“算”出停車位

任芷樂

媽媽開車外出時，因難以找到停車位，停車總要花費很多時間。盡管有些手機App能顯示當前車庫車位的空位數(shù)，但往往等我們把車開過去時車庫就已經(jīng)停滿了。如果能提前預測車庫在幾分鐘之內(nèi)有空位，可以直接開過去停車，該有多好啊。

要想預測出幾分鐘之后的車庫空位，我認為必須用一種可根據(jù)歷史停車信息推斷出未來空位信息的智能算法。

經(jīng)過搜索，我發(fā)現(xiàn)有很多智能預測算法，其中BP神經(jīng)網(wǎng)絡(luò)可根據(jù)歷史信息推算出未來的信息。在BP神經(jīng)網(wǎng)絡(luò)研究者的探索下，BP神經(jīng)網(wǎng)絡(luò)的各方面都趨向成熟，如今已被運用到多個領(lǐng)域，如數(shù)據(jù)挖掘、模式識別、圖像處理、股票預測、市場分析等。

能不能用該算法預測車庫的空位數(shù)？

一、實施步驟

我選擇位于溫州市區(qū)車流量較大地區(qū)一個車容量為210輛的停車場作為研究對象，選取了從2017年10月21日 0：00：00到2017年10月26日 21：15：08的1612條即時車庫空位數(shù)據(jù)按照以下步驟進行研究。

1.讀入車庫空位數(shù)據(jù)集。抽取成1612行、6列的數(shù)據(jù)格式，第1到第5列為輸入層數(shù)據(jù)，第6列為輸出層數(shù)據(jù)。

2.劃分數(shù)據(jù)集。前865條為訓練數(shù)據(jù)集，后747條為測試數(shù)據(jù)集。

3.輸入數(shù)據(jù)歸一化處理。采用最大最小歸一化方式：xk=（xk-xmin）/（xmax-xmin）。

4.初始化BP網(wǎng)絡(luò)訓練結(jié)構(gòu)。設(shè)置輸入層節(jié)點數(shù)為n=5個，隱含層節(jié)點為j=50個，輸出層節(jié)點k=1個的三層結(jié)構(gòu)。初始化輸入層、隱含層和輸出層節(jié)點之間的連接權(quán)值wij，wjk（隨機值），并給出隱含層節(jié)點和輸出層節(jié)點的閾值θj和θk（隨機值），這里迭代次數(shù)為5000次，學習率net.lr=0.01，學習目標精度net.goal=0.0003，節(jié)點傳遞函數(shù)=‘logsig。

5.隱含層輸出計算。根據(jù)輸入層5個時間節(jié)點的車庫空位Oi以及隱含層的連接權(quán)值wij、隱層閾值θj，計算隱含層輸出Oj。

Ij=■wijOi+θj Oj=■

6.輸出層輸出計算。根據(jù)隱含層輸出Oj、連接權(quán)值wjk和輸出層閾值θk，計算輸出層輸出Ok（預測的車庫空位數(shù)）。

Ok=■Ojwjk+θk

7.誤差計算，根據(jù)誤差反向傳播，并更新權(quán)值和閾值。期望輸出Yk，輸出層誤差Errk，隱含層誤差Errj。

Errk=Ok（1-Ok）（Yk-Ok）

Errj=Oj（1-Oj）■Errkwjk

權(quán)值和閾值更新：

Vwjk=lr*ErrkOj Vwij=lr*ErrjOi

wjk=wjk+Vwjk wij=wij+Vwij

V =lr*Errk V =lr*Errj

θk=θk+V θj=θj+V

8.判斷模型迭代是否結(jié)束或是否達到目標精度net.goal=0.0003，若沒有則按第5步驟繼續(xù)計算。

二、實驗分析

按照以上步驟，我用matlab分別對該停車場5min后、10min后、15min后的車輛數(shù)進行仿真預測，并和真實值進行對比。

由預測值與實際值的對比得出以下結(jié)論。

1.用BP神經(jīng)網(wǎng)絡(luò)算法基本能預測出未來5min、10min、15min的停車場車輛數(shù)，由此可得出空位數(shù)。

2.車輛數(shù)變化較小的時段，預測誤差也較小。

3.將預測數(shù)據(jù)和實際數(shù)據(jù)進行對比，計算出未來5min的停車場車輛預測平均誤差率為1.76%，未來10min預測平均誤差率為2.90%，未來15min預測平均誤差率為3.91%。由此可見，預測平均誤差率5min后的最小，10min后的次之，15min后的最大，也就是說，預測效果5min后的最佳，10min后的次之，15min后的最差。

4.將預測數(shù)據(jù)和實際數(shù)據(jù)進行對比，5min后、10min后、15min后的預測車輛數(shù)和實際數(shù)的最大差值分別為16輛、27輛、39輛。

5.將預測數(shù)據(jù)和實際數(shù)據(jù)進行對比，5min后、10min后、15min后的預測車輛數(shù)和實際數(shù)相差小于1輛的預測次數(shù)比例分別為46.72%、38.15%、34.94%。預測車輛數(shù)和實際數(shù)相差小于5輛的比例分別是93.19%、81.04%、71.03%，而預測車輛數(shù)和實際數(shù)相差小于10輛的比例分別是99.07%、95.06%、89.45%，滿足率較高。

6.將預測所得的數(shù)據(jù)按照車輛數(shù)100進行劃分，少于或等于100輛定義為閑時，大于100輛定義為忙時，分別計算閑時和忙時的預測誤差率可得，閑時未來5min、10min、15min的停車場車輛預測平均誤差率分別為2.84%、4.43%、5.86%；忙時未來5min、10min、15min的停車場車輛預測平均誤差率分別為1.10%、1.97%、2.73%。

三、實驗結(jié)論

1.BP神經(jīng)網(wǎng)絡(luò)算法可用來預測車庫未來5min、10min、15min的車輛數(shù)。其中預測效果5min后的最佳，10min后的次之，15min后的最差。

2.在預測空位超過10個的情況下，有空位的幾率非常高，用戶可優(yōu)先選擇附近空位超過10個的車庫。

3.此預測方法所得忙時的預測誤差率比閑時預測誤差率小，而人們更需要的是忙時的預測，所以忙時誤差率小對用戶更有利。

四、研究思考

1.有些時段的誤差偏大，我認為主要原因可能是BP神經(jīng)網(wǎng)絡(luò)算法本身學習時間比較長、收斂比較慢，或是我的參數(shù)初始值選得不好、我選擇的用來學習的數(shù)據(jù)不具有代表性等等。今后我還會嘗試改善算法，進一步縮小誤差。

2.我研究的對象是有210個車位的停車場，在我調(diào)取數(shù)據(jù)的時間段內(nèi)均沒有車位停滿的情況，那么針對車位很緊張的車庫，BP神經(jīng)網(wǎng)絡(luò)算法能否準確預測呢？

3.人工神經(jīng)網(wǎng)絡(luò)是人們常用的預測方法之一，BP神經(jīng)網(wǎng)絡(luò)算法只是其中之一，還有其他很多的算法，比如支持向量機、極限學習機等先進方法，把這些算法運用到車庫空位預測中，效果如何？