BP神经网络用于停车场空余泊位的预测研究

赵戊辰，张玉茹

(哈尔滨商业大学，哈尔滨 150028)

BP神经网络用于停车场空余泊位的预测研究

赵戊辰，张玉茹

(哈尔滨商业大学，哈尔滨 150028)

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.

空余泊位数量；BP神经网络；预测

近年来，我国城市居民私家车拥有量急剧上升，停车难的问题显得越来越突出和严重，如何高效、合理、更为人性化地进行停车诱导，对于缓解交通压力及有效地利用车位有着重要的作用，并对现代化的发展有着巨大的意义.

目前，停车诱导系统主要功能是在分级指示的停车诱导显示牌上显示相应停车场的行车路线和可供停车的空余泊位信息[1].由于停车信息是时刻动态变化的，当驾驶员看到停车诱导信息时的有效泊车位与车辆到达指定停车地点后的实际空余泊位情况，往往有很大出入，这样势必会引起很大的麻烦.本文主要研究智能停车场管理系统中空余泊位数量预测问题，在预测的基础上实现区域内的停车诱导.

1 BP神经网络的创建与改进

空余泊位预测的问题，属于时间序列预测问题中的一种，现有的时间序列预测算法有，移动平均法、分解法、季节法、卡尔曼滤波法等[2].但以上的方法一般都假设预测的各个值之间是呈现一种线性的关系，而停车场空余泊位数据，是一种随机的，非平稳的数据，所以基于以上的方法来预测，一般达不到预测的精度和想要的预测效果.近年来神经网络在预测方面应用的越来越多，本文所采用的BP神经网络可以拟合非线性映射，用于空余泊位数的预测效果更好[3].针对BP神经网络收敛速度慢、容易出现震荡和陷入局部最小等缺点，本文引入动量BP法和调整学习速率的方法对其进行了改进.

1.1 网络层数的确定

BP神经网络本身可以包含很多个隐含层，但是，现有理论证明[4]，包含单个隐含层的BP神经网络，通过增加隐含层的神经元个数，就可以实现对任意非线性的映射[5]，所以，本文采用单隐层的BP神经网络，即，网络共包含三层：输入层、单隐层和输出层.

本文用t-40、t-30、t-20、t-10、t来预测t+10时的空余泊位数量，故输入层和输出层的节点数分别为5和1.

本文采用试凑法，最终确立隐含层神经元的个数为5.

1.2 传递函数的选择

本文隐含层选用的传递函数为Log-Sigmoid函数：

本文输出层选用的传递函数为Purelin函数：

y=x

1.3 对权值更新的改进

本文采用动量BP法对标准BP神经网络的权值更新公式进行改进：

Δω(n)=-η(1-α)e(n)+αΔω(n-1)

与标准的BP网络算法相比，上式中多出一项，使得权值更新的方向与上一次有关，前后两次梯度方向相同，则可以加速收敛，不同，则可以防止震荡的发生，本文经实验取值，最终确定α=0.9.

1.4 对学习速率的改变

在标准BP神经网络中，它学习速率是一个常数，而学习速率的选择，对网络的性能影响巨大，学习速率过大，网络会发生震荡，过小，网络收敛则变慢.本文通过增加一个增量因子kinc和kdec一个减量因子来调整学习速率：

本文经实验最终确定kinc=1.00,kdec=0.8

2 实验过程

本文采用数据为广州市五月花停车场某一时间段连续两天的空余泊位数据，见表1、2.

表1 广州市五月花商业停车场空余泊位数据(2014.03.10)

表2 广州市五月花商业停车场空余泊位数据(2014.03.11)

2.1 对泊位数据进行归一化处理

由于空余泊位数的数值很大，所以要进行数据的归一化处理，以防止网络的瘫痪，归一化的公式为：

xmin为一段时间内，停车场空余泊位数据的最小值，xmax为最大值.归一化后的数据的表格为表3、4.

归一化的还原公式则为：

xi=xi×(xmax-xmin)+xmin

表3 对表1进行归一化处理后的数据

表4 对表2进行归一化处理后的数据

2.2 利用Matlab实现空余泊位数的预测

表3作为训练样本，表4作为测试样本，Matlab仿真结果如图1.

图1 实际空余泊位数与预测空余泊位数折线对比图

图1中带o的线为实际的停车场空余泊位数量折线图，带×号的线为本文得出空余泊位预测折线图，带+号的为直接用标准BP神经网络来预测的折线图，带*号的线为只采用动量BP法预测的折线图.从这四条折线图可以看出，本文所改进的方法预测效果更佳.

采用动量BP法和调整学习速率的方法，使得BP神经网络对于空余泊位数的预测效果，更加精确.

3 结 语

空余泊位数量预测模型的实现，为驾驶员提供了有效的空余泊位预测信息，从而驾驶员可以朝空余泊位数量较多的停车场前行，这样就实现了区域内的停车诱导，为停车场内部的停车诱导提供帮助.

[1] 赵崧淞.区域停车诱导系统诱导标志布局及设计[D].北京：北京交通大学，2014.

[2] 王丽贤.时间序列预测技术研究[D].天津：天津理工大学，2011.

[3] MIRIKITANI D T, NIKOLAEV N. Recursive Bayesian Recurrent Neural Networks for Time-Series Modeling [J]. IEEE Transactions on Neural Networks, 2010, 21(02): 262-274.

[4] 李友坤.BP神经网络的研究分析与改进应用[D]. 淮南：安徽理工大学，2012.

[5] 吴迎宾，翁小雄.一种新的路边停车收费模式[J].哈尔滨商业大学学报：自然科学版，2013，29(2)：225-227，236.

Application research of parking lot free parking number prediction based on back propagation neural network

ZHAO Wu-chen, ZHANG Yu-ru

(Harbin University of Commerce, Harbin 150028, China)

This paper used the BP neural network for the prediction of parking lot free parking number. In the process of the BP neural network training, used the BP momentum method combined with self-adjusting learning rate to improve the basic BP neural network which was easy to appear shocking, convergence speed slowing and trapping in local minimum. The effectiveness of the improved BP neural network on the free parking number prediction was verified by simulation providing a basis for regional parking guidance.

free parking number; BP neural network; prediction

2014-06-17.

黑龙江省智能教育与信息工程重点实验室开放基金项目(SEIE2014-3).

赵戊辰(1988-)，男，硕士，研究方向：信号检测与信息处理.

张玉茹(1964-)，女，硕士，教授，研究方向：信号检测与信息处理.

U491

A

1672-0946(2015)01-0044-03