买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供了一种基于深度学习的停车场车位数量预测方法，包括：首先将数据处理为以时间为横坐标、停车场车位数据为纵坐标的二维时空矩阵数据，然后利用CNN模型的权值共享特点，提取高维度的停车场间车位特征，利用LSTM模型记忆特点提取车位时间特征，将CNN模型和LSTM模型组合，搭建CNN‑LSTM模型对停车场车位数据进行预测，并对预测结果进行分析。本发明能够从时间和空间两个维度对停车场车位数据进行预测，充分考虑了停车场车位数据的相关性，使得特征体系更加完备，可以得到更好的模型预测结果。

主权项：1.一种基于深度学习的停车场车位数量预测方法，其特征在于，包括如下步骤：步骤S1、选定一个待预测车位数量的停车场，根据所述停车场内的车位空余量数据和不同日期，构造时空矩阵数据，并将其划分为训练集和测试集；步骤S2、根据步骤S1中的时空矩阵数据建立一个CNN-LSTM神经网络预测模型；所述步骤S2包括：步骤S2a：将步骤S1c中归一化处理后的工作日车位流量数据集和休息日车位流量数据集进行标准化处理，公式如下： 其中，xt代表车位流量数据集中的任意一个数据，xt′为标准化处理后的数据；步骤S2b：将标准化处理后的数据按照时间顺序排列，生成时间序列数据，并将其作为模型训练的时间特征，并使用GCN模型对时间序列数据的时空特征进行提取；步骤S2c：设定加权图G＝V，E是N个停车场的图结构关系；其中，vi表示停车场i，表示G的边界集合，ei，j表示停车场i和停车场j之间的联系；设定距离矩阵Dis，di，j表示停车场i和停车场j的距离，利用距离矩阵Dis来构造邻接矩阵A∈RN×N权重，并使用贝叶斯概率计算； 其中，vi表示在v时刻的停车场，v表示任意一个停车场，Pvi|v表示人们选择i时刻的停车场作为停车位的概率；应用上述公式，对步骤S2b中GCN模型处理后拓扑结构提取得到的邻接矩阵表示为： 其中，d0表示人们搜索停车场的最大搜索半径，d0表示停车场车位占用率满时人们可接受去寻找另一个停车场的最远距离，β表示距离衰减因子；步骤S2d：构造停车场的街景相似度矩阵S∈RN×N；其中，Si，j表示停车场i和停车场j之间的街景相似度，并使用CNN模型的余弦相似度计算停车场街景图像之间的相似度，公式如下： 其中，xi、yi表示在n维空间第i时刻x、y的坐标值，x，y表示通过使用ResNet50模型从街景图像中提取出来的特征向量在n维空间中的坐标值；步骤S2e：将每个停车场的车位流量历史时间序列数据作为特征矩阵X∈RN×P；其中，P表示历史时间序列数据的长度，Xt∈RN×i表示在i时刻的停车场车位平均占用率；接着，使用两层GCN模型进行空间相关性提取，其中，第一层将特征矩阵Xt和街景相似度特征输入到GCN模型中，第二层让GCN模型学习通过第一层GCN模型和街景相似度特征提取之后的特征将GCN模型提取到的数据特征用于后续训练CNN-LSTM模型；所述GCN模型表示为： 式中，IN表示单位矩阵，σ表示sigmoid函数，表示归一化的拉普拉斯矩阵，用于体现街景图像中节点间的连接关系和权重，节点则是构成图的基本单位，ReLU表示激活函数，W0和W1表示第一层和第二层的加权矩阵，C表示邻接矩阵描述了图形中节点之间的关系，表示邻接矩阵C和单位矩阵IN的和，为度矩阵，其为对角矩阵，主对角线上的元素是每个节点的度，即与该节点相连的其他节点数目，∑jCi，j表示邻接矩阵第i个节点的权重之和；步骤S3、确定CNN-LSTM神经网络预测模型中CNN模型的卷积核大小和池化方式，并初始化CNN-LSTM神经网络预测模型的所有权重参数；步骤S4、经CNN-LSTM神经网络预测模型前向传播预测及评估流程；步骤S5、利用梯度下降优化算法完成所述CNN-LSTM神经网络预测模型中的权重参数更新，持续迭代训练到总误差收敛为止，停止训练，输出CNN-LSTM神经网络预测模型的预测结果；所述步骤S5包括：步骤S5a：选择一个变量集θ作为目标参数，所述变量集包括CNN-LSTM神经网络模型中所有需要调整的参数，接着，使用梯度下降法对变量集θ进行迭代优化，应用于当前变量集θ的目标函数Lθ的梯度下降的数学更新规则表示为： 其中，α为学习率，是梯度；步骤S5b：开发一种结合深度学习和ANFIS模型输出的融合模型，并使用梯度下降来优化分配给每个模型预测的权重；最小均方根误差Lθ定义为： 其中，N为样本数，yi为实际值，为DL和ANFIS模型加权平均预测值；加权平均预测的计算公式为： 其中，ω1和ω2分别是应用于DL模型和ANFIS模型输出的权重；步骤S5c：损失函数相对于权重的梯度计公式算如下： 接着上述公式中的梯度和学习率α迭代更新权重ω1和ω2，如下所示： 迭代过程继续，直到损失函数收敛到最小值，表明已获得了融合模型的最优权重，最终输出车位数量预测结果。

全文数据：

权利要求：

百度查询： 兰州交通大学 一种基于深度学习的停车场车位数量预测方法