伴隨著智慧城市的蓬勃發(fā)展,智能化停車技術(shù)作為智慧城市中的重要一環(huán),正在被越來越多的專家學(xué)者所重視。目前停車場的管理水平較低,缺乏較好的泊位需求預(yù)測預(yù)警技術(shù),遇到重大事件、特殊天氣時容易造成區(qū)域范圍內(nèi)的交通擁堵。本文針對以上問題,利用歷史數(shù)據(jù),對半封閉區(qū)域進行泊位需求預(yù)測。本文用到的原始數(shù)據(jù)是杭州某大學(xué)校園三個月的車輛進出記錄,本文所做工作以及得到的研究成果如下:(1)分析了校園內(nèi)停車場有效泊位需求變化的規(guī)律,利用Kalman濾波器對泊位需求進行隔天預(yù)測,并通過增加泊位影響因素對該方法進行改進,得到了更高的準(zhǔn)確度,證明了此方法的有效性。(2)為了進一步提高泊位需求預(yù)測的準(zhǔn)確度,引入神經(jīng)網(wǎng)絡(luò)算法,先后利用BP神經(jīng)網(wǎng)絡(luò)和LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)泊位需求的短時預(yù)測,實現(xiàn)對隔天預(yù)測的結(jié)果修正。實驗結(jié)果表明,LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測效果明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。(3)本人先利用Java編寫Kalman濾波預(yù)測模型,再利用TensorFlow實現(xiàn)兩種神經(jīng)網(wǎng)絡(luò)預(yù)測模型并將結(jié)果存入MySQL數(shù)據(jù)庫中,最后利用JFrame開發(fā)可視化界面,為管理者和用戶提供直觀的泊位需求預(yù)測結(jié)果。論文以提高區(qū)域內(nèi)泊位利用率和...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀目前幾種常見的停車需求模型介紹
    1.3 停車需求預(yù)測方面存在的難點問題
    1.4 創(chuàng)新思路和方向
        1.4.1 云數(shù)據(jù)架構(gòu)的應(yīng)用
        1.4.2 核心算法的應(yīng)用
    1.5 研究目的及其研究內(nèi)容
        1.5.1 研究目的
        1.5.2 研究內(nèi)容
        1.5.3 論文章節(jié)安排
    1.6 本章小結(jié)
第2章 數(shù)據(jù)獲取及數(shù)據(jù)預(yù)處理
    2.1 數(shù)據(jù)獲取
    2.2 泊位需求變化分析
    2.3 數(shù)據(jù)預(yù)處理
        2.3.1 數(shù)據(jù)預(yù)處理方法
        2.3.2 數(shù)據(jù)預(yù)處理實現(xiàn)
    2.4 本章小結(jié)
第3章 基于Kalman濾波算法的泊位需求預(yù)測
    3.1 泊位需求預(yù)測與Kalman濾波器算法概述
    3.2 Kalman濾波預(yù)測原理
    3.3 基于Kalman濾波預(yù)測的泊位預(yù)測模型
    3.4 預(yù)測結(jié)果分析
    3.5 本章小結(jié)
第4章 基于神經(jīng)網(wǎng)絡(luò)的泊位需求短時預(yù)測
    4.1 泊位需求短時預(yù)測概述
    4.2 TensorFlow與keras簡介
        4.2.1 TensorFlow簡介
        4.2.2 Keras簡介
    4.3 基于神經(jīng)網(wǎng)絡(luò)的泊位需求預(yù)測
        4.3.1 神經(jīng)網(wǎng)絡(luò)簡介
        4.3.2 神經(jīng)網(wǎng)絡(luò)的應(yīng)用
    4.4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測
        4.4.1 BP神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理
        4.4.2 基于BP神經(jīng)網(wǎng)絡(luò)模型的短時泊位需求預(yù)測
        4.4.3 基于BP神經(jīng)網(wǎng)絡(luò)模型的短時泊位預(yù)測結(jié)果分析
    4.5 循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測
        4.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介
        4.5.2 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測原理
        4.5.3 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練
        4.5.4 基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型的泊位預(yù)測
        4.5.5 基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型的泊位預(yù)測結(jié)果分析
    4.6 兩種神經(jīng)網(wǎng)絡(luò)的比較
    4.7 泊位預(yù)測功能可視化界面設(shè)計
        4.7.1 泊位需求預(yù)測可視化界面功能
        4.7.2 泊位需求預(yù)測可視化界面功能測試
    4.8 本章小結(jié)
第5章 預(yù)測模型整體應(yīng)用架構(gòu)及其他場景拓展
    5.1 泊位需求預(yù)測模型拓展價值
    5.2 泊位需求預(yù)測模型整體應(yīng)用架構(gòu)
    5.3 其他場景拓展
        5.3.1 拓展場景一——大型賓館、酒店
        5.3.2 拓展場景二——景區(qū)
        5.3.3 拓展場景三——醫(yī)院
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 論文主要研究工作
    6.2 未來展望
致謝
參考文獻
附錄



本文編號：3853154