当前位置：文档之家 › 基于相空间重构及Elman网络的停车泊位数据预测

基于相空间重构及Elman网络的停车泊位数据预测

  • 格式：pdf
  • 大小：251.46 KB
  • 文档页数：5

基 于 相 空 间 重 构 及 Ｅ ｍａ ｌ ｎ网 络 的
停 车 泊 位 数 据 预 测
陈 群 ， ． 晏克 非 王仁 涛３莫一魁 一 ， ，
（． １ 同济大学 道路与交通工程教育部重点实验室 ， 上海 湖南 长沙 ２ ０ ９ ；２ 中南大学 交通 运输工程学 院， ００２ ． ２０ ９ ） ０ ０ ２ ４ ０ ７ ； ．同济大学 经济 与管理学 院 。 １０５ ３ 上海
ｎ ｕ ａ ｅｗ ｏｋ ｔ ｒ ｄｃ ｈ ｈ ｏ ｉ ｔ ｅｉ ．Ｂ ｅ ｎ ａ ａｙ ｉ ｏ ｈ ｒｎ ｉｌ ｆｐ ｒ ｅｃ ｎ ｅ ｒ ｌ ｔ ｒ ｏｐ ｅ ｉｔｔ ｅｃ ａ ｔ ｉ ｓｒｅ ｎ ｃ ｍｅ ｓ ｓ ａ ｄ ｏ ａ ｌｓ ｆｔ ｅｐ ｉｃቤተ መጻሕፍቲ ባይዱｅｏ ｈ ａ — ｎ ｎ ｓ ｓ ｏ ｓｒ ｃｉｎ，ｈ ｉ ｅｓｒｅ ｒ ｉｔ ｎ ｍｏ ｅ ｉ ｅｔｂｉｈ ｄａ ｄ ｔ ｅ ｉ ｕａｅ ｙＥｌ ａ ｅ ｒｌ ｅｗｏ ｋ． ｔ ｔ ｕ ｏ ｔ ｅｔ ｉ ｐ ｅ ｃｉ ｄ ｌ ｓｓ ａ ｌ ｅ ｈ ｎ ｓ ｍ ｅ ｓ ｄ ｏ ｓ ｎ ｍ ｌｔｄｂ ｍ ｎ ｎ ｕ ａ ｎ ｔ ｒ
摘要 ： 针对停车诱导系统（ ＧＩ） Ｐ Ｓ 中短 时空余停 车泊位 时间序 列数据预测问题 ， 出应 用相空 间重构与 Ｅｍａ 提 ｌ ｎ神经 网络 相结 合的方法来进行 预测． 首先分析 了相空间重构 的技术 原理 ， 在此基 础上导 出时间序列 预测模 型 ， 以 Ｅ 并 １
ｍａ ｎ神经 网络 训练模拟该模 型 ． 介绍 了相空间重构 与 Ｅｍａ ｌ ｎ神经 网络 相结合 的预测方法 的具体 实现过程 与步 骤 ，
提 出了短时空余停车泊位数据 的预测效果评价指标 ． 通过 预测实 例表 明 ， 方法用于停 车诱导 系统 中短 时空余 停 该
车泊位数据 的预测具有较好 的预 测准确性 和有效性 ．
