云数据架构下的停车需求预测研究
2018-10-17裘瑞清周后盘吴辉阮益权石敏
裘瑞清 周后盘 吴辉 阮益权 石敏
摘 要: 由于当前汽车保有量过大,停车位不能满足日益增长的停车需求,为了降低车主寻找停车位的难度,停车需求预测成为了近年来研究的热点问题。介绍了目前几种常见的停车需求预测模型,提出停车需求预测中存在的难点,最后提出在停车需求预测中采用人工智能的创新应用。
关键词: 停车需求; 云数据架构; 预测模型; 人工智能; 创新应用
中图分类号:TP271+.5 文献标志码:A 文章编号:1006-8228(2018)08-23-04
Research on parking demand prediction under cloud data architecture
Qiu Ruiqing1, Zhou Houpan1,2, Wu Hui1,2, Ruan Yiquan1, Shi Min1
(1. Smart City Research Center of Hangzhou Dianzi University, Hangzhou, Zhejiang 310018, China;
2. Regional Collaboration Innovation Center of Smart City)
Abstract: The growing demand for parking spaces has become a considerably serious problem in people's daily life due to the fact that it's easier than before to keep cars as personal properties. To solve this problem, prediction for parking demand has been a hot issue in recent years. In this article, several common parking demand prediction models nowadays are introduced, and a summary of difficulties encountered during the model building process is raised and some innovative applications of parking demand prediction with artificial intelligence are put forward.
Key words: parking demand; cloud architecture; prediction model; artificial intelligence; innovative application
0 引言
隨着我国社会经济发展水平的提升,我国机动车保有量巨大。从公安部获悉,截至2017年6月底,我国汽车保有量达到了2.05亿辆。全国停车位缺口总计高达5000万个,停车难问题已经成为一个迫切需要解决的问题。此外,泊位资源浪费也是导致停车难的重要因素之一,如何高效合理的利用泊位是一个急需解决的问题。停车场泊位需求预测系统的出现可以很好地提高泊位的利用率。
目前,一些停车需求预测模型没有充分考虑各种影响泊位需求数量的因素,导致预测的结果误差偏大,所以利用利用更高精确度的新型算法模型,结合停车场影响泊位需求数量的实际因素,构建新型高效的停车预测模型具有重大意义。
1 目前几种常见的停车需求模型介绍
随着停车需求预测逐渐成为研究的热点,已经有很多种需求预测模型应用于停车需求预测系统,每种不同的需求预测模型都有其自身的优点和缺点,下面进行介绍和阐述。
1.1 基于VAR向量自回归模型的停车需求预测
时间序列向量自回归模型(VAR)在20世纪80年代被提出,主要用于对时间序列的预测,有结构清楚简洁的优点,但也存在着模型参数过多的问题。
将该方法已应用于停车需求预测系统,根据一段时间内驶入和驶出停车场的车辆数以及剩余泊位量之间的相互关系,建立向量自回归预测模型,该模型在优化泊位资源及缓解停车压力方面取得了较好的效果。在张雷的研究中采用了该方法,得到了0.87的精确度[1]。
1.2 基于ARMA时间序列模型的停车需求预测
ARMA时间序列模型是一种有限参数线性模型[2],也称为自回归模型,它是以概率统计学作为理论基础来分析随机数据序列的一种模型[3]。
将该方法应用于停车需求预测系统,根据一段时间内某一停车场进出车辆的统计进行时间序列模型的构建和预测,该预测模型可行性强,对数据的依赖性小。在张雷的研究中,该方法得到了0.89的精确度[4]。
1.3 基于PCA主要成分分析法模型的停车需求预测
主成分分析法是通过构造原变量的线性组合,转化成一组互不相关的新变量,并从中选择少数尽可能包含原变量信息的新变量,达到简化问题的需求[5]。
将该方法应用于停车需求预测系统,把本来大量的影响因子,转化为少数影响因子例如时间、天气、特殊事件等,构建停车预测模型,可以较好地对停车需求进行预测,但是对原始的数据有较高要求。在朱家友的研究中,该方法得到了0.89的精确度[6]。
