摘要
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。
汽车产业的快速发展与城市空间资源的有限构成严重冲突,供需矛盾日益尖锐,停车难问题成为了各大城市的挑战。为缓解停车设施停车难现象、提高停车设施的利用率,精细化停车管理的理念在近些年来逐渐被大众所接
停车需求预测可分为宏观停车需求预测与微观停车需求预测,宏观需求预测方法主要有停车生成率模型、出行吸引量模型、交通量停车需求模型与多元回归分析模型
选取2015.01—2015.12新华医院停车设施(三级综合医院,数据量约67.8万条,泊位数为425个)自动采集的停车数据进行分析,原始数据信息包含了以下四个方面的信息:车辆识别信息、停车记录信息、停车收费信息以及停车管理信息。停车场原始数据每条记录包含每辆车驶入、驶离停车场的具体时间点,以30min为间隔获得各时间范围内的出入场流量数据,再加上一时间点的在场车辆数,则可获得各时间点上的停车需求量。由于停车需求的矛盾主要产生在工作日,因此剔除非工作日以及节假日等数据,最终得到244d的正常工作日数据,每月有效的数据样本数如
新华医院全年工作日时变曲线如
图 1 新华医院全年间停车需求时变拟合曲线
Fig.1 Time-varying curves of parking demand grouping by months of Xinhua hospital.
为研究新华医院停车需求在不同工作日间的差异性,选取4—6月份每天6:00—22:00的数据,按周内各工作日(每周一、周二、周三、周四、周五)对泊位占有率时变曲线进行分组,得到五组的拟合曲线如
图 2 新华医院周内工作日间停车需求时变拟合曲线1
Fig.2 Time-varying curves of parking demand grouping by different working days.
可以发现:①每周一的拟合曲线振幅要高于其它工作日的拟合曲线;②每周五的拟合曲线在14:00之后出现逐渐下降的趋势,且振幅最低;③每周二、周三及周四的拟合曲线基本重合,停车需求特征非常稳定,可划分为一组。在此基础上进行组间归并,最终划分为三组:周一为需求较高的一组;周二、周三、周四为需求较为稳定的一组;周五为需求在午后出现下降的一组,三组拟合曲线如
图 3 新华医院周内工作日间停车需求时变拟合曲线2
Fig.3 Time-varying curves of parking demand after regrouping by different working days
LSTM模
图 4 RNN及其变形细胞单元结构
Fig.4 Structure of RNN, LSTM, GRU cells
相比于长短期记忆神经网络,门控循环单元神经网络的循环结构只有两处,由决定保留多少当前输入信息的更新门以及控制前一时刻的输出对当前输入的影响的复位门组成。门控循环单元神经网络具体的计算步骤如下:
(1)当前输入信息与前一时刻的输出经由更新门输出得一个0~1之间的数值,其中0表示完全舍弃输入信息,1表示完全保留输入信息,计算如下:
(1) |
(2)当前输入信息与前一时刻的输出经由复位门输出得一个0~1之间的数值,同时层会创建的新的候选值向量,计算如下:
(2) |
(3) |
(3)由更新门输出作为权重向量,前一时刻的输出与候选向量通过加权平均得到此时刻的输出值,计算如下:
(4) |
式中: 表示两个向量相连;表示矩阵的乘积;代表更新门的输出向量;代表复位门输出向量;代表此时刻的候选向量;代表此时刻输出向量;代表此时刻输入向量;代表权重向量。
采用新华医院停车场2015年4月1日至2015年6月12日中工作日数据作为训练数据集,采用2015年6月15日至2015年6月19日的数据作为测试集(共165个数据点),泊位占有率数据的时间段为工作日早上6:00至晚上22:00。同时根据第一节中周内各工作日时变曲线存在的差异性,将新华医院的训练数据划分为3组(周一;周二、三、四;周五),利用每一组的历史数据预测下一周这一组相对应的一天或者几天的泊位占有率数据,从而得到周内各日分时刻的泊位占有率预测值。除上节中所提及的参数,在对停车需求进行短时预测中,还需设定另一个重要参数“时间窗口”,是指将过去一段时间内的观测值作为下一个时刻观测值的特征,时间窗口的长度称为Lookback,即用多个过去的观测值去作为模型下一时刻输入的特征。在训练数据时,可以调整不同的Lookback以获得最优的Lookback值。
为便于估计模型拟合数据以及预测数据的精确度,引入平均绝对误差(MAE)、标准误差(RMSE)以及平均绝对百分误差(MAPE)等三个指标衡量模型的预测精度。MAE指标能很好地反映预测值误差的实际情况;RMSE指标可以用来衡量观测值同真值之间的偏差;MAPE指标可以很好地反映预测误差偏离实际的程度。
以新华医院每周一的历史数据为例(共10日,330个数据点),以2015年6月15日数据作为测试集,为防止模型产生过拟合和欠拟合,以2015年6月8日数据作为验证集。设定GRU模型只含有一个隐藏层,调整这一隐藏层中不同神经元的个数。由于1日中的泊位占有率的数据点共有33个,所以Lookback选取范围定为1~33,通过调整不同的神经元个数以及不同的Lookback来得到最优的模型参数。
模型训练的散点图如
图 5 GRU训练MAPE散点图
Fig.5 MAPES of training results of GRU model
按照上述方法标定第2组、第3组的历史数据所对应的模型并获得其相应在测试集上的误差。最终得到3组数据相应所标定的模型以及3组历史数据分别在其测试集上的误差,如
为评估提出的预测方法,比较未分组情形下采用ARIMA模型、传统BP神经网络以及GRU模型的预测精度,模型定阶过程如下所示:①在ARIMA模型中,对二阶差分后的停车泊位占有率数据进行ADF(augmented Dickey-Fuller Test)检验,得到ADF值为-21.618,均小于1%,5%,10%所对应的值(-3.434,-2.863,-2.567)。之后,观测序列自相关系数和偏自相关系数,根据AIC(akaike information criterion)信息最小原则,模型定为ARIMA(8,4,2),此时AIC值为14 562.86。最后,对模型的残差进行Durbin-Watson检验,所得到的值为2.039,同时,残差序列通过Ljung-Box检验。②在传统BP神经网络模型中,同样设定一层隐藏层,学习率为0.01,交叉验证比例为0.33,Dropout(随机失活)参数值设置为0.3,优化函数选用Adam,输入维度为17,隐藏层神经元个数为150。③在GRU模型中,同样设定一层隐藏层,学习率为0.05,交叉验证比例为0.33,Dropout同样设为0.3,优化函数选取为RMsprop,Lookback参数为15,神经元个数为80。
