基于小波-ELM神经网络的短期停车泊位预测

采用小波变换与极限学习机(ELM)相结合的方法对短时空余停车泊位进行预测.首先通过小波函数对有效停车泊位时间序列进行小波分解和重构;然后用ELM对分解后所得的各时间序列进行预测;最后对各神经网络的预测结果进行合成,得到最终的预测结果.预测实例结果表明,该方法缩短了训练时间,提高了预测结果.     

动态停车场数据预处理及短时预测方法研究

停车场的停车空余泊位数的变化,和交通信息一样普遍具有层次性、周期性、相似性和可预测性。一般交通模型输入数据的质量对于模型的有效性具有不可忽视的作用。借鉴道路交通系统中对于动态交通数据的预处理方法,本文讨论了动态停车场数据故障的识别与修复方法;并在此基础上确定了停车场空泊位短时预测的基本方法,通过时间序列预测方法中的指数平滑法对停车泊位进行短时预测。     

面向精细化管理的停车需求短时预测

停车诱导系统(PGS)是缓解交通拥堵的有效办法,但停车需求短时精准预测作为空余车位发布的关键技术并没有得到有效解决。利用停车需求时变特征曲线的线型稳定性,以及在周内各工作日间的振幅的显著差异性对数据进行分组,采用不仅具备记忆时间序列数据能力,同时有着更简洁的逻辑门控制结构的GRU(gated recurrent unit)模型对停车需求进行短时精准预测,发现相比于传统神经网络以及ARIMA模型,在考虑停车需求周内日间差异性并对数据进行分组后的GRU模型能提供更高的预测精度。     

径流序列的相空间重构神经网络预测模型

在水文水资源领域中引入混沌理论，将相空间重构理论与神经网络理论相结合，提出了径流时间序列预测模型．通过相空间重构，把一维径流时间序列拓展为多维序列，而多维序列可挖掘更为丰富的信息，有利于神经网络的训练．研究表明，利用神经网络建模可以较好地解决非线性问题，使预测更符合实际．以汉江石泉水库逐月平均入库径流序列为例，建立了径流时间序列相空间重构与神经网络耦合预测模型，计算结果表明，模型有较高的预测精度．     

BP神经网络用于停车场空余泊位的预测研究

采用BP神经网络,对停车场的空余泊位数量进行了预测,并针对BP神经网络训练过程中易震荡、收敛速度过慢和容易陷入局部最小的缺点,采用BP动量法与调节学习速率相结合的方法对其进行改进.通过仿真验证了BP神经网络对停车场空余泊位数预测的有效性,为区域的停车诱导提供了依据.     

电力系统短期负荷的混沌时间序列预测

电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.     

交通流的混沌特性分析及其预测

实时准确的短时交通流预测是智能交通系统中实现交通控制和诱导的关键技术之一.首先,采用饱和关联维数法和互信息量法对交通流时间序列的嵌入维数和延迟时间进行计算,并根据计算结果对交通流时间序列进行相空间重构;然后,采用wolf方法计算其最大Lyapunov指数,并对其进行功率谱分析,结果表明,交通流时间序列具有噪声;最后,分别采用基于BP神经网络和RBF神经网络的预测模型对交通流时间序列进行预测,结果表明,2种模型对短时交通流均能较好预测,但后者的预测精度较高,预测速度较快.嵌入维数;延迟时间;相空间重构;BP神经网络;RBF神经网络     

基于多变量相空间重构的地下水动态神经网络预测模型

从多元变量时间序列出发,以相空间重构理论为基础,结合偏最小二乘回归与神经网络方法,提出了基于多变量相空间重构地下水动态预测的神经网络模型.通过分别确定各个时间序列的时间延迟和嵌入维数的方法对地下水动态的多变量时间序列进行相空间重构,采用偏最小二乘回归法提取对系统解释最强的成分作为网络输入,利用神经网络模型进行各成分之间的非线性拟合.将基于多变量相空间重构地下水动态预测的神经网络模型应用于黑龙洞泉域地下水位预测,并通过分析与比较验证了该方法的有效性.     

车用锂离子动力电池剩余寿命非线性组合预测研究

针对单一预测模型难以准确预测锂电池的剩余寿命（remaining useful life, RUL）难题,提出了非线性组合预测方法;利用相空间重构,对实验采集到的数据进行重构,将重构后的数据对改进Elman神经网络和非线性自回归（nonlinear autoregressive with exogenous input,NARX）神经网络这2个单项预测模型进行训练和预测;采用RBF神经网络对2个单项模型的预测值进行非线性组合,获得最终的RUL预测值．结果表明:非线性组合预测方法的均方根误差比PCA-NARX方法提高了近1%,比NARX方法提高了近2%,比改进Elman方法提高了近3%;非线性组合预测方法具有较高的精度及泛化能力,采用相空间重构技术有利于提高非线性组合方法的预测精度．      

优化小波神经网络停车泊位多步预测

【目的】通过改进停车泊位预测方法为交通出行提供有益帮助。【方法】利用李雅普指数对停车泊位序列进行分析,指出序列具有混沌特性,可进行多步预测。利用db32小波函数具有双正交性、紧支撑性以及消失矩阶数较大的特征,对归一化的停车泊位序列进行多尺度分解与重构,并作为小波神经网络(Wawelet neural network,WNN)的隐含层函数。为提高预测精度和降低预测时间,分别使用粒子群算法(Particle swarm optimization,PSO)和极限学习机(Extreme learning machine,ELM)来优化WNN。其中,使用PSO对WNN的权值进行调整,逐步迭代得到最优值;使用ELM将全局最优值作为单隐层前馈神经网络的输入,使得算法尽快收敛。优化后的WNN结合迭代多输出法对停车泊位进行预测。将上述预测方案称为极限学习机和粒子群算法双重优化的小波补缀网络多步预测(Multi-step prediction based on wavelet neural networkimproved by extreme learning machine and particale swarm optimization,MP-EPWNN)。【结果】仿真实验表明,相对于BP神经网络、遗传算法优化小波神经网络、极限学习机优化小波神经网络、粒子群优化小波神经网络4种算法,MP-EPWNN算法的预测均方误差平均降低了96.6%,预测所需的时间平均降低了65.97%。【结论】MP-EPWNN算法预测停车泊位是有效的。
     

