基于神经网络的有效泊位组合预测方法、终端及存储介质

1.本发明涉及终端应用领域，尤其涉及的是一种基于神经网络的有效泊位组合预测方法、终端及存储介质。


背景技术：

2.目前，“停车难”问题是城市发展面临的普遍难题。近年来，伴随着“互联网+共享”这类共享经济模式的广泛兴起和应用，泊位共享成为缓解“停车难”问题的一种新途径。然而，如何实现停车场的有效泊位(也即空余泊位)共享，则需要实时且准确地预测出停车场空余泊位信息，进而最大化的利用停车泊位资源。因此，实时且准确地预测出停车场各时段的空余泊位数量信息，有助于泊位共享策略的有效推广实施，同时也有助于停车用户合理安排出行，实现停车诱导，减少在道路上的无效寻泊时间，而且，交通管理部门也可以基于预测结果对停车场附近道路交通进行宏观调控，从而有助于缓解区域交通拥堵问题，具有很好的经济效益和社会效益。
3.停车场有效泊位变化属于非线性时间序列变化，由于bp神经网络对于处理非线性时间序列预测问题具有较好效果，特别对影响因素较多且难以用数学公式量化的复杂系统的数据预测，所以对于非线性时间序列预测，往往采用bp神经网络算法。目前已有的基于bp神经网络的停车场有效泊位预测方法，多是采用单一的预测方式，比如用前相邻几个时刻的有效泊位数，预测未来相邻时刻有效泊位数，但由于受多种复杂因素的影响，单一的数据处理方式所涵盖的信息量有限，无法全面反应有效泊位数量变化信息，往往造成预测效果不理想。
4.因此，现有技术还有待改进。


技术实现要素：

5.本发明要解决的技术问题在于，针对现有技术缺陷，本发明提供一种基于神经网络的有效泊位组合预测方法、终端及存储介质，有别于传统bp神经网络预测方法中输入层和输出层数据处理方式的单一，本发明基于bp神经网络，采用三种数据处理方式，也即三种预测方式，最后基于三种预测结果，进一步构建组合预测模型来提高预测精度。
6.本发明解决技术问题所采用的技术方案如下：
7.第一方面，本发明提供一种基于神经网络的有效泊位组合预测方法，包括以下步骤：
8.实时采集目标停车场的停车数据，并对所述停车数据进行预处理，得到预测样本数据；
9.采取三种预测方式，按照滑动窗口方式对所述预测样本数据进行处理，得到三个训练样本和三个测试样本；
10.构建神经网络模型，分别将所述三个训练样本输入至所述神经网络模型进行训练，得到三个训练后的神经网络模型；
11.分别将所述三个测试样本输入至所述训练后的神经网络模型，对目标停车场进行有效泊位数量预测，得到三种预测结果；
12.基于三种预测结果，构建组合预测模型，得到组合预测模型预测结果；
13.计算及对比四种预测结果的性能评价指标，并根据所述性能评价指标绘制以及输出预测仿真图，选取预测误差最低的预测结果作为最终有效泊位预测结果。
14.在一种实现方式中，所述实时采集目标停车场的停车数据，并对所述停车数据进行预处理，得到预测样本数据，包括：
15.根据有效泊位预测时间段请求，确定需要采集的样本数据的时间段范围；
16.实时采集所述时间段范围内的目标停车场的停车数据，其中，所述停车数据为车辆进出时间序列数据，包括车辆进场时间和出场时间；
17.以预设时长为统计周期，统计各间隔时段的有效泊位数据；
18.对所述有效泊位数据进行归一化预处理，得到所述预测样本数据。
19.在一种实现方式中，所述采取三种预测方式，按照滑动窗口方式对所述预测样本数据进行处理，得到三个训练样本和三个测试样本，包括：
20.按照输入层和输出层变量数据输入方式的不同，选择采用三种预测方式；
21.分别按照所述三种预测方式，采用滑动窗口方式对所述预测样本数据进行处理和统计，以预设比例划分训练数据和测试数据，得到所述三个训练样本和所述三个测试样本；
22.其中，所述三种预测方式分别为：
23.根据当前时刻以及与其相邻的前四个时刻的有效泊位，预测未来相邻时刻的有效泊位；
24.根据当前周工作日的当前时刻，以及与其相邻的前四个周工作日在相同时刻的有效泊位，预测未来相邻周工作日在相同时刻的有效泊位；
25.根据当前周的当前周工作日的当前时刻，以及与其相邻的四个周在相同周工作日、相同时刻的有效泊位，预测未来相邻周在相同周工作日、相同时刻的有效泊位。
26.在一种实现方式中，所述构建神经网络模型，分别将所述三个训练样本输入至所述神经网络模型中进行训练，得到三个训练后的神经网络模型，包括：
27.根据所述预测样本数据确定和初始化神经网络参数；
28.根据所述神经网络参数构建所述神经网络模型；
29.分别将所述三个训练样本输入至所述神经网络模型进行训练，并根据训练结果保存训练后的神经网络参数，得到所述三个训练后的神经网络模型。
30.在一种实现方式中，所述分别将三个训练样本输入至所述神经网络模型进行训练，并根据训练结果保存训练后的神经网络参数，包括：
31.将所述三个训练样本分别输入至所述神经网络模型进行训练，计算所述神经网络模型的各层输出值和误差值；
32.根据所述误差值调整所述神经网络各层连接权值和偏置值；
33.判断所述神经网络模型的误差值是否达到设定值，或判断所述神经网络模型的学习次数是否达到设定次数；
34.若所述神经网络模型的误差值达到设定值，或所述神经网络模型的学习次数达到设定次数，则结束训练，并保存训练后的神经网络参数。
35.在一种实现方式中，所述分别将三个测试样本输入至所述训练后的神经网络模型，对目标停车场进行有效泊位数量预测，得到三种预测结果，包括：
36.分别将所述三个测试样本输入至所述训练后的神经网络模型，对所述目标停车场进行有效泊位数量预测；
37.计算所述训练后的神经网络模型的输出值和误差值，得到所述三种预测结果。
38.在一种实现方式中，所述基于三种预测结果，构建组合预测模型，得到组合预测模型预测结果，包括：
39.构建所述组合预测模型，根据误差平方和最小原则确定权重分配方式；
40.根据所述权重分配方式计算所述三种预测方式的预测结果的最优权值；
41.将所述三种预测结果按照分配的权值进行加权组合，得到所述组合预测模型预测结果。
42.在一种实现方式中，所述计算及对比四种预测结果的性能评价指标，并根据所述性能评价指标绘制以及输出预测仿真图，选取预测误差最低的预测结果作为最终有效泊位预测结果，包括：
43.将各预测结果与实际样本数据进行对比，计算各预测结果的性能评价指标；
44.根据各预测结果的性能评价指标，选取预测误差最低的预测结果作为最终有效泊位预测结果，并根据选取的预测结果绘制以及输出所述预测仿真图。
45.第二方面，本发明提供一种终端，包括：处理器以及存储器，所述存储器存储有基于神经网络的有效泊位组合预测程序，所述基于神经网络的有效泊位组合预测程序被所述处理器执行时用于实现如第一方面所述的基于神经网络的有效泊位组合预测方法。
46.第三方面，本发明提供一种存储介质，所述存储介质存储有基于神经网络的有效泊位组合预测程序，所述基于神经网络的有效泊位组合预测程序被处理器执行时用于实现如第一方面所述的基于神经网络的有效泊位组合预测方法。
47.本发明采用上述技术方案具有以下效果：
48.本发明通过实时采集目标停车场的停车数据，采用基于bp神经网络的组合预测模型，对目标停车场的停车数据进行分析，可以实时而准确地预测出停车场在未来一定时间段内的空余泊位信息，有助于最大化挖掘停车泊位资源，实现停车场空余泊车的共享利用，从而提高停车泊位利用率，同时也有助于停车用户根据有效泊位预测结果合理安排出行，减少在道路上的无效寻泊时间，而且，交通管理部门也可以通过预测结果对停车场附近道路交通进行宏观调控，从而有助于缓解区域交通拥堵问题，具有很好的经济效益和社会效益。
附图说明
49.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
50.图1是本发明的一种实现方式中基于神经网络的有效泊位组合预测方法的流程图。
51.图2是本发明的一种实现方式中bp神经网络的拓扑结构示意图。
52.图3是本发明的一种实现方式中sigmoid函数的图像示意图。
53.图4是本发明的一种实现方式中purelin线性函数的图像示意图。
54.图5是本发明的一种实现方式中滑动窗口处理样本数据的示意图。
55.图6是本发明的一种实现方式中预测方式一的数据输入窗口的移动示意图。