综上,共对比分析4组情形,预测结果如
图 6 实际停车需求值与本研究所采用的预测方法比较
Fig.6 Comparison between actual parking demand and prediction value
停车需求短时精准预测是精细化停车管理中的重要组成部分,特别是在停车诱导过程中,停车需求的精准预测可以极大地提升了信息发布的有效性,解决了停车诱导发布信息与车辆到达停车场后的实际信息不一致的困境。本研究在精细化停车管理的理念下,对停车需求在月内以及周内不同工作日的差异性进行了深入研究,研究表明停车需求在不同月份以及不同工作日间存在着显著的差异性,结果表明:周一为需求较高的一组;周二、周三、周四为需求较为稳定的一组;周五为需求在午后出现下降的一组。在此基础上,按照停车需求在周内日间的差异性对数据进行分组,并利用更简洁的GRU模型进行分组预测,研究表明在对停车需求进行分组预测后,模型的预测精度能够进一步提升。本研究可为停车诱导系统提供更为先进、更为精细化的预测方法。由于篇幅的限制,本文只针对工作日停车数据进行了阐述,实际上对于非工作日的预测有着同样的效果。值得注意的是,本文并未将天气因素考虑进来,同时可以考虑采
作者贡献声明
李林波:相关概念及方案讨论,论文语言组织;
李杨:数据处理及分析,实验设计及初稿撰写。
参考文献
李林波, 高天爽, 姜屿. 基于生存分析的夜间驻留停车需求预测[J]. 东南大学学报(自然科学版), 2020,50(1): 192. [百度学术]
LI L, GAO T, JIANG Y. Night parking demand forecasting based on survival analysis[J]. Journal of Southeast university (Natural Science Edition), 2020,50(1): 192. [百度学术]
李林波, 姜屿, 邹亚杰, 等. 停车需求特征指标的潜在特性[J]. 同济大学学报 (自然科学版), 2019,47(4): 515. [百度学术]
LI L, JIANG Y, ZOU Y, WU B. Potential features of parking demand characteristics[J]. Journal of Tongji University (Natural Science Edition), 2019, 47(4): 515. [百度学术]
WANG F. Parallel control and management for intelligent transportation systems: concepts, architectures, and applications[J]. IEEE Transactions on Intelligent Transportation Systems, 2010,11(3): 630. [百度学术]
LIU M, NAOUM-SAWAYA J, GU Y, et al. A distributed markovian parking assist system[J]. IEEE Transactions on Intelligent Transportation Systems, 2019,20(6): 2230. [百度学术]
刘志广. 城市中心区典型商场配建停车泊位共享时间窗口研究[D]. 南京: 东南大学, 2016. [百度学术]
LIU Z G. Research on shared time window of parking spaces at typical mails in downtown[D]. Nanjing: Southeast University,2016. [百度学术]
YU F, GUO J, ZHU X, et al. Real time prediction of unoccupied parking space using time series model [C]// 2015 International Conference on Transportation Information and Safety (ICTIS). Wuhan: IEEE, 2015:370-374. [百度学术]
RAJABIOUN T, IOANNOU P A. On-street and off-street parking availability prediction using multivariate spatiotemporal models[J]. IEEE Transactions on Intelligent Transportation Systems, 2015,16(5): 2913 [百度学术]
许增昭. 基于泊位诱导及短时预测的智能停车管理系统研究[D]. 广州: 华南理工大学, 2010. [百度学术]
XU Z Z. Research on intelligent parking management system based on parking space guidance and short-term prediction[D]. Guangzhou:South China University of Technology, 2010. [百度学术]
唐克双, 郝兆康, 刘冰清. 停车场泊位占有率预测方法评价[J]. 同济大学学报 (自然科学版), 2017,45(4): 533. [百度学术]
TANG K, HAO Z, LIU B, et al., Evaluation of prediction methods for parking occupancy rate[J]. Journal of Tongji University (Natural Science), 2017, 45(4): 533. [百度学术]
VLAHOGIANNI E I, KEPAPTSOGLOU K, TSETSOS V, et al. A real-time parking prediction system for smart cities[J]. Journal of Intelligent Transportation Systems, 2016,20(2): 192. [百度学术]
YONG S, CHUNPING L, YIHUAI W, et al. A forecasting model for parking guidance system[C]// 2009 WRI World Congress on Computer Science and Information Engineering. Los Angeles: IEEE, 2009: 607-611. [百度学术]
