（计算机应用技术专业论文）停车诱导系统中信息预测的研究与实现.pdf

停车诱导系统中信息顾测的研究t j 实现 停车诱导系统中信息预测的研究与实现 摘要 目前国内各大中城市停车供需矛盾日益突出，而停车诱导系统是解 决停车问题的一种有效途径。本文针对现有停车诱导系统存在的不足， 围绕如何有效提高停车诱导系统中诱导信息有效性的主题，结合该领域 发展趋势，作了深入的分析，并在此基础上设计并实现了信息预报子系 统。 本文设计的信息预报子系统，在引入时间序列预测理论和人工神经 网络理论的基础上，设计出基于b p 神经网络的车位占有率预测模型，给 出了有效车位预测方案，同时也为神经网络的应用范围做出积极的拓展。 由于预测模型中加入的动态调用预测功能，使得本文所设计系统在灵活 性和高效性方面得到了提升，且具备较强的自适应能力。 该子系统通过大量实验获得的最佳预测模型，应用该系统能有效预 测短期内车位占有率的变化，进行信息预报，为解决停车供需矛盾的问 题做出了积极有益探索。 关键词：停车诱导系统，信息预测，车位占有率，b p 网络 作者：马铭惠 指导教师：孙涌 r e s e a r c ha n di m p l e m e n t a t i o no fi n f o r m a t i o n f o r e c a s t i n gi np a r k i n gg u i d a n c es y s t e m a b s t r a c t t h ec o n t r a v e n t i o no fv e h i c l ep a r k i n gb e t w e e ns u p p l ya n dd e m a n db e c o m e s m o r ea n dm o r ec o n s p i c u o u sa n ds e r i o u si ns o m em a j o rc i t i e so fc h i n ad u r i n g t h e s ey e a r s ，w h i l ep a r k i n gg u i d a n c es y s t e m ( p g s ) o f f e r sa ne f f e c t i v e s o l u t i o nt os o l v et h i si s s u e b yd e e p l ya n a l y s i n gt h ed e f i c i e n c ya n dt h ec u r r e n t o fp g s ，t h em a i nw o r ko ft h i st h e s i si st o d e s i g na n dr e a l i z eap r e d i c t i o n s u b s y s t e m ，w h i c hc a ne n h a n c et h ee f f i c i e n c yo f t h eg u i d a n c e b ya d o p t i n gt h en e u r a ln e t w o r kt h e o r y a n dt i m e s e r i e st h e o r y , t h e p r e d i c t i o ns u b s y s t e mo f f e r sae f f i c i e n ts o l u t i o nf o rp a r k i n gp r e d i c t i o nb y d e s i g n i n gaf o r e c a s t i n gm o d e lo fp a r k i n go c c u p a n c yr a t ew h i c hi sb a s e do n b p ( e r r o rb a c kp r o p a g a t i o n ) m e a n w h i l e ，i ta l s o h a sd o n es o m e g o o d e x p a n s i o ni na p p l i c a t i o ns c o p eo fn e u r a ln e t w o r k t h