关键词 ： 车诱导 系统 ； 停 短时空余停车泊位 ；预测 ；相空间重构 ；Ｅｍａ ｌ ｎ神经 网络
中图分类号 ： ４ １ Ｕ ９ 文献标识码 ： Ａ 文章编 号 ：２ ３ ７ Ｘ（０ ７ ０ —００ —０ ０ ５ —３４ ２ ０ ）５ ６ ７ ５
Ｔｈ ｅ ａｌｄ ｐ ｏ ｅ ｓａ ｄ ｓ ｅ ｓｏ ｈ ｓｐ ｅ ｉｔ ｎ ｍ ｅ ｈ ｆ ｏ ｂｎ ｎ ｈ ａ ｅ ｃ ｎ ｔ ｃ ｉｎ ｗｉ ｍ ａ ｅ ｄ ｔ ｉ ｒ ｓ ｔ ｐ ｆｔ ｉ ｒ ｄｃ ｉ ｔ ｏ ｏ ｍ ｉ ｉ ｇ ｐ ｒ ｏ ｒ ｔ ｔ Ｅｌ ｎ ｅ ｃ ｎ ｏ ｄ ｃ ｓ ｓ ｕ ｏ ｈ
维普资讯
第３ ５卷第 ５期
２０ ０ ７年 ５月
同 济 大 学 学 报（ 然 科 学 版） 自
Ｊ Ｕ Ａ ＦＴ ＧＩ ＮＩ 三 ＳＴ （ ｎ 爪Ａ ，ＣＥ Ｃ ） ０ ＬＯ ＯＮ Ｊ Ｕ 、 Ｒ ＩＹ ＮＡ １ ＩＳ ＩＮ Ｅ
Ｖ０ ． ５ ＮＯ ５ １３ ． Ｍａ ０ ｙ ２ ０７
Ｃ Ｎ ｎ ．，Ｙ Ｎ ｅｅ ，ＷＡ ｅ ｔｏ ， ＨＥ Ｑｕ 一 Ａ Ｋ ｆｉ ＮＧ Ｒ ｎａ ＭＯ Ｙｋ ｉ ｉｕ
（ ． ｙＬ ｂｒｔｒ ｆ ｏｄａ ｄＴ ａｆ ｎｉｅｒ ｇｏ ｔｅＭｉｉｒ ｆ ｄｃｔ ｎ Ｔ ｎ ｊＵｎｖｒｉ ， ｈｎ ｈｉ ０ ０ ２ ｈｎ ； １Ｋｅ ａｏａ ｙｏ Ｒ ａ ｎ ｒｆｃＥ ｇｎｅ ｎ ｆｈ ｏ ｉ ｉ ｎｓ ｙｏ Ｅ ｕａｉ ， ｏ ｇｉ ｉ ｅｓ ｙ Ｓ ａｇ ａ ２ ０ ９ ，Ｃ ｉａ ｔ ｏ ｔ
Ｐ ｋ ｎ ａ ｅ Ｉｆ ｒ ａ ｉ ｎ Ｐｒ ｉｔｏ ｓ ｄ ｏ ｒ ｓ ａｒ ｉｇ Ｓｐ ｃ ｎ ｏ ｍ ｔｏ ｅｄ ｃ ｉｎ Ｂａ ｅ ｎ Ｐｈ ａ ｅ
Ｃｏ ｓ ｒ ｃ ｉ ｎ ａ ｄ Ｅｌ ａ ｕ ａｌ ｎ ｔｕ ｔｏ ｎ ｍ ｎ Ｎｅ ｒ Ｎｅｔ ｗｏｒ ｋ
ｎ ｕ ａ ｎ ｔ ｒ ｒ ｎ ｒ ｕ ｅ ｄｅ ａｕ ｔ ｎ ｉｄｃ ｆｓ ｏ ｔｔｒ ｎ ｃ ｐｅ ａｋｎ ｐ ｃ ｒｄｃｉｎ ｅ ｒｌ ｅｗｏ ｋ ａｅｉｔｏ ｃ ｄａ ｖ ｌａｉ ｉｅ ｏ ｈ ｒ—ｅ ｕ ｏ ｕ ｉ ｐ ｒ ｉｇｓ ａ ｅｐ ｅ ｉｔ ｄ ｎ ｏ ｎ ｓ ｍ ｃ ｄ ｏ ｒ ｒｓ ｎ ｅ Ａｎａ ｐｉ ｔ ｔ ｄ ｈ ｗｓｔ ａ ｈｓ ａｅｐｅ ｅ ｔｄ． ｐ ｌ ａｉｎｓｕ ｙｓ ｏ ｈ ｔｔ ｉ ｍｅｈ ｆｅｔ ｅａ ｄｃ ｎｂ ｓ ｄｉ ｈ ｒ ｄｃ ｉｎ ｃ ｏ ｔ ｏ ｉ ｅｆｃｉ ａ ｅｕ ｅ ｔ ｅｐ ｅ ｉｔ ｄ ｓ ｖ ｎ ｎ ｏ ｏ ｈ ｒ－ｅ ｎ ｃ ｐｅ ａ ｋｎ ｐ ｃ ｆｐ ｋ ｎ ｕｄ ｃ ｎ ｎｏ ａｉｎ ｓ ｓｅ ． ｆｓ ｏ ｔｔｒ ｕ ｏ ｕ ｉｄ ｐ ｍ ｃ ｒ ｉｇ ｓ ａ ｅｏ ａ ｉｇ ｇ ｉａ ｅａ ｄ ｉｆｒ ｔ ｙ ｔｍ ｒ ｎ ｍ ｏ Ｋ ｙ ｗｏ ｄ ： ａ ｋｎ ｕｄ ｃ ｎｏ ｍａｉｎ ｓ ｓｅ ；ｓ ｏ ｔｔｒ ｎ ｃ ｐｅ ａ ｋｎ ｐ ｃ ； ｐ ｅ ｉｔ ｎ； ｅ ｒ ｓ ｐ ｉｇ ｇ ｉａ ｅｉｆｒ ｔ ｙ ｔｍ ｒ ｎ ｏ ｈ ｒ—ｅ ｍ ｕ ｏ ｕ ｉｄ ｐ ｒ ｉｇ ｓ ａ ｅ ｒｄｃｉ ｃ ｏ
Ａ ｓｒｃ ：Ｗ ｉ ｅｐ ｃ ｏ ｔ ｅｐ ｅ ｉｔ ｎ ｏ ｈ ｒ—ｅｍ ｎ ｃ ｕ ｉｄ ｐ ｒ ｉｇ ｓ ａ ｅｏ ａｋ ｎ ｕｄ ｎ ｅ ｂ ｔａ ｔ ｔ ｒｓ ｅ ｔｔ ｈ ｒ ｄｃ ｉ ｆｓ ｏ ｔｔｒ ｕ ｏ ｃ ｐｅ ａｋ ｎ ｐ ｃ ｆｐ ｒ ｉｇ ｇ ｉａ ｃ ｈ ｏ
２． ｃ ｏ ｌｏ Ｓ ｈ ｏ ｆＴｒｆ ｃａ ｄＴｒｎ ｐ ｒａｉｎ Ｅｎ ｉｅ ｒｎ ，Ｃｅ ｔａ Ｓ ｕ Ｕｎｖ ｒｉ ，Ｃｈ ｎ ｓ ａ４ ０ ７ ａｆ ｎ ｉ ａ ｓ ｏｔｔｏ ｇｎ ｅｉ ｇ ｎｒ ｌ ｏ ｔ ｈ ｉ ｅｓｔ ｙ ａ ｇ ｈ １ ０ ５，Ｃｈｎ ｉａ；
３ ｃ ｈｏ ｏ ｃｎ ｍ ｅ ａｄＭａ ａｅ ｅｔ Ｔｏｇｉ ｉｖｒｔ ， ｈｎ ｈｉ ００ ２ Ｃ ｉ ） ．Ｓ ｏ ｌ ｆ ｏｏ ｉｓ ｎ ｎｇｌ ｎ ， ｎ ｊＵｎ ｅｓ ｙ ｓ ａ ｇａ ２ ０ ９ ， ｈｎ Ｅ ｎ ｉ ａ
ｎ ｏｍａｉ ｙｔ Ｐ Ｓ ，ｈａｅ ｏ ｓｒ ｔ ｒｐ ｓｄｔ ｂ ｅ ｃ ｉａｉ ｔ Ｅ ｍａ ａ ｄｉｆｒ ｔ ｎｓｓ ｍ（ ＧＩ ） ｐ ｒｓ ｎ ｔ ｃｉｎｉ ｐｏ ｏｅ ｅ ｓｄｉ ｍｂｎ ｔ ｎｗｉ ｌ ｎ ｎ ｏ ｅ ｃ ｕ ｏ ｓ ｏ ｕ ｎｏ ｏ ｈ