56.图7是本发明的一种实现方式中预测方式一的预测结果与实际值的对比示意图。
57.图8是本发明的一种实现方式中预测方式一的预测结果与实际值的误差示意图。
58.图9是本发明的一种实现方式中预测方式二的数据输入窗口的移动示意图。
59.图10是本发明的一种实现方式中预测方式二的预测结果与实际值的对比示意图。
60.图11是本发明的一种实现方式中预测方式二的预测结果与实际值的误差示意图。
61.图12是本发明的一种实现方式中预测方式三的数据输入窗口的移动示意图。
62.图13是本发明的一种实现方式中预测方式三的预测结果与实际值的对比示意图。
63.图14是本发明的一种实现方式中预测方式三的预测结果与实际值的误差示意图。
64.图15是本发明的一种实现方式中组合预测模型的预测流程示意图。
65.图16是本发明的一种实现方式中组合预测模型的预测结果与实际值的对比示意图。
66.图17是本发明的一种实现方式中组合预测模型的预测结果与实际值的误差示意图。
67.图18是本发明的一种实现方式中四种预测方式的预测结果与实际值的对比示意图。
68.图19是本发明的一种实现方式中终端的功能原理图。
69.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
70.为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。本实施例以深圳市前海鲤鱼门西街停车场为具体研究对象。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
71.示例性方法
72.如图1所示，本发明实施例提供一种基于神经网络的有效泊位组合预测方法。具体包括以下步骤：
73.步骤s100，实时采集目标停车场的停车数据，并对所述停车数据进行预处理，得到预测样本数据。
74.本实施例以预测深圳市前海鲤鱼门西街停车场2020年9月24日08:00～20:00各间隔时段内的有效泊位数为例，并通过深圳前海停车管理云平台获取了鲤鱼门西街停车场2020年8月到2020年9月共两个月的车辆进出时间序列数据，以预设时长为统计周期，例如：以15分钟为统计周期，统计各时段的有效泊位数量。
75.值得一提的是，本实施例实时采集的停车数据为目标停车场实时更新的历史停车数据，包括车辆进场时间和车辆出场时间。
76.由于，较大的有效泊位统计样本值输入到bp神经网络中可能会导致网络麻痹，为
了避免输入网络样本值过大，本实施例采用以下公式对样本数据统计值进行归一化预处理，以得到预测样本数据。
[0077][0078]
式中：xi为处理前的样本值，x
′i为处理后的样本值，x
max
和x
min
分别为原始样本数据中的最大值和最小值。
[0079]
即在本实施例的一种实现方式中，步骤s100具体包括以下步骤：
[0080]
步骤s110，根据有效泊位预测时间段请求，确定需要采集的样本数据的时间段范围；
[0081]
步骤s120，实时采集所述时间段范围内的目标停车场的停车数据，其中，所述停车数据为车辆进出时间序列数据，包括车辆进场时间和出场时间；
[0082]
步骤s130，以预设时长为统计周期，统计所采集的样本数据时间段范围内各间隔时段的有效泊位数据；
[0083]
步骤s140，对所述有效泊位数据进行归一化预处理，得到所述预测样本数据。
[0084]
本实施例基于目标停车场的车辆进出时间序列数据，可以统计出各时段的有效泊位数，在进行归一化预处理后，可以得到预测样本数据。
[0085]
如图1所示，在本发明实施例的一种实现方式中，基于神经网络的停车场泊位预测方法还包括以下步骤：
[0086]
步骤s200，采取三种预测方式，按照滑动窗口方式对所述预测样本数据进行处理，分别得到三个训练样本和三个测试样本。
[0087]
在本实施例中，基于神经网络模型，按照输入层和输出层变量数据输入方式的不同，采用三种预测方式对所述预测样本数据进行处理。为使得各预测方式预测结果具有可比性，将各预测方式的输入层变量均设为5个，三种预测方式的解释说明如下表所示。