es u b s y s t e mb e c o m e s m o r e f l e x i b i l i t ya n de f f i c i e n c yw i t h as t r o n ga d a p t a b i l i t yb ya d d i n gt h e d y n a m i cr e d e p l o y m e n tf u n c t i o n a n dt h r o u g hal o to fe x p e r i m e n t s ，t h eo p t i m u mp r e d i c t i o nm o d e li s f i n a l i z e d t h ea p p l i c a t i o no ft h es u b s y s t e mc a r lf o r e c a s tas h o r tt e r mp a r k i n g o c c u p a n c yr a t e a n dd o n e ag o o dd e v e l o p m e n tf o rs o l v i n gt h ep a r k i n g c o n t r a v e n t i o nb e t w e e ns u p p l ya n dd e m a n d k e y w o r d s ：p a r k i n g g u i d a n c e s y s t e m ( p g s ) ，i n f o r m a t i o nf o r e c a s t i n g ， p a r k i n go c c u p a n c yr a t e ，b pn e t w o r k w r i t t e nb y ：m am i n g h u i s u p e r v i s e db y ：s u nv o n g 蓼嫂大学学使论文独截魏声臻及楚髑授投声甥 学经论文独谶往声暖 本 郑复声明：所攥突静攀控论文戆奉 在导嚣驹措鼯。f ，独立进行磷究： 俸所淑得盼成采。滁文中磊经注髑日l 用麓内骞卦。零论文不害其德个入或熊 体融经发表或撰写邀熊研究成果， 魏带含为获得苏舯i 大学域其它教育桃构的 学经谨书瓣篌霸道辩辩糕。瓣本文靛磷究露基重要爨献黪巾天器鬻髂，均跫 在定中以绢确方式槔镄。零人承撵本声明的法律齑经。 研究生签名：墨敛蠡翳期：羔嵫：x 。曼 学位论文使尉授投声明 苏翔大学、孛嚣科学装术燕患磷究鼗、匿襄溪寒旗、潢擎太学埝文台释辩、 串鬻牧秘院文献髂怒情掇中心有援僚塑本人搿送交举控论文豹复帮转稠电 子定档，w 以采用影印、缩印或其媳簸割半段保帮论文。奉a 电子黛档的内 褰秘缎质论支靛内襄稠一霰。豫在缳枣麓逡鞠保密论文外，完详论文被庭涟 研究生签名：盔3 壤：l ；j f 爝；2 避s 。：蔓 鼯师签名擀品期2o 篡露皿i 停车诱导系统中信息预测的研究与实现 第一章绪论 1 1 项目研究背景 近年来，我国城市机动车数量持续增加，而我国各城市的停车设施 的规划、建设、管理等方面又存在着不足之处，导致机动车停车供需矛 盾日益突出和严重。 例如，苏州市统计局发布的2 0 0 6 年第一季度调查显示，市内每百户 居民就拥有家庭汽车9 6 7 辆f “。目前，苏州市停车问题非常严峻，调查其 停车情况如下【2 1 = 表1 12 0 0 4 年苏州市的停车殴施供需表 片区供给 需求 设施缺口 古城区 8 8 7 72 0 4 0 01 1 5 2 3 古城区周边片区 2 7 6 7 9 1 3 6 9 7 0 1 0 9 2 9 i 合计 3 6 5 5 61 5 7 3 7 01 2 0 8 1 4 表1 22 0 0 4 年苏州市路边停印场停印泊位利川率表 泊位数平均停车时间 停车场位置 高峰饱和度 高峰停放比率最人停放始 ( 个)( 分钟) 凤凰街1 2 01 1 2o 8o 19 8 石路5 01 0 90 90 34 4 东中 5 08 l0 8o 14 l 观前街9 01 4 00 9o 28 2 分析表1 1 数据，显然苏州市现在的停车设施远远不能满足需求。而 从表1 2 看出，在设施不能满足需求的情况下，停车泊位即使是在交通高 峰时间仍然没有得到充分的利用。