1.4 基于多元回归-修正系数法模型的停车需求预测
多元回归模型是一种广泛应用于经济、生态、工程等方面的统计方法[7]。修正系数法又称为校正系数法,即对系数进行修正,是一种提高计算数据的精确性的一种方法[8]。
将该方法应用到停车需求预测系统,利用多元回归模型和修正系数法结合,对停车场停车资源需求进行预测。
传统的多元回归模型在分析居住区位置、建筑物类型等强影响因素时会出现难以量化的问题,利用弹性系数法引入区位修正系数和建筑物类别修正系数,优化多元回归模型。该方法具有一定的实用性和灵活性。在段满珍的研究中,该方法得到了0.89的精确度[9]。
1.5 基于小波-ELM神经网络模型的停车需求预测
小波变化是时间或者空间频率的局部化分析,通过对函数的多尺度细化,聚焦到函数的任意细节[10]。极限学习机(ELM)则是从单隐藏层的神经网络发展而来,具有易于实现、速度快、泛化能力强等特点[11]。
将该方法应用到停车需求预测系统,首先采用小波函数对有效停车泊位时间序列进行小波分解和重构,并利用极限学习机对分解以后得到的各时间序列进行预测,最后结合神经网络预测结果进行合成,该方法减少了训练的时间,同时也提高了预测的结果。在陈海鹏的研究中,该方法得到了0.986的精确度[12]。
2 停车需求预测方面存在的难点问题
2.1 影响泊位需求数量的因素多
在政府宏观政策方面,影响停车需求的主要因素包括用地布局、社会经济的发展状况、汽车产业的发展政策、交通发展的引导性策略等[13]。
从停车场具体情况方面,影响停车需求的有停车场性质、停车场收费、停车场服务、早晚高峰时段等。
2.2 泊位需求数量预测的实时性要求
由于上述影响泊位需求数量的因素有着数量多、变化快的特点,因此这些影响因素的实时抓取变得格外重要。一些影响因素,例如天气、交通情况都是动态实时变化的,获取实时变化的信息是停车预测模型建模的难点之一。再有,在停车资源管理方面,只有根据实时的泊位需求的预测数量,才能更加科学合理地优化停车资源的调度管理。我国现有的研究中,缺乏泊位需求实时预测的研究[14]。
2.3 不确定因素和突发事件
除了上述影响泊位需求数量的各种因素以外,通常会出现一些不确定因素,如交通事故、停车场设备故障、停车场封闭、重大社会活动等,也会很大程度影响泊位需求数量。现有的停车预测模型都是假设在理想情况下对泊位进行预测,而忽略这些影响泊位需求数量的突发事件。这种现象一般表现为由于低估泊位需求数量,导致局部路段或区域严重堵车、交通事故频发,进而导致该区域交通瘫痪,造成难以估量的损失。因此,这些影响泊位需求数量的不确定性因素,应该在停车需求建模时考虑进去。
2.4 传统的数据存储和计算架构
传统的停车需求预测模型获取数据的方式,一般是通过实地调查并统计,并将数据存储在传统数据库中。
传统的海量数据存储技术如硬盘、DAS、NAS、SAN等存在着服务器负担过大,数据传输实时性差,扩展性不足,升级困难等问题[15],无法满足停车需求模型对多因素、实时数据的要求。因此采用可以满足停车需求预测多因素、实时性需求的新型数据存储技术具有重大的意义。目前,云数据存储技术由于其响应速度快、管理高效、安全性好等特点比传统数据存储技术更加适合应用于停车需求预测系统[16]。
3 创新思路和方向
目前已经有比较多的需求预测模型,但是由于影响停车位数量的因素数量多且变化快,且一些因素具有实时性,一些预测模型出现了精确度下降的情况。要建造精确度更高的停车预测模型,一方面可以在原有算法模型上进行改进,添加影响泊位变化的因素,增强数据实时性;另一方面引入人工智能算法,搭建新型的停车预测模型。
在当今大数据时代下,普通的传统数据库已经不能满足海量的数据存储。在停车管理系统中,诸如停车场信息、停车位信息、出入车辆信息等大量数据需要存储和实时性调用。将云数据架构应用于停车管理系统能,很好的解决了停车需求预测模型影响因素过多且实时性强的问题。
3.1 云数据架构的应用
云数据库属于云计算[17]技术,云数据库和传统数据库相比,拥有更加强大的存储能力,也能防止多重配置,软件和硬件的更新升级更加方便。云计算还能对庞大的虚拟计算资源进行自我维护,从而提供更多IT服务[18]。
3.1.1 云数据架构优势
云数据库有着实用价值和扩展性能较好的特性,而且资源能够有效分配等。这些特性都是当今社会发展所需求的,云数据库在很多方面会代替传统数据库[19]。传统数据库在一定程度上可以满足一些传统的应用需求,但是在大数据[20]时代背景下,由于其本身的缺陷和不足,逐漸不能满足海量数据的存储需求。在云计算平台海量数据的存储和使用的背景之下,云数据库逐渐成为主流的新型数据库发展方向,对云数据库的研究也有着重大的意义[21]。
3.1.2 把云数据库应用到停车管理系统
使用云数据库可以充分满足储存停车位状态数据的需求,实现泊位数据的共享,并能够满足用户停车选择、交通业务支撑、决策支持需求,从本质上解决泊位信息数据不能统一存储和共享的问题。
把停车场泊位信息、停车场位置信息、进出车辆信息、周边交通信息以及影响泊位需求数量的其他信息等都存储在停车管理系统云数据库中,为泊位共享系统、泊位预测系统、泊位推荐系统等提供数据。