[0088][0089][0090]
注：k表示当前周，m表示当前周工作日(weekday)，n表示当前时刻。
[0091]
具体地，本实施例采取滑动窗口方法处理样本数据，将窗口大小固定，当有新的数据加入时，窗口向前滑动，不断用新的数据替换旧的数据。如图5所示，图5为一个窗口大小
为m的滑动窗口模型示意图。
[0092]
进一步地，分别按照所述三种预测方式，采用滑动窗口方式对所述预测样本数据进行处理和统计，以预设比例(例如，预设比例为8:2)划分训练数据和测试数据，得到三个训练样本和三个测试样本。
[0093]
具体地，三种预测方式的训练样本和测试样本的划分方式如下所示：
[0094]
(1)预测方式一
[0095]
用当前时刻以及与其相邻的前四个时刻的有效泊位，预测未来相邻时刻的有效泊位。设当前时刻为tn，当前时刻有效泊位数量为xn，则x
n+1
为对应tn时刻所预测的期望输出值。由于输入层神经元个数为5，输出层神经元个数为1，所以固定窗口大小为6，如图6所示，图6分别表示tn时刻和t
n+1
时刻的输入样本值和对应的期望输出值。
[0096]
由于，所预测时段为08:00～20:00，以15分钟为统计周期，则预测时段一共包括48个样本数据。把预测时段样本数据当作测试集样本数据，则测试集样本数据有48个，采用8:2的比例划分训练集和测试集，则训练集样本数据有192个，总样本数据为240个。由于，窗口大小为6，采用窗口滑动方法，则一共可获得240*6的输入和期望输出矩阵，其中{xi}(i＝1,2,3,4,5)为输入样本，y为期望输出值，也即真实值，具体数据如下表所示。下表的第1～192行作为训练集样本矩阵，第193～240行作为测试集样本矩阵。
[0097][0098][0099]
(2)预测方式二
[0100]
用当前周工作日的当前时刻，以及与其相邻的前四个周工作日在相同时刻的有效泊位，预测未来相邻周工作日在相同时刻的有效泊位。设当前时刻为tn，对应的有效泊位数量为x
mn
，则x
(m+1)n
为对应tn时刻所预测的期望输出值。同预测方式一，如图9所示，图9分别表示tn时刻和t
n+1
时刻的输入样本值和对应的期望输出值。
[0101]
参照预测方式一，采用8：2的比例划分训练数据和测试数据，将总样本数据设置为240个。采用窗口滑动方法，可获得下表所示的样本数据，其中，第1～192行作为训练集样本矩阵，第193～240行作为测试集样本矩阵。
[0102][0103]
(3)预测方式三
[0104]
用当前周的当前周工作日的当前时刻，以及与其相邻的四个周在相同周工作日、相同时刻的有效泊位，预测未来相邻周在相同周工作日、相同时刻的有效泊位。设当前时刻为tn，对应的有效泊位数量为x
kmn
，则x
(k+1)mn
为对应tn时刻所预测的期望输出值。如图12所
示，图12分别表示tn时刻和t
n+1
时刻的输入样本值和对应的期望输出值。
[0105]
同理，参照预测方式一和预测方式二，采用8：2的比例划分训练数据和测试数据，将总样本数据设置为240个。采用窗口移动方法，可获得下表所示的样本数据，其中，第1～192行作为训练集样本矩阵，第193～240行作为测试集样本矩阵。
[0106][0107]
即在本实施例的一种实现方式中，步骤s200具体包括以下步骤：
[0108]
步骤s210，按照输入层和输出层变量数据输入方式的不同，选择采用三种预测方式；
[0109]
步骤s220，分别按照三种预测方式，采用滑动窗口方式对所述预测样本数据进行处理和统计，以预设比例划分训练数据和测试数据，分别得到所述三个训练样本和所述三个测试样本。
[0110]
本实施例按照三种预测方式，采用滑动窗口方式对所述预测样本数据进行处理和统计，分别得到三个训练样本和三个测试样本，进而可利用训练样本对神经网络模型进行训练，以及利用测试样本对目标停车场的有效泊位数量进行预测。
[0111]
如图1所示，在本发明实施例的一种实现方式中，基于神经网络的有效泊位组合预测方法还包括以下步骤：
[0112]
步骤s300，构建神经网络模型，分别将所述三个训练样本输入至所述神经网络模型中进行训练，得到三个训练后的神经网络模型。