综合分析得出，停车问题产生的主要 原因为停车车位供给不足和停车设施没有得到充分利用。 第一章绪论 停乍西导系统中1 青息颅测的研究。j 实现 解决以上问题的途径有两个：一是增加停车设施：二是提高设施利 用率。在短期内无望大幅度提高停车设施容量的条件下，通过改善现有 的停车场的供需关系、最大限度发挥当前停车设施利用效率被认为是缓 解停车问题的有效方法。但无论增加停车设施还是提高设施利用率，都 需要建立一个可靠的信息系统，以保证停车信息的通畅。 停车诱导系统( p a r k i n gg u i d a n c es y s t e m ，p g s ) ，就是为解决城市停 车信息缺乏、停车设施利用率不高、停车无序和缓解交通而产生的，是 智能交通系统( i t s ) 的重要组成部分。它主要是通过向停车需求者提供实 时停车信息，引导需求者更快速、便捷地寻找停车位。 当前，我国对i t s 的研究非常重视，编制了i t s 发展规划，确定了我 国i t s 发展的总体战略。2 0 0 5 年1 2 月9 日，第一届中国智能交通年会在上 海召开。全国各大中城市纷纷把发展i t s 作为解决或缓解城市拥堵，建设 可持续发展的交通系统的有效途径。 发达国家在i t s 实施技术研究方面进度较快，但基础理论模型研究较 为滞后，所以造成某些研究项目因理论问题未解决没有得到实际应用。 这就是目前世界各国重视理论模型研究的主要原因，其中的p g s 是国际上 正在深入研究的前沿课题之一。而当前，我国的许多城市对p g s 有着广泛 的需求，但是在p g s 的基本理论方面研究还处于起步阶段，是我国城市交 通急待解决的关键问题之一。 由于p g s 是以信息为基础，以诱导和预测为关键基础理论，所以信息 处理技术是p g s 的核心。因此，对p g s 中信息处理技术的研究，能为p g s 的实现和不断完善提供了学术价值，具有非常突出的现实意义和广阔的 应用前景。本文主要针对信息处理技术中的预测技术方面进行了研究和 实现。 停车诱导系统中信息预测的研究与实现第一章绪论 1 2p g s 的现状 欧美等国家已经进行了对p g s 做了大量研究。p g s 相继在德国、欧 洲、日本、美国等国家得到应用，到八十年代末全世界已有5 0 多个p g s 被使用【3 】。 德国目前城市拥有的停车管理系统分为两个部分，一部分是停车诱 导系统，另一部分是停车换乘系统。其主要功能是为驾驶员提供停车泊 位信息，以及快速导航。 日本的p g s 称为停车场向导系统，是集成在日本警察厅开展的u t m s ( u n i v e r s a lt r a f f i cm a n a g e m e n ts y s t e m ) 项目中，它通过u t m s 的交通管 理综合集成系统( i t c s ) 发布停车信息。该停车诱导系统在所考虑的区 域内为进入的汽车提供停车场的位置、空满信息、一般路径等信息。 美国圣保罗市的p g s 被称为先进停车信息系统( a d v a n c e dp a r k i n g i n f o r m a t i o ns y s t e m ，a p i s ) 。该系统是美国先进交通管理系统( a d v a n c e d t r a n s p o r tm a n a g e m e n ts y s t e m ，a t m s ) 的组成部分之一。该系统提供了 各种停车场位置和司机预先选择的停车泊位以及最佳行使路线等信息。 综合分析以上国家p g s 的发展，其特点主要表现为： 1 ) 作为城市i t s 的一部分，与i t s 中的其他系统( 如交通信息采集 系统、交通控制系统等) 紧密融合4 】1 5 1 。 2 ) 诱导面积大，覆盖诱导区域的大部分公共停车泊位。 3 ) 信息采集点多、发布方式齐全。 4 】发布的信息单一，只发布实时空车位的信剧6 1 。 与国外停车诱导发展的情况比较，目前我国对停车诱导系统的研究 还处于起步阶段。自从2 0 0 1 年1 2 月2 0 日我国第一套“智能停车诱导系 统”在北京王府井全面开通运行之后，上海、广州、深圳、苏州等城市开 始应用停车诱导系统。 