合集下载

基于ELMAN神经网络的短期风速预测

基于ELMAN神经网络的短期风速预测

其 应 用 ．
第 １期
孙 斌等 ：基于 ＥＬＭＡＮ神经 网络的短期风速预测
３１
入层 ，隐含层和输出层的连接类似于前馈网络 ，输入层的单元仅起信号传输作用 。隐含层单元 的传递函
数可采用线性或非线性 函数 。承接层又称上下文层或状态层 ，它用来记忆隐含单元前一时刻的输出值 ，
可 以认 为 是一 个一 步延 时算 子 。其特 点 是隐含 层 的输 出通过 承 接层 的延 时 与存 储 ，自联 到 隐含 层 的输
入 ，这种 自联方式使其对历史状态 的数据具有敏感
性 ，内部 反馈 网络 的加 入 增 加 了 网 络 本 处 理 动 态 输入层 信息 的能 力 ，从 而 达 到 了动态 建 模 的 目的＿１０一－一１２ ７。埋 ￣ｒＭ
论证 明 ，具有 三层 计 算 单 元 的 神 经 网络 以实 现 任
的轨 迹也 就是 吸 引子 。一般 情况 下时 间序 列 的相空 间维 数很 高 ，但 是 维数 我 们 往 往不 知 道 。因此 为 了把 时 间序 列 的信 息充 分显示 出来 ，我 们通 常将 其 扩展 到三 维或是 更 高 的空间 去 ，这 就是 时 间序 列 的相空 间
重 构 。 Ｔａｋｅｎ定 理 ¨ ” ：若 是 ｄ维流形 ， ： — Ｍ ， 是一 个光 滑 的微分 同胚 ，Ｙ： — Ｒ，Ｙ有 二 维连续 导
态 向量 ； ，、 ：、Ｗ。分别 表示 隐层 到输 出层 、输 入层 到 隐层 、承接层 到 隐层 的连 接权 值矩 阵 ；ｇ（·）为 输 出
神经元的传递函数 ，是 中间层输 出的线性组合 ； ·）为隐层神经元的传递 函数。Ｅｌｍａｎ神经网络采用 ＢＰ算法进行权值修正 ，学习指标函数采用误差平方和函数 。 ：
基于混沌和BP神经网络的有效停车泊位预测

基于混沌和BP神经网络的有效停车泊位预测

基于混沌和BP神经网络的有效停车泊位预测
何洪波;韩印;姚佼
【期刊名称】《交通与运输》
【年(卷),期】2012(028)H07
【摘要】随着停车需求的迅速扩大，停车难题已成为城市交通中最为棘手的问题之一。

有效停车泊位预测技术是实现停车诱导信息实时、准确的重要因素之一，对实施停车诱导信息系统具有重要的意义和作用。

针对有效停车泊位变化的特点，采用混沌时间序列法对停车泊位的历史数据进行相空间重构，通过建立BP神经网络模型对有效停车泊位的变化趋势进行预测。

相关验证分析显示，该方法对有效停车泊位进行短时预测时的相对误差小于6％，具有较高的预测精度。

【总页数】5页(P24-28)
【作者】何洪波;韩印;姚佼
【作者单位】上海理工大学交通系统工程研究所,上海200093
【正文语种】中文
【中图分类】U491
【相关文献】
1.基于神经网络的有效停车泊位预测方法研究 [J], 张丽莉;储江伟;范东溟
2.基于DBN-SVR模型的短时有效停车泊位预测 [J], 郑喆;韩印
3.基于混沌PSO优化BP神经网络的碳价预测 [J], 蒋锋;彭紫君
4.基于DBN-SVR模型的短时有效停车泊位预测 [J], 郑喆;韩印
5.基于统计和混沌优化BP神经网络融合模型的大坝变形预测分析 [J], 陈婵;田晔
因版权原因，仅展示原文概要，查看原文内容请购买。