[0113]
在本实施例中，在得到训练样本和测试样本后，开始构建神经网络模型。
[0114]
首先确定和初始化神经网络参数。其中，网络参数包括：神经网络层数、输入层神经元个数、输出层神经元个数、隐藏层神经元个数、隐藏层激活函数、输出层激活函数、学习速率、最大训练次数、最小设定误差、各层神经元的连接权值以及偏置。
[0115]
较佳地，由于单隐藏层的bp神经网络可用来逼近任何一个连续的函数，故本发明实施例选取典型的三层bp神经网络，其拓扑结构如图2所示；所述输入层神经元个数选取为5个；所述输出层神经元个数为1个；所述隐藏层神经元个数选取为8个；所述隐藏层激活函数选用sigmoid函数(如图3所示)；所述输出层激活函数选用purelin线性函数(如图4所示)；所述学习速率选取为0.01；所述最大训练次数选取为10000次；所述最小设定误差选取为0.0001；将所述各层连接权值以及偏置分别赋一个在区间(-1，1)内的随机值。
[0116]
进一步地，根据所述神经网络参数构建神经网络模型，再将所述的三个训练样本依次输入至神经网络模型中进行训练学习，训练结束后，保存训练后的神经网络参数，以此得到所述三个训练后的神经网络模型。
[0117]
即在本实施例的一种实现方式中，步骤s300具体包括以下步骤：
[0118]
步骤s310，根据预测样本数据确定和初始化神经网络模型参数；
[0119]
步骤s320，根据所述神经网络参数构建神经网络模型；
[0120]
步骤s330，分别将所述三个训练样本输入至所述神经网络模型中进行训练，并根
据训练结果保存训练后的神经网络参数，得到所述三个训练后的神经网络模型。
[0121]
在本实施例中，bp神经网络的训练学习过程一共分为四个阶段：第一阶段为信息正向传播过程，给定输入值，从输入层经隐藏层到输出层逐层计算每个神经元的输出值；第二阶段为误差反向传播过程，若在输出层未能得到期望输出值，则从输出层经隐藏层到输入层逐层逆向计算期望值与输出值的误差；第三阶段为网络参数调整过程，基于误差最小目标，修改各层神经元的连接权值和偏置；第四阶段为判断训练学习过程是否达到结束条件，如果预测误差小于设定值或学习次数达到设定值，则结束训练，并保存训练后的神经网络参数，否则，就再转入第一阶段的信息正向传播过程，如此反复进行，直至误差小于设定值或学习次数达到设定值。各阶段具体数学原理如下：
[0122]
第一阶段：信息正向传播过程
[0123]
(1)计算隐藏层各神经元的输出值
[0124][0125]
(2)计算输出层各神经元的输出值
[0126][0127]
第二阶段：误差反向传播过程
[0128]
(3)计算输出层各神经元的网络全局误差
[0129][0130]
(4)计算隐藏层各神经元的网络全局误差
[0131][0132]
(5)计算输入层各神经元的网络全局误差
[0133][0134]
第三阶段：网络参数调整过程
[0135]
(6)更新网络连接权值和偏置
[0136][0137][0138][0139][0140]
以上各式中：net
hj
为隐藏层神经元输入值；out
hj
为隐藏层神经元输出值；net
ot
为输出层神经元输入值；out
ot
为输出层神经元输出值；w
ji
为输入层与隐藏层连接权值；v
tj
为隐藏层与输出层连接权值；bh为隐藏层各神经元偏置；bo为输出层各神经元偏置；e为预测全
局误差；xi为输入值；y
t
为输出值；n、p、q分别为输入层、隐藏层、输出层神经元个数。
[0141]
即在本实施例的一种实现方式中，步骤s330具体包括以下步骤：
[0142]
步骤s331，将所述三个训练样本分别输入至所述神经网络模型进行训练，计算所述神经网络模型的各层输出值和误差值；
[0143]
步骤s332，根据所述误差值调整所述神经网络各层连接权值和偏置值；
[0144]
步骤s333，判断所述神经网络模型的误差值是否达到设定值，或判断所述神经网络模型的学习次数是否达到设定次数；
[0145]