3.2 核心算法的应用
现有的停车预测模型相对成熟,如果要提高停车管理模型的预测精确度,一方面可以对现存的预测模型进行优化,另一方面可以用新型高效的算法模型构建停车预测模型。
3.2.1 优化现存预测模型
构建高效精确的停车预测模型是未来的方法趋势,然而随着人们对停车需求预测模型要求的提高,单一的预测模型已经很难满足实际需求,使用多技术融合,优化停车需求预测模型,是一个切实有效的解决办法。
通过上述预测模型的分析比较不难发现,神经网络模型较于传统预测模型是相对精确度更高的一种预测模型,所以可以通过优化传统经典的神经网络,构建新型停车需求预测模型,从而提高停车需求预测模型的预测精确度。
3.2.2 人工智能技術的引入
随着“机器学习”和“深度学习”领域的突破性进展,人工智能作为当前的热点研究技术,以及成功应用于众多领域。将人工智能技术应用于停车需求预测技术,构建基于人工智能的停车需求预测模型,通过人工智能技术的自我学习能力,对反馈的数据误差进行分析,不断提高停车需求预测模型的精确度。
4 总结
本文主要介绍了几种当前主流的停车预测模型,指出了当前几种停车预测模型存在的考虑数据不全面、数据实时性差等问题。本文提出了应用云数据架构技术解决停车需求预测系统数据需求量过大和对数据实时性要求高的问题;同时,为了提高停车需求预测的精确度,提出在原有停车预测模型基础上进行改进以及引入人工智能算法的思路。
建立一个高效准确的停车需求预测系统具有重要意义,停车需求预测已经成为一个热点研究问题,一个完善的停车需求系统可以在很大程度上帮助人们的出行停车,缓解停车难问题和城市交通问题。
参考文献(References):
[1] 张雷,陈浩,王强等.向量自回归预测的泊位共享优化算法研
究[J].科学技术与工程,2017.17(5):114-118
[2] 王行建,刘欣.ARMA时间序列模型的研究与应用[J].自动化
技术与应用,2008.27(8):65-66
[3] 汤岩.时间序列分析的研究与应用[D].东北农业大学硕士学
位论文,2007.
[4] 张雷.基于时间序列模型的停车场泊位特性预测研究[J].南
京师大学报(自然科学版),2017.40(2):24-30
[5] 岳振中,徐汝华,文杰.基于主成分分析的居住区停车需求预
测研究[J].交通与运输(学术版),2005.1:72-74
[6] 朱家友,白翰,王臻.基于主成分分析法的停车需求预测研究[J].
智能城市,2016.5.
[7] 项静恬,郭世琪.多元回归模型在实际应用中的几种推广[J].
数理统计与管理,1994.4:48-53
[8] 李博,陈丙珍,段东勇等.基于时间冗余度侦破过失误差的修
正系数法[J].清华大学学报(自然科学版),2000.40(10):65-69
[9] 段满珍,陈光,米雪玉等.居住区停车泊位需求预测二步骤法[J].
重庆交通大学学报(自然科学版),2016.35(1):152-155
[10] 张中华.小波混沌神经网络研究及其应用[D].哈尔滨理工大
学硕士学位论文,2009.
[11] 甘露.极限学习机的研究与应用[D].西安电子科技大学硕士
学位论文,2014.
[12] 陈海鹏,图晓航,王玉等.基于小波-ELM神经网络的短期停
车泊位预测[J].吉林大学学报(理学版),2017.55(2):388-392
[13] 冉江宇,过秀成,陈永茂.中心城区机动车停车泊位需求预
测框架[J].城市交通,2009.7(6):59-65
[14] Vlahogianni E I, Kepaptsoglou K, Tsetsos V, et al. A
Real-Time Parking Prediction System for Smart Cities[J]. Journal of Intelligent Transportation Systems,2016.20(2):192-204
[15] 孟凡淇.云存储与传统海量数据存储技术的比较[J].信息通
信,2014.9:151-151
[16] 周可,王桦,李春花.云存储技术及其应用[J].中兴通讯技术,
2010.16(4):24-27
[17] Hayes B. Cloud computing[J]. Communications of the
Acm,2008.51(7):9-11
[18] 许振霞.云数据库研究[J].计算机光盘软件与应用,2014.4:
109-110
[19] 成飚.现代云数据库探究[J].软件导刊,2013.8:3-5
[20] 邬贺铨.大数据时代的机遇与挑战[J].信息安全与通信保密,
2013.3:9-10
[21] Chen C, Chen G, Jiang D, et al. Providing scalable
database services on the cloud[C]// International Conference on Web Information Systems Engineering. Springer-Verlag,2010:1-19