个性化诱导下的居住区共享停车泊位分配模型

针对停车资源有限条件下群体式停车诱导容易产生局部拥堵的问题,研究居住区参与的个性化共享停车服务模型.提出了个性化共享停车诱导服务策略,定义了居住区停车位共享管理指标,建立了居住区共享停车泊位分配模型.通过对高峰泊位空闲指数差异均值和驾驶员停车后步行距离目标的双重约束,在满足驾驶员停车选择目标的同时实现了停车资源的均衡有效利用.研究表明,个性化诱导方式下,居住区停车场利用自身泊位的闲置时间可以有效缓解周边建筑的停车吸引,减少局部停车拥挤,成为毗邻建筑的最佳共享停车合作伙伴.     

遗传算法优化BP神经网络的泊车位数量预测

为了提高停车场空余泊车位短时预测的精度,利用遗传算法优化BP(back propagation)神经网络的权值和阈值,建立了基于GABP(genetic algorithm back propagation)神经网络的有效泊车位数量的预测模型,并对该预测模型进行训练,最终得到最优解。实验结果表明,该方法对泊车位数量预测具有更高的预测精度,且非线性拟合能力显著。     

考虑航班计划的机场短时停车需求预测

为克服现有短时停车需求模型无法直接利用于机场停车需求预测这一问题,利用停车数据、航班计划和气象信息,建立了面向机场停车场的短时停车需求预测模型。首先使用机场停车数据分析了停车场短时车辆到达与离去特性,然后考虑到航班计划对机场停车场短时停车需求的影响,将其与气象状况同时引入短时停车需求影响因素中,建立了基于Conv1D-长短期记忆(long short-term memory, LSTM)神经网络结构的机场短时停车需求模型。以上海虹桥机场停车场为实例,Conv1D-LSTM模型实验结果的平均绝对误差和均方根误差分别为12.057辆和14.237辆;对比多个其他模型实验结果,所构建的Conv1D-LSTM模型预测效果更优,能有效应用于机场停车场短时停车需求预测。     

智能停车场Web车位引导系统的设计与实现

为了提高停车场的信息化和智能化水平,给车主提供更高效、舒适的停车体验,针对现有车位引导系统的本地性限制,提出一种Web车位引导系统．该系统利用停车场车位上安装的传感节点实时探测车位信息,通过无线传输至管理主机并存入数据库实现车位信息的获取．通过ASP．net将实时的车位信息从数据库中提取并以Flash动画的形式在前台显示．用户可通过Web访问随时随地获取停车场内车位的布局、空位数量及进出路线等信息进行直观读取．从而更好的实现智能停车场的车位引导．     

基于相空间重构的神经网络短期风速预测

针对风速具有较强的混沌特性,预测难度较大,提出了一种基于相空间重构的神经网络短期风速预测方法:对数据进行小波降噪,运用互信息法和虚假最近邻点法确定最佳的延迟时间和嵌入维数,对样本空间进行重构,使新的样本能够表征原始时间序列动态特性,更能反映风速变化特性。在此基础上运用BP神经网络进行短期风速预测。实验结果表明短期风速预测精度得到提高。     

改进YOLOv5网络模型的车位检测方法

针对目前车位检测方法效率低的问题，提出一种轻量级车位检测方法OG-YOLOv5。首先，基于YOLOv5网络添加车位分隔线方位回归分支，实现车位方位的准确预测，可直接根据网络预测结果推断完整车位信息；其次，通过检测尺度裁剪、Ghost模块重构网络实现模型轻量化；再者，通过在网络主干中引入ECA注意力机制、优化损失函数提高目标预测精度。通过对比实验，结果表明所提OG-YOLOv5网络的mAP达到了98.8%，模型参数量和计算量仅为原模型的32.0%和28.3%，在GPU和CPU上的检测时间分别减少了16.2%和28.1%，车位检测准确率和召回率分别达到了97.75%和96.87%。     

GA-Elman公交车辆到站时间预测模型

为了建立完善的公交系统,提出了基于GA-Elman的公交到站时间预测模型,进行公交到站时间预测．模型中以时间段、天气、路段和当前路段运行时间为输入量,以福州市第20路公交车为例进行验证．验证结果表明,该模型比单纯用Elman神经网络的预测模型计算量小,能够较准确地进行公交到站时间预测．     

停车诱导可变信息板选址的优化模型

为解决停车诱导信息系统(PGIS)中可变停车诱导信息显示板的选址优化问题,以诱导量最大为优化目标,建立了优化模型.考虑了可变信息显示板总数约束、单交叉口信息板个数约束、所有停车场均有至少一次被诱导的条件约束及可变信息板设置的疏密程度约束.采用遗传算法对模型进行优化求解,并以一个仿真示例对模型构造及求解过程进行阐述.结果表明,该模型可直接用于停车诱导系统设计中,合理确定可变信息板在路网中的最佳位置.