步骤s334，若所述神经网络模型的误差值达到设定值，或所述神经网络模型的学习次数达到设定次数，则结束训练，并保存训练后的神经网络参数。
[0146]
本实施例根据预测样本数据确定bp神经网络参数，进而可以构建bp神经网络模型，通过将训练样本输入至bp神经网络模型进行训练，可以得到训练后的bp神经网络模型，进而可以基于训练后的bp神经网络模型进行有效泊位预测。
[0147]
如图1所示，在本发明实施例的一种实现方式中，基于神经网络的有效泊位组合预测方法还包括以下步骤：
[0148]
步骤s400，分别将所述三个测试样本输入至所述训练后的神经网络模型，对目标停车场进行有效泊位数量预测，得到三种预测结果。
[0149]
在本实施例中，在得到训练后的神经网络模型后，分别将上述的三个测试样本输入至训练后的神经网络模型，以实现对目标停车场有效泊位数量的预测。
[0150]
进一步地，根据输入的测试样本，计算训练后的神经网络模型的输出值和误差值，以此得到对应的预测结果。
[0151]
具体地，三种预测方式的预测过程及预测结果如下：
[0152]
(1)预测方式一
[0153]
将预测方式一的测试样本数据输入至基于预测方式一的训练样本训练后的神经网络模型，最终得到预测方式一所预测的鲤鱼门西街停车场2020年9月24日08:00～20:00时段内各间隔时段的有效泊位预测结果，如图7所示。各时段有效泊位预测结果与实际样本数据相对误差如图8所示。
[0154]
(2)预测方式二
[0155]
将预测方式二的测试样本数据输入至基于预测方式二的训练样本训练后的神经网络模型，最终得到预测方式二所预测的鲤鱼门西街停车场2020年9月24日08:00～20:00时段内各间隔时段的有效泊位预测结果，如图10所示。各时段有效泊位预测结果与实际样本数据相对误差如图11所示。
[0156]
(3)预测方式三
[0157]
将预测方式三的测试样本数据输入至基于预测方式三的训练样本训练后的神经网络模型，最终得到预测方式三所预测的鲤鱼门西街停车场2020年9月24日08:00～20:00时段内各间隔时段的有效泊位预测结果，如图13所示。各时段有效泊位预测结果与实际样本数据相对误差如图14所示。
[0158]
即在本实施例的一种实现方式中，步骤s400具体包括以下步骤：
[0159]
步骤s410，分别将所述三个测试样本输入至所述训练后的神经网络模型，对所述目标停车场进行有效泊位数量预测；
[0160]
步骤s420，计算所述训练后的神经网络模型的输出值和误差值，得到所述三种预测结果。
[0161]
本实施例通过三种预测方式对目标停车场进行有效泊位数量预测，得到三种不同的预测结果，进而可以基于三种预测结果构建组合预测模型，以提高预测的准确性。
[0162]
如图1所示，在本发明实施例的一种实现方式中，基于神经网络的有效泊位组合预测方法还包括以下步骤：
[0163]
步骤s500，基于三种预测结果，构建组合预测模型，得到组合预测模型预测结果。
[0164]
在本实施例中，由于受多种复杂因素的影响，针对同一预测问题，不同的预测模型会得到不同精度的预测结果，即使是相同预测模型，若数据处理方式或假设条件不同，预测结果也会往往不一样。由于单一预测模型所涵盖的信息量有限，往往无法全面反应数据信息，造成预测效果不理想。基于此，组合预测模型应运而生，其基本思想是把各单一模型预测结果通过各种有效的方法进行组合，得到一个更加准确、可靠的预测结果。
[0165]
具体地，先选用多种预测方法来构建多个单一预测模型，然后再基于权重分配方式确定各单一预测模型预测结果的权值，最后通过加权组合得到最终的预测结果。其预测流程图如图15所示。
[0166]
组合预测方法一般情况下要先选用两种以上的单一模型进行预测，再建立模型将各单一模型预测结果进行组合，构建组合预测模型。
[0167]
设有m个单一预测模型，记{x
t
}(t＝1,2,...n)为所要预测的目标对象的真实值，为第i种单一模型所预测的第t时刻的预测结果，wi为第i种单一预测模型在组合模型中所占的权重，z
t
为组合模型第t时刻的最终预测值，e
it
为第i种预测模型第t时刻的预测误差，e
t
