張麗莉，儲江偉，范東溟

（東北林業(yè)大學(xué) 交通學(xué)院，黑龍江 哈爾濱150040）

隨著城市人口規(guī)模的增加、城市居民機動車保有數(shù)量的快速增長，城市停車供需中心城區(qū)的交通吸引強度居高不下，停車難題已成為城市交通中，特別是城市中心區(qū)域最為棘手的問題之一。為了緩解城市中心區(qū)的機動車停車泊位供需矛盾，進(jìn)行實時有效的停車泊位數(shù)量預(yù)測，進(jìn)而優(yōu)化停車路徑誘導(dǎo)，是智能化停車管理的手段之一。其中，有效停車泊位是指正在開放的停車場內(nèi)能夠有效使用的車輛泊位數(shù)量。通過對有效停車泊位進(jìn)行預(yù)測，可以使更多的車輛在到達(dá)之前就能夠掌握到就近停車場的泊位使用信息以及發(fā)展趨勢，從而使得需求車輛能夠在就近的停車場進(jìn)行合理地分配；而停車誘導(dǎo)是指以提高停車場以及相鄰道路的利用率為目的，用多種合理方式向駕車人提供停車場的信息（包括停車場的位置、車位的使用狀況、車位數(shù)等）、路線及相關(guān)道路的交通狀況等信息，從而快速地引導(dǎo)駕駛員以最有效的方式找到停車場的一種行為。其中，可靠而準(zhǔn)確的有效停車泊位預(yù)測是進(jìn)行有效停車誘導(dǎo)的重要前提。因此，本文對有效停車泊位的預(yù)測方法進(jìn)行研究。

1 應(yīng)用現(xiàn)狀

國外有效停車泊位的預(yù)測已經(jīng)成為智能交通系統(tǒng)的重要組成部分，并與停車誘導(dǎo)系統(tǒng)緊密相連。其中，歐洲、美國以及德國等國家已經(jīng)進(jìn)行了大量的研究工作，并在城市中進(jìn)行應(yīng)用。其中主要概括為兩大類研究方法：一類方法采用線性時間序列預(yù)測方法，該方法假設(shè)各變量之間是一種線性關(guān)系［1］，這種局限性使得其在實際應(yīng)用中很難準(zhǔn)確地進(jìn)行分析和預(yù)測。因為實際的系統(tǒng)總是含有非線性因素，當(dāng)利用線性模型描述或逼近得不到滿意結(jié)果時，就應(yīng)該采用非線性時間序列預(yù)測模型或其他非線性的方法［2］；另一類方法是采用非線性的時間序列預(yù)測模型，如Tong等人在巡游尋找停車位所花費的時間較多的情況下，針對如何減少駕車出行的巡游時間，提高出行的效率，對中心區(qū)停車巡游行為進(jìn)行理論方法和實證分析，其所提出的閾值自回歸模型、門限歸模型等［3］均屬于模型驅(qū)動的方法。然而實際中由于多數(shù)系統(tǒng)復(fù)雜的非線性特征，使得這類方法在理論分析與實際應(yīng)用上都有相當(dāng)?shù)木窒扌裕?］。由于神經(jīng)網(wǎng)絡(luò)模型可以較好地描述復(fù)雜非線性問題，它能夠從數(shù)據(jù)樣本中自動學(xué)習(xí)以前的經(jīng)驗而無需反復(fù)查詢和表現(xiàn)過程，并逼近那些描述樣本數(shù)據(jù)規(guī)律的最佳函數(shù)，且所考慮的系統(tǒng)表現(xiàn)函數(shù)越復(fù)雜，神經(jīng)網(wǎng)絡(luò)的作用就越明顯。因此，神經(jīng)網(wǎng)絡(luò)已經(jīng)成為目前非線性預(yù)測中的常用方法［5］。

我國對于有效停車泊位的預(yù)測也有一定的研究成果，如楊兆升等提出采用基于歷史數(shù)據(jù)和實時數(shù)據(jù)的兩種神經(jīng)網(wǎng)絡(luò)預(yù)測方法，取得了良好的預(yù)測效果［6］；陳群等提出采用模糊C—均值聚類的方法對各時段停車特征進(jìn)行歸類預(yù)測，更加有利于駕駛員的出行決策［7］；季彥婕等提出了將收益管理理念引入停車泊位預(yù)測系統(tǒng)，根據(jù)不同時段的停車需求，產(chǎn)生最優(yōu)預(yù)測決策，確定模糊規(guī)則庫［8］；王辛巖等提出在物聯(lián)網(wǎng)平臺下，針對系統(tǒng)中的停車位預(yù)定模塊進(jìn)行相關(guān)的算法設(shè)計，通過將停車場空閑車位平面圖轉(zhuǎn)換為1張帶權(quán)有向圖，并引入蟻群算法進(jìn)行求解，同時綜合考慮駕駛員駕駛水平、車輛型號、停車場停放難易程度等因素進(jìn)行預(yù)測，取得了較高的預(yù)測精度［9］。