基于El man神经网络预测的机动目标跟踪滤波算法

基于El man神经网络预测的机动目标跟踪滤波算法

基于El man神经网络预测的机动目标跟踪滤波算法
郭剑鹰;夏李玮;刘华军
【期刊名称】《航天电子对抗》
【年(卷),期】2018(034)003
【摘要】提出一种基于Elman神经网络预测的机动目标跟踪滤波算法,将Elman 神经网络的函数逼近和UKF滤波器的预测步骤紧耦合,使得目标在跟踪预测阶段就有一个相对优化的状态预测值和调整后的噪声方差,从而减少了优化过程滞后所带来的误差.在仿真数据集上进行了大量测试,统计结果表明该算法在收敛性、效率、滤波精度、对机动形式的适应性和对传感器误差特性等方面表现更优,具有广泛的应用前景.
【总页数】6页(P40-45)
【作者】郭剑鹰;夏李玮;刘华军
【作者单位】华域汽车系统股份有限公司 ,上海200041;南京理工大学计算机学院 ,江苏南京210014;南京理工大学计算机学院 ,江苏南京210014
【正文语种】中文
【相关文献】
1.基于Doppler量测的CS-EKF机动目标跟踪平行滤波算法 [J], 张喜涛;张安清
2.基于姿态角辅助非线性滤波算法的机动目标跟踪 [J], 张凯;单甘霖;吉兵;陈海
3.基于AGIMM的临近空间机动目标跟踪滤波算法 [J], 秦雷;李君龙;周荻
4.基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用 [J], 周卫东;张鹤
冰;廖成毅
5.基于Elman神经网络的机动目标跟踪滤波算法 [J], 朱涛
因版权原因，仅展示原文概要，查看原文内容请购买。

基于深度图神经网络的停车位预测算法的研究

基于深度图神经网络的停车位预测算法的研究

基于深度图神经网络的停车位预测算法的研究基于深度图神经网络的停车位预测算法的研究摘要：随着城市化进程的加速，停车位的需求与日俱增。

然而，寻找合适的停车位成为城市居民和驾驶员常遇到的问题。

因此，本文提出一种基于深度图神经网络的停车位预测算法，旨在通过分析历史停车数据和场景图像，实现对停车场内停车位的准确预测，从而提高停车位利用率和交通效率。

关键词：停车位预测；深度图神经网络；历史停车数据；场景图像；交通效率1.引言停车位不足是城市交通拥堵和停车难问题的主要原因之一。

传统的停车位预测方法多采用传感器监测，但这种方法成本高昂且难以普及。

近年来，深度学习技术的快速发展为停车位预测提供了新的思路。

本文旨在利用深度图神经网络对停车位进行准确预测，提高停车位的利用率，减少城市交通压力。

2.相关工作2.1 停车位预测停车位预测的研究始于20世纪90年代，传统方法主要使用统计分析和机器学习算法，但预测效果有限。

近年来，随着深度学习技术的兴起，越来越多的研究开始采用神经网络进行停车位预测。

2.2 深度图神经网络深度图神经网络是一种用于处理图数据的深度学习模型。

它能够提取图数据的空间和结构信息，适合于对停车场内的停车位进行准确预测。

3.算法设计本文的停车位预测算法主要包括数据采集、特征提取和预测模型的构建三个步骤。

3.1 数据采集通过在停车场布置摄像头，采集停车位的历史数据。

同时，还可以获取场景图像，用于辅助停车位预测算法的设计。

3.2 特征提取对采集到的历史停车数据进行预处理，提取相关特征。

常用的特征包括日期、时间、天气等信息，以及车流量、停车时长等停车位相关信息。

3.3 预测模型的构建基于深度图神经网络，构建停车位预测模型。

首先，将场景图像输入神经网络，通过卷积层和池化层提取图像特征。

然后，将历史停车数据输入另一个分支的神经网络，提取停车位相关的特征。

最后，将两个分支的特征融合，经过全连接层和输出层进行停车位预测。