为组合预测模型第t时刻的预测误差，则：
[0168][0169][0170][0171][0172]
本实施例以误差平方和最小原则确定各单一预测模型权值。记q为组合模型预测误差平方和，则可建立以下数学模型：
[0173][0174][0175]
其中，根据线性代数知识，q可以用如下形式表示：
[0176][0177][0178][0179][0180]
其中，w表示组合预测模型权值矩阵，e表示组合预测模型误差信息矩阵。则最优组合预测模型公式可用以下矩阵形式表示：
[0181]
minq＝w
t
ew；
[0182][0183]
根据矩阵运算相关理论，可求得最优权值矩阵为：
[0184][0185]
如果某单一预测模型预测误差相较于其他模型较大，基于以上方法进行权值分配，有可能会给预测误差较大的模型分配出负权值，不符合条件。如果出现负权值情况，需要对结果进行修正。本实施例采用以下方法进行修正，首先将分配出负权值的单一预测模型，也即误差较大的预测模型从组合模型中剔除，不参与组合预测，再将其余单一预测模型用上述方法重新进行组合求权值，如此反复进行，直至各单一预测模型分配的权值均为非负。
[0186]
上述在bp神经网络算法下，通过采取三种数据处理方式，构建了三种单一预测模型，分别得到了三种预测结果，即m为3。根据各预测模型预测结果，可计算得出组合预测模型误差信息矩阵：
[0187][0188]
将其逆矩阵代入最优权值计算公式，利用matlab软件可求得最优权值矩阵w＝(0.0773，0.0891，0.8336)
t
，代入组合预测模型预测结果计算公式得：
[0189][0190]
按照以上组合预测模型公式可计算出鲤鱼门西街停车场2020年9月24日08:00～20:00时段内各间隔时段的有效泊位预测结果，如图16所示。各时段有效泊位预测结果与实际样本数据相对误差如图17所示。
[0191]
即在本实施例的一种实现方式中，步骤s500具体包括以下步骤：
[0192]
步骤s510，构建所述组合预测模型，根据误差平方和最小原则确定权重分配方式；
[0193]
步骤s520，根据所述权重分配方式计算所述三种预测方式的预测结果的最优权值；
[0194]
步骤s530，将所述三种预测结果按照分配的权值进行加权组合，得到所述组合预测模型预测结果。
[0195]
本实施例在三种预测结果的基础上，通过组合预测的方式得到组合预测模型以及组合预测模型预测结果，从而提高目标停车场有效泊位数量的预测精度。
[0196]
如图1所示，在本发明实施例的一种实现方式中，基于神经网络的停车场泊位预测方法还包括以下步骤：
[0197]
步骤s600，计算及对比四种预测结果的性能评价指标，并根据所述性能评价指标绘制以及输出预测仿真图，选取预测误差最低的预测结果作为最终有效泊位预测结果。
[0198]
在本实施例中，在得到四种预测结果后，通过计算得到各种预测结果的性能评价指标，即将各预测结果与实际样本数据进行对比，计算各预测结果的性能评价指标。本实施例选取平均绝对误差(mae)、平均绝对百分比误差(mape)、以及均方根误差(rmse)这三个指标作为性能评价指标。然后，根据各预测结果的性能评价指标对比结果，选取预测误差最低的预测结果作为最终有效泊位预测结果。
[0199]
如图18所示，通过将三种预测方式以及组合预测方式的预测结果进行对比分析，可以直观的看出四种预测方式在停车场有效泊位数量预测方面的性能效果。
[0200]
下表为四种预测结果的各项性能评价指标值计算对比结果。
[0201][0202]
从以上四种预测结果的性能指标对比结果可看出：基于误差平方和最小原则建立的组合预测模型，使得平均绝对误差、平均绝对百分比误差、均方根误差这三个性能评价指
标均得到了一定程度的改善，预测误差最低，说明组合预测模型能够有效结合各单一预测方式特征，能更加全面反映数据变化信息，从而能够对有效泊位下一时刻的变化趋势做出较好的判断，也即证明了本实施例最终所建立的基于神经网络的组合预测模型对停车场有效泊位进行预测的有效性，可为停车场空余泊位的共享利用提供数据支持，为用户出行提供参考依据。
