动态管理模式下路侧停车泊位占有率预测方法

摘要：

城市停车已逐步实现信息化和动态化管理,本文对动态管理模式下大范围路侧泊位占有率预测方法进行研究.在收集美国旧金山492万条停车交易数据的基础上,利用可同时提取数据空间关联和时序趋势特征的卷积长短时记忆神经网络(Convolutional LSTM Network,ConvLSTM),分别构建考虑停车费率和时限动态变化的有政策模型,和没有动态管理信息输入的无政策模型.结果显示,有政策模型的训练效率和预测精度会显著提升.在政策平稳阶段,两种模型均能够有效预测泊位占有率;在政策发生变化时段,无政策模型的预测误差出现激增,但有政策模型的预测误差依然保持平稳,表明本文提出的方法能够很好地应对动态管理模式下停车需求的变化.

关键词：智能交通、停车泊位占有率预测、深度学习、长短期记忆单元、卷积神经网络

所属期刊栏目：20

分类号：U491.7(交通工程与公路运输技术管理)

资助基金：上海市科学技术委员会科研计划项目/Research and Development Program of Shanghai Science and Technology Commission,China19DZ1208701,19DZ1209102

在线出版日期：2020-10-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：107-113