YANG Z, LIU H, WANG X. The research on the key technologies for improving efficiency of parking guidance system [C]// Proceedings of the 2003 IEEE International Conference on Intelligent Transportation Systems. Shanghai: IEEE, 2003:1177-1182. [百度学术]
何洪波, 韩印, 姚佼. 基于混沌和 BP 神经网络的有效停车泊位预测[J]. 交通与运输 (学术版), 2012(1): 24. [百度学术]
HE H, HAN Y, YAO J. The prediction of effective parking space based on chaos and BP neural network[J]. Journal of Traffic and Transportation, 2012(7):24. [百度学术]
陈群, 晏克非, 王仁涛, 等. 基于相空间重构及 Elman 网络的停车泊位数据预测[J]. 同济大学学报 (自然科学版), 2007,35(5): 607. [百度学术]
CHEN Q, YAN K, WANG R, et a1. Parking space information prediction based on phrase construction and Elman neural network[J]. Journal of Tongji University(Natural Science Edition), 2007, 35(5): 607. [百度学术]
JI Y J, CHEN X S, WANG W, et al. Short-term forecasting of parking space using particle swarm optimization-wavelet neural network model[J]. Journal of Jilin University (Engineering and Technology Edition), 2016,46(2): 399. [百度学术]
JI Y, WANG W, DENG W. Available parking space occupancy change characteristics and short-term forecasting model[J]. Journal of Southeast University (English Edition), 2007,23(4): 604. [百度学术]
杨兆升, 陈晓冬. 智能化停车诱导系统有效停车泊位数据的预测技术研究[J]. 交通运输系统工程与信息, 2003,3(4): 12. [百度学术]
YANG Z, CHEN X. Research on the estimation or effective parking space of the intelligentized parking guidance system[J]. Journal of Transportation Systems Engineering and Information Technology, 2003, 3(4): 12. [百度学术]
佘飞, 邱建东, 汤旻安. 大型停车场空闲车位短时预测方法[J]. 计算机应用研究, 2019,36(3): 851. [百度学术]
SHE F, QIU J, TANG M. Simulation of prediction for free parking spaces in large parking lots[J]. Application Research of Computers, 2019,36(3): 851. [百度学术]
CHO K, Van MERRIËNBOER B, GULCEHRE C, et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation[C]// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing. Doha: ACL,2014: 1724-1734. [百度学术]
ZHAO Z, CHEN W, WU X, et al. LSTM network: a deep learning approach for short-term traffic forecast[J]. IET Intelligent Transport Systems, 2017,11(2): 68. [百度学术]
WANG X, XU L, CHEN K. Data-driven short-term forecasting for urban road network traffic based on data processing and LSTM-RNN[J]. Arabian Journal for Science and Engineering, 2019,44(4): 3043. [百度学术]
ZHANG Z, LI M, LIN X, et al. Multistep speed prediction on traffic networks: a deep learning approach considering spatio-temporal dependencies[J]. Transportation Research Part C: Emerging Technologies, 2019,105: 297. [百度学术]
HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997,9(8): 1735. [百度学术]
HOCHREITER S, BENGIO Y, FRASCONI P, et al. Gradient flow in recurrent nets: the difficulty of learning long-term dependencies[C]//A Field Guide to Dynamical Recurrent Networks. [S.L.]: IEEE,2001: 237-243. [百度学术]
LV Y, DUAN Y, KANG W, et al. Traffic flow prediction with big data: a deep learning approach[J]. IEEE Transactions on Intelligent Transportation Systems, 2014,16(2): 865. [百度学术]