您好,欢迎来到中国测试科技资讯平台!

首页> 数字期刊群 >本期导读>基于麻雀搜索和模糊学习策略的车位预测方法

基于麻雀搜索和模糊学习策略的车位预测方法

640    2022-12-10

¥0.50

全文售价

作者:张青春, 郭振久, 姚胜, 何孝慈

作者单位:淮阴工学院自动化学院,江苏 淮安 223003


关键词:麻雀算法;泊位诱导;模糊学习;智能交通


摘要:

针对目前诱导系统存在数据不同步性,时间差存在滞后问题,该文提出一种基于麻雀优化神经网络的泊位预测方法。首先,结合小波分析对时间序列进行分解重构;其次,建立一种优化的BP神经网络模型,通过麻雀算法对BP的权值进行不断调整以克服局部最优。同时,引入动态模糊学习策略,使最优解的邻域发生微小变化,避免陷入局部最优,并改进得到的解的质量。利用某停车场历史数据对所提算法进行有效性验证。实验表明,所提算法平均绝对误差(MAE)和均方根误差(RMSE)分别为6.2230、4.6295,准确度均优于其他智能优化模型,能够有效预测剩余车位。



Parking space prediction method based on sparrow search and fuzzy learning strategy
ZHANG Qingchun, GUO Zhenjiu, YAO Sheng, HE Xiaoci
Automation Faculty, Huaiyin Institute of Technology, Huai’an 223003, China
Abstract: Aiming at the problems of data synchronization and time lag in the current induction system, a berth prediction method based on sparrow optimization neural network is proposed in this paper. Firstly, the time series is decomposed and reconstructed by wavelet analysis. Secondly, an optimized BP neural network model is established, and the weight of BP is constantly adjusted by the sparrow algorithm to overcome the local optimum. Meanwhile, a dynamic fuzzy learning strategy is introduced to make the neighborhood of the optimal solution change slightly, avoid falling into local optimum, and improve the quality of the obtained solution. The validity of the proposed algorithm was verified by using the historical data of a parking lot. Experimental results show that the MAE and RMSE of the proposed algorithm are 6.2230 and 4.6295, respectively. The accuracy of the proposed algorithm is better than other intelligent optimization models, and it can effectively predict the remaining parking spaces.
Keywords: sparrow algorithm;berth induction;fuzzy learning;intelligent transportation
2022, 48(11):101-105  收稿日期: 2021-12-21;收到修改稿日期: 2022-02-23
基金项目:
作者简介: 张青春(1964-),男,江苏盱眙县人,教授,研究方向为智能检测技术、物联网应用技术、虚拟仪器技术等
参考文献
[1] 王竹荣, 薛伟, 牛亚邦, 等. 基于注意力机制的泊位占有率预测模型研究[J]. 通信学报, 2020, 41(12): 182-192
[2] 李秉晨, 于惠钧, 丁华轩, 等. 基于CEEMD和LSTM-ARIMA的短期风速预测[J/OL]. 中国测试: 1-6[2022-03-18]. http://kns.cnki.net/kcms/detail/51.1714.tb.20210529.1623.004.html
[3] 赵沁峰, 蔡艳平, 王新军. 基于WOA-ELM的锂离子电池剩余寿命间接预测[J]. 中国测试, 2021, 47(9): 138-145
[4] 向荣, 房祥彦. 基于随机非平稳和长短时记忆网络的泊位混合预测[J]. 计算机系统应用, 2019, 28(8): 210-216
[5] 段满珍, 陈光, 张林, 等. 动态随机有效停车泊位预测方法[J]. 重庆交通大学学报(自然科学版), 2018, 37(6): 81-86
[6] 康梦轩, 宋俊平, 范鹏飞, 等. 基于深度学习的网络流量预测研究综述[J]. 计算机工程与应用, 2021, 57(10): 1-9
[7] 刘东辉, 肖雪, 张珏. 基于粒子群和LSTM模型的变区间短时停车需求预测方法[J]. 交通信息与安全, 2021, 39(4): 77-83
[8] 靳猷. 基于LSTM循环神经网络的停车需求预测研究[J]. 物流工程与管理, 2020, 42(10): 147-150
[9] 罗上学, 张美玲, 聂雅梅, 等. 基于CEEMDAN-LSTM模型的郑州市月降水量预测[J]. 水利规划与设计, 2022(2): 45-50
[10] XUE K J, BO S. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34
[11] 吕鑫, 慕晓冬, 张钧, 等. 混沌麻雀搜索优化算法[J]. 北京航空航天大学学报, 2021, 47(8): 1712-1720
[12] 欧阳城添, 朱东林. 融合K-means的多策略改进麻雀搜索算法研究[J]. 电光与控制, 2021(12): 11-16
[13] 张琳, 汪廷华, 周慧颖. 一种多策略改进的麻雀搜索算法[J/OL]. 计算机工程与应用: 1-10[2022-03-18]. http://kns.cnki.net/kcms/detail/11.2127.TP.20220226.1906.010.html
[14] 毛清华, 张强. 融合柯西变异和反向学习的改进麻雀算法[J]. 计算机科学与探索, 2021, 15(6): 1155-1164
[15] 刘勇, 杨熙卉, 燕林滋, 等. 基于CEEMD双层分解和Granger因果变量选择的风电功率预测[J/OL]. 中国测试: 1-7[2022-03-18]. http://kns.cnki.net/kcms/detail/51.1714.TB.20211201.1603.026.html
[16] 田宏伟, 李志鹏, 王煜伟, 等. CEEMDAN-WOA-ELM模型风机振动趋势预测[J]. 中国测试, 2020, 46(7): 146-152