云數(shù)據(jù)架構(gòu)下的停車需求預(yù)測研究

1、云數(shù)據(jù)架構(gòu)下的停車需求預(yù)測研究云數(shù)據(jù)架構(gòu)下的停車需求預(yù)測研究隨著我國社會經(jīng)濟發(fā)展水平的提升，我國機動車保有量巨大。從公安部獲悉，截至2017年6月底，我國汽車保有量達到了2.05億輛。全國停車位缺口總計高達5000萬個，停車難問題已經(jīng)成為一個迫切需要解決的問題。此外，泊位資源浪費也是導(dǎo)致停車難的重要因素之一，如何高效合理的利用泊位是一個急需解決的問題。停車場泊位需求預(yù)測系統(tǒng)的出現(xiàn)可以很好地提高泊位的利用率。目前，一些停車需求預(yù)測模型沒有

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)合停車場影響泊位需求數(shù)量的實際因素，構(gòu)建新型高效的停車預(yù)測模型具有重大意義。1目前幾種常見的停車需求模型介紹隨著停車需求預(yù)測逐漸成為研究的熱點，已經(jīng)有很多種需求預(yù)測模型應(yīng)用于停車需求預(yù)測系統(tǒng)，每種不同的需求預(yù)測模型都有其自身的優(yōu)點和缺點，下面進行介紹和闡述。1.1基于VAR向量自回歸模型的停車需求預(yù)測時間序列向量自回歸模型（VAR）在20

3、世紀(jì)80年代被提出，主要用于對時間序列的預(yù)測，有結(jié)構(gòu)清楚簡潔的優(yōu)點，但也存在著模型參數(shù)過多的問題。將該方法已應(yīng)用于停車需求預(yù)測系統(tǒng)，根據(jù)一段時間內(nèi)駛?cè)牒婉偝鐾＼噲龅能囕v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)用到停車需求預(yù)測系統(tǒng)，利用多元回歸模型和修正系數(shù)法結(jié)合，對停車場停車資源需求進行預(yù)測。傳統(tǒng)的多元回歸模型在分析居住區(qū)位置、建筑物類型等強影響因素時會出現(xiàn)難以量化的問題，利用彈性系

4、數(shù)法引入?yún)^(qū)位修正系數(shù)和建筑物類別修正系數(shù)，優(yōu)化多元回歸模型。該方法具有一定的實用性和靈活性。在段滿珍的研究中，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)模型的停車需求預(yù)測小波變化是時間或者空間頻率的局部化分析，通過對函數(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（ELM）則是從單隱藏層的神經(jīng)網(wǎng)絡(luò)發(fā)展而來，具有易于實現(xiàn)、速度快、泛化能力強等特點[11]。將該方法應(yīng)用到停車需求預(yù)測系統(tǒng)，首先采用小波函數(shù)對有