[0203]
在上述的对比结果中，可以确定组合预测方式为预测误差最低的预测方式；此时，可以将组合预测模型得到的预测结果作为输出数据，在终端设备中绘制以及输出预测仿真图，即绘制以及输出组合模型预测结果与实际值对比图；在终端设备绘制预测仿真图后，可通过终端设备将该预测仿真图发送至云端服务器，以将该预测仿真图作为预测大数据；亦或者，通过云端服务器将该预测仿真图发送至用户移动终端上的app，为用户的出行提供参考依据。
[0204]
即在本实施例的一种实现方式中，步骤s600具体包括以下步骤：
[0205]
步骤s610，将各预测结果与实际样本数据进行对比，计算各预测结果的性能评价指标；
[0206]
步骤s620，根据各预测结果的性能评价指标，选取预测误差最低的预测结果作为最终有效泊位预测结果，并根据选取的预测结果绘制以及输出所述预测仿真图。
[0207]
本发明通过实时采集目标停车场的停车数据，采用基于神经网络的组合预测模型，对目标停车场的停车数据进行分析，可以实时而准确地预测出停车场在未来一定时间段内的空余泊位信息，有助于最大化挖掘停车泊位资源，实现停车场空余泊车的共享利用，从而提高停车泊位利用率，同时也有助于停车用户根据有效泊位预测结果合理安排出行，实现停车诱导，减少在道路上的无效寻泊时间，而且，交通管理部门也可以通过预测结果对停车场附近道路交通进行宏观调控，从而有助于缓解区域交通拥堵问题，具有很好的经济效益和社会效益。
[0208]
示例性设备
[0209]
基于上述实施例，本发明还提供一种终端，其原理框图可以如图19所示。所述基于神经网络的有效泊位组合预测方法应用于终端中，所述终端包括但不限于：计算机以及移动终端等设备。
[0210]
该终端包括：通过系统总线连接的处理器、存储器、接口、显示屏以及通讯模块；其中，该终端的处理器用于提供计算和控制能力；该终端的存储器包括存储介质以及内存储器；该存储介质存储有操作系统和计算机程序；该内存储器为存储介质中的操作系统和计算机程序的运行提供环境；该接口用于连接外部终端设备，例如，移动终端以及计算机等设备；该显示屏用于显示相应的目标停车场有效泊位预测结果信息；该通讯模块用于与云端服务器或移动终端进行通讯。
[0211]
该计算机程序被处理器执行时用以实现一种基于神经网络的有效泊位组合预测方法。
[0212]
本领域技术人员可以理解的是，图19中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0213]
在一个实施例中，提供了一种终端，其中，包括：处理器和存储器，存储器存储有基
于神经网络的有效泊位组合预测程序，基于神经网络的有效泊位组合预测程序被处理器执行时用于实现如上的基于神经网络的有效泊位组合预测方法。
[0214]
在一个实施例中，提供了一种存储介质，其中，存储介质存储有基于神经网络的有效泊位组合预测程序，基于神经网络的有效泊位组合预测程序被处理器执行时用于实现如上的基于神经网络的有效泊位组合预测方法。
[0215]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
[0216]
综上，本发明公开了一种基于神经网络的有效泊位组合预测方法、终端及存储介质，其中，方法包括：实时采集目标停车场的停车数据，并对其进行预处理；采取三种预测方式对预处理数据进行处理，得到三个训练样本和三个测试样本；构建神经网络模型，分别将三个训练样本输入至神经网络模型进行训练，得到三个训练后的神经网络模型；分别将三个测试样本输入至训练后的神经网络模型进行有效泊位预测，得到三种预测结果；基于三种预测结果，构建组合预测模型，得到组合预测模型预测结果；计算及对比各预测结果的性能评价指标，选取预测误差最低的预测结果作为最终有效泊位预测结果。本发明通过基于bp神经网络的组合预测模型，可以实时而准确地预测出停车场未来时段空余泊位信息，有助于停车诱导、泊位共享等运营模式在实际场景中应用实施。
[0217]
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。