和偏自相关系数PACF的性质,估计ARMA模型自相关阶数p和ARMA模型移动平均阶数q，并选择合适的ARMA模型拟合时间序列。

步骤(5)ARMA模型参数估计

根据上述所选的ARMA模型，估计该ARMA模型中的参数，从而确定该ARMA模型中各参数的数值；

步骤(6)ARMA模型检验

对所选的ARMA模型和其参数进行显著性检验，以确定ARMA模型是否已经提取了有效的信息，若ARMA模型通过显著性检验，则进入下一步；若ARMA模型未通过显著性检验，则返回步骤(4)，重新确定ARMA模型自相关阶数p和ARMA模型移动平均阶数q，直至通过模型检验；

步骤(7)停车需求序列预测

根据通过检验的ARMA模型，进行时间序列的预测，得到停车需求预测的结果。