2 基于BP神經(jīng)網(wǎng)絡(luò)的有效停車泊位預(yù)測

2.1 影響停車泊位數(shù)的因素

影響區(qū)域停車泊位數(shù)的因素很多，如城市區(qū)域經(jīng)濟發(fā)展水平、停車場土地利用和停車設(shè)施利用情況、停車場附近路網(wǎng)條件的影響、停車場容量、停車需求管理政策，以及停車場所在位置的天氣狀況和環(huán)境影響［10］。本文對停車場所在位置、天氣以及交通環(huán)境等影響因素進(jìn)行分析，其中氣象條件良好時，用“0”表示，氣象條件惡劣時，用“0.5”表示，氣象條件較差時，用“0.25”表示；同理，道路交通條件良好時，用“1”表示，道路交通條件一般時，用“0.75”表示，道路交通條件較差時，用“0.5”表示。將其歸為神經(jīng)網(wǎng)絡(luò)的一類輸出變量，作為對停車場停車數(shù)量的影響因素加以分析。

2.2 原始數(shù)據(jù)采集和歸一化處理

本文以哈爾濱市某商圈地下停車場為例，該停車場位于市區(qū)中心，在早晚高峰時期停車場附近車流量大，交通密度大，可以采集大量的實驗數(shù)據(jù)，便于數(shù)據(jù)分析，而且大量的數(shù)據(jù)可以有效減少預(yù)測誤差。本例在每天9：30～10：30對停車場出入口的數(shù)據(jù)進(jìn)行采集。獲得輸入和輸出樣本變量后對其進(jìn)行歸一化處理，將數(shù)據(jù)處理為區(qū)間［0，1］之間的數(shù)據(jù)。對原始數(shù)據(jù)進(jìn)行歸一化處理使用的公式為

式中：x為原始數(shù)據(jù)，x′為歸一化后的數(shù)據(jù)，xmin為原始數(shù)據(jù)中的最小值，xmax為原始數(shù)據(jù)中的最大值。

本次研究為2014－03－10～03－26每天9：30～10：30每隔12min的有效停車泊位數(shù)，以該時間段氣象特征狀態(tài)量和道路交通條件作為網(wǎng)絡(luò)的訓(xùn)練樣本，并用上述數(shù)據(jù)預(yù)測2014－03－27的有效停車泊位數(shù)，其歸一化后的數(shù)據(jù)如表1所示。

表1 有效停車泊位數(shù)原始數(shù)據(jù)以及氣象特征、道路交通條件

2.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試

1）BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用函數(shù)，主要應(yīng)用的函數(shù)如表2所示。

表2 BP神經(jīng)網(wǎng)絡(luò)主要函數(shù)

2）BP網(wǎng)絡(luò)的設(shè)計。依據(jù)上述數(shù)據(jù)，本網(wǎng)絡(luò)設(shè)計參數(shù)為：由于輸入向量為5個階段的數(shù)據(jù)和2個影響因素值，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有7個，根據(jù)Kolmogorov定理可知，網(wǎng)絡(luò)中間層的神經(jīng)元可以取15個。而輸出向量為5個時段的泊位數(shù)，所以輸出層中的神經(jīng)元有5個；網(wǎng)絡(luò)中間層的神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig。函數(shù)的輸出位于［0，1］之間。

利用以下代碼創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)：

threshold＝［0 1；0 1；0 1；0 1；0 1；0 1；0 1］；

net＝newff（threshold，［15，5］，｛′tansig′，′logsig′｝，′trainlm′）；

變量threshold用于規(guī)定輸入向量的最大值和最小值，本例中最值范圍為［0，1］，規(guī)定網(wǎng)絡(luò)的輸入向量最大值為1，最小值為0?！皌rainlm”表示設(shè)定網(wǎng)絡(luò)訓(xùn)練函數(shù)。

3）BP網(wǎng)絡(luò)的訓(xùn)練和測試，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)如表3所示。

表3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)取值

訓(xùn)練曲線如圖1所示，可見，經(jīng)過5次訓(xùn)練后，達(dá)到了訓(xùn)練目標(biāo)0.01的要求，網(wǎng)絡(luò)訓(xùn)練結(jié)束，可以用來進(jìn)行測試。

圖1 網(wǎng)絡(luò)訓(xùn)練結(jié)果

訓(xùn)練好的網(wǎng)絡(luò)還需要進(jìn)行測試才可以投入使用，這里利用表1中2014－03－26的有效停車泊位數(shù)和2014－03－27的氣象特征數(shù)據(jù)以及道路交通條件數(shù)據(jù)來預(yù)測有效停車泊位數(shù)，并將誤差閾值選為3%，以檢查預(yù)測誤差是否可以滿足相應(yīng)的要求，誤差預(yù)報曲線如圖2所示。

由圖2可見，第一次的誤差是0.6%，其他數(shù)據(jù)的誤差都在0.5%～0.1%之間，完全滿足設(shè)定的閾值要求，能夠滿足實際的應(yīng)用需求。

2.4 網(wǎng)絡(luò)訓(xùn)練誤差分析

通過前面的網(wǎng)絡(luò)訓(xùn)練以及生成的誤差曲線，可以相對準(zhǔn)確地通過前一天某一時段該停車場的有效停車泊位數(shù)來預(yù)測當(dāng)天該停車場在這一段時間內(nèi)的有效停車泊位數(shù)。本文中的預(yù)報誤差可以從以下兩個方面進(jìn)行分析：

