云數(shù)據(jù)架構(gòu)下的停車(chē)需求預(yù)測(cè)研究

1、云數(shù)據(jù)架構(gòu)下的停車(chē)需求預(yù)測(cè)研究云數(shù)據(jù)架構(gòu)下的停車(chē)需求預(yù)測(cè)研究隨著我國(guó)社會(huì)經(jīng)濟(jì)發(fā)展水平的提升，我國(guó)機(jī)動(dòng)車(chē)保有量巨大。從公安部獲悉，截至2017年6月底，我國(guó)汽車(chē)保有量達(dá)到了2.05億輛。全國(guó)停車(chē)位缺口總計(jì)高達(dá)5000萬(wàn)個(gè)，停車(chē)難問(wèn)題已經(jīng)成為一個(gè)迫切需要解決的問(wèn)題。此外，泊位資源浪費(fèi)也是導(dǎo)致停車(chē)難的重要因素之一，如何高效合理的利用泊位是一個(gè)急需解決的問(wèn)題。停車(chē)場(chǎng)泊位需求預(yù)測(cè)系統(tǒng)的出現(xiàn)可以很好地提高泊位的利用率。目前，一些停車(chē)需求預(yù)測(cè)模型沒(méi)有

2、充分考慮各種影響泊位需求數(shù)量的因素，導(dǎo)致預(yù)測(cè)的結(jié)果誤差偏大，所以利用利用更高精確度的新型算法模型，結(jié)合停車(chē)場(chǎng)影響泊位需求數(shù)量的實(shí)際因素，構(gòu)建新型高效的停車(chē)預(yù)測(cè)模型具有重大意義。1目前幾種常見(jiàn)的停車(chē)需求模型介紹隨著停車(chē)需求預(yù)測(cè)逐漸成為研究的熱點(diǎn)，已經(jīng)有很多種需求預(yù)測(cè)模型應(yīng)用于停車(chē)需求預(yù)測(cè)系統(tǒng)，每種不同的需求預(yù)測(cè)模型都有其自身的優(yōu)點(diǎn)和缺點(diǎn)，下面進(jìn)行介紹和闡述。1.1基于VAR向量自回歸模型的停車(chē)需求預(yù)測(cè)時(shí)間序列向量自回歸模型（VAR）在20

3、世紀(jì)80年代被提出，主要用于對(duì)時(shí)間序列的預(yù)測(cè)，有結(jié)構(gòu)清楚簡(jiǎn)潔的優(yōu)點(diǎn)，但也存在著模型參數(shù)過(guò)多的問(wèn)題。將該方法已應(yīng)用于停車(chē)需求預(yù)測(cè)系統(tǒng)，根據(jù)一段時(shí)間內(nèi)駛?cè)牒婉偝鐾＼?chē)場(chǎng)的車(chē)輛數(shù)以及剩余泊位量之間的相互關(guān)系，建立向量自一種提高計(jì)算數(shù)據(jù)的精確性的一種方法[8]。將該方法應(yīng)用到停車(chē)需求預(yù)測(cè)系統(tǒng)，利用多元回歸模型和修正系數(shù)法結(jié)合，對(duì)停車(chē)場(chǎng)停車(chē)資源需求進(jìn)行預(yù)測(cè)。傳統(tǒng)的多元回歸模型在分析居住區(qū)位置、建筑物類(lèi)型等強(qiáng)影響因素時(shí)會(huì)出現(xiàn)難以量化的問(wèn)題，利用彈性系

4、數(shù)法引入?yún)^(qū)位修正系數(shù)和建筑物類(lèi)別修正系數(shù)，優(yōu)化多元回歸模型。該方法具有一定的實(shí)用性和靈活性。在段滿(mǎn)珍的研究中，該方法得到了0.89的精確度[9]。1.5基于小波ELM神經(jīng)網(wǎng)絡(luò)模型的停車(chē)需求預(yù)測(cè)小波變化是時(shí)間或者空間頻率的局部化分析，通過(guò)對(duì)函數(shù)的多尺度細(xì)化，聚焦到函數(shù)的任意細(xì)節(jié)[10]。極限學(xué)習(xí)機(jī)（ELM）則是從單隱藏層的神經(jīng)網(wǎng)絡(luò)發(fā)展而來(lái)，具有易于實(shí)現(xiàn)、速度快、泛化能力強(qiáng)等特點(diǎn)[11]。將該方法應(yīng)用到停車(chē)需求預(yù)測(cè)系統(tǒng)，首先采用小波函數(shù)對(duì)有