1）相關(guān)因素的影響。在數(shù)據(jù)的采集規(guī)劃統(tǒng)一上，由于實驗當(dāng)天的道路通行能力和服務(wù)水平會從不同的角度反映道路的性質(zhì)和功能，某一點某一車道或某一斷面處，單位時間內(nèi)可以通過的最大車輛數(shù)以及路段在不同氣候條件和路面條件下的通行能力會影響到達(dá)和離開停車場的車輛數(shù)。如圖2預(yù)報曲線中的第一次誤差是0.6，誤差相對其他幾次比較大，但是該誤差不可避免，由于當(dāng)天在該時段道路上發(fā)生了一起交通事故，道路的交通條件擁堵，該停車場的有效泊位數(shù)受到了影響。同時，不同停車場的規(guī)模、所處的位置也會影響停放車輛的數(shù)量，同等情況下位于商業(yè)步行區(qū)的停車場會比其他地方的停車場停車數(shù)量少。

2）神經(jīng)網(wǎng)絡(luò)的局限性。由于神經(jīng)網(wǎng)絡(luò)每次初始化的權(quán)值和閾值是隨機的，因此，會產(chǎn)生不一樣的訓(xùn)練結(jié)果，網(wǎng)絡(luò)訓(xùn)練次數(shù)和速率也會影響訓(xùn)練的結(jié)果和預(yù)報的誤差。由于受選取數(shù)據(jù)量、訓(xùn)練的次數(shù)和目標(biāo)過多等因素的影響，使得誤差曲線的分布精度受到一定的影響。此外，由于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)缺乏系統(tǒng)的理論指導(dǎo)，一般只能由經(jīng)驗選定。網(wǎng)絡(luò)結(jié)構(gòu)選擇過大，訓(xùn)練中效率不高，甚至?xí)霈F(xiàn)過擬合現(xiàn)象，造成網(wǎng)絡(luò)性能低，兼容性下降，進(jìn)而影響網(wǎng)絡(luò)的逼近能力及推廣性質(zhì)，從而造成一定的誤差。

圖2 誤差預(yù)報曲線

3 結(jié)束語

本文對基于神經(jīng)網(wǎng)絡(luò)的有效停車泊位預(yù)測方法進(jìn)行了研究，并通過建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，運用MATLAB軟件編輯程序代碼，對停車場的實時有效停車泊位進(jìn)行預(yù)測，取得了較好的預(yù)測結(jié)果，最后對誤差結(jié)果進(jìn)行了分析和解釋。在實際的應(yīng)用中，要建立相應(yīng)的停車場停車數(shù)量數(shù)據(jù)庫來進(jìn)行數(shù)據(jù)的實時存儲、實時計算和實時篩選，并建立有效的停車數(shù)據(jù)管理系統(tǒng)，以用來提供給停車誘導(dǎo)系統(tǒng)的調(diào)查人員查閱所需要的指定停車場停車的歷史數(shù)據(jù)，亦可為有效停車泊位數(shù)據(jù)的預(yù)測提供原始的數(shù)據(jù)支持，從而為建立智能化交通系統(tǒng)提供方法和數(shù)據(jù)的支撐。

［1］ Garba INOUSSA.基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)自回歸模型的非線性時間序列建模和預(yù)測［D］.長沙：中南大學(xué)，2012.

［2］ MAYAUD C，WAGNER T，BENISCHKE R，et al.Single event time series analysis in a binary karst catchment evaluated using agroundwater model（Lurbach system，Austria）［J］.Journal of Hydrology，2014.

［3］ 張鵬，陸遙.站點客流量預(yù)測方法［J］.黑龍江工程學(xué)院學(xué)報，2014，28（3）：27－31.

［4］ 楊濤濤.基于兩類非線性時間序列模型的預(yù)報研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2013.

［5］ 楊韜.基于改進(jìn)人工蜂群算法的神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識研究［D］.成都：西南交通大學(xué)，2013.

［6］ 陳群.改進(jìn)的模糊C－均值聚類算法［D］.大連：大連海事大學(xué)，2007.

［7］ 季彥婕，王煒，鄧衛(wèi).停車場內(nèi)部泊車行為特性分析及最優(yōu)泊位選擇模型［J］.東南大學(xué)學(xué)報：自然科學(xué)版，2009，39（2）：399－403.

［8］ 王辛巖，李慶華.基于物聯(lián)網(wǎng)的停車誘導(dǎo)系統(tǒng)［J］.中國市場，2012，12（2）：12－14.

［9］ 趙崧淞.區(qū)域停車誘導(dǎo)系統(tǒng)誘導(dǎo)標(biāo)志布局及設(shè)計［D］.北京：北京交通大學(xué)，2014.

［10］黃恩洲，基于粒子群—小波神經(jīng)網(wǎng)絡(luò)的短時交通量預(yù)測［J］.黑龍江工程學(xué)院學(xué)報，2014，28（2）：42－45.