第一章绪论停车诱导系统中信息预测的研究与实现 国内的p g s 基本上由停车场信息采集、多级信息发布屏、控制中- t l , 和通信系统组成，但也各具特点。如上海市启动的静态交通停车诱导系 统和公共停车信息系统，司机不仅可以从停车诱导牌上获得停车信息， 还可以通过电话或登陆网站来获得停车场地信息。苏州观前地区p g s 采 用了三级诱导：一级诱导提供停车场位置、动态车位、行车方向以及道 路通行状况等详细信息：二级诱导提供停车场的动态空车位及方位的信 息；三级诱导屏在停车场入口处设置动态“空”或“满”的停车信息。 虽然p g s 使用后使原有车位利用率平均水平有所增高( 如王府井的 停车诱导系统使车位利用率提高3 0 左右川) ，但与国外相比，国内的p g s 的普遍存在一些不足，主要表现为： 1 ) 车信息发布的方式比较单一，仅采用l e d 这种单一形式，采用 二级或三级方式发布。 2 ) 发布的信息单一，只发布实时空车位的信息。 3 ) 车位采集仅考虑了停车场，且涉及停车场的数量和泊位数在诱导 区所占的比例偏少。 4 ) 所提供的停车诱导的服务功能还停留在低层次上【8 】。 综合分析国内外的p g s 可以看出，目前使用的p g s 发布的信息普遍 单一，只发布实时空车位的信息，缺乏预测能力。仅发布实时信息的局 限性是：当车位很少时，驾驶员到达停车场时可能已没有停车位，而导 致信息诱导的失效。因此，p g s 应该具备预测功能，提供未来一段时间 的车位情况。 1 3 p g s 的发展趋势 随着信息技术的发展，p g s 主要朝着以下五个方向发展【9 】： 1 预报系统：能够预报停车信息，提供未来一段时间的车位情况。 2 车载信息：比停车诱导牌提供的信息更能满足个性化需要。 4 停车诱导系统中信息预测的研究与实现第一辛绪论 3 预出行信息系统：研究显示驾驶员将停车信息考虑为预出行信息 中不可缺少的一部分。 4 预定系统：能够预定停车位，包括开始时刻和预计停放时间。 5 p g s 系统和其他系统的融合，如停车换成系统，城市交通控制系 统等。 通过分析p g s 现有的不足并结合其发展趋势，本文主要研究和实现 了p g s 的“信息预报子系统”，为需求者提供更有效的车位信息，提高停 车设施的利用率，更好的服务于需求者。 1 4 信息预测的实现方法 为了参与驾驶员对停车场的选择过程，消除未来车位信息的不确定 性，进行有效车位预测。p g s 中的有效车位是指正在开放的停车场内未被 车辆或其他物品占用，可以用来停放车辆的车位o l 。车位信息是进行预测 的基础，根据对车位信息分析，选择合适的预测方法进行预测，进而得 出预测结果。 虽然影响停车场的车位变化的因素具有多样性和难以量化，但是车 位变化在时空上是一个渐进的过程，具有一定的规律性。根据车位信息 这一特点，本文采用时间序列预测理论，既利用现有的车位数据去构造 模型，进而去推测未来车位的发展趋势。通过对比各种时间序列预测方 法( 见表1 3 ) ，确定采用神经网络预测方法实现了车位占有率预测模型， 结果表明预测效果良好。 表1 3 时间序列预测方法对比表 时间序列预测方法效果 传统线性预测 在实际应用中很难准确地进行分析和预测 传统非线性预测前提十分苛刻，不适合复杂的非线性预测 神经网络预测具有处理复杂非线性预测能力，是目前非线性预测中的常删方法 停乍污导系统中信息预测的研究与实现 1 5 论文研究内容 本文分析了国内外的p g s 的发展情况，针对当前国内p g s 的规划和 现有系统的不足，运用时间序列预测理论，提出了一个基于人工神经网 络的车位占有率预测模型。并利用该预测模型，设计实现了信息预报子 系统。该子系统实现了有效车位的预报，扩充了现有p g s 的功能，增强 了诱导信息的有效性。 本研究内容包括以下几个方面： 1 ) 在对停车诱导系统功能需求研究的基础上，提出了一个含预测模 型的停车诱导系统，设计出停车诱导系统的系统结构。 2 ) 研究了信息预测技术，探讨了p g s 中有效车位预测的可行性。通 过分析车位信息变化的特点，选择时间序列预测方法进行有效车位预测。 并对不同的时间序列预测方法进行研究，对比其特点及适用情况，确定 采用人- - r * * 经网络时间序列预测方法。在此基础上，通过以上工作，提 出了一种基于b p 神经网络的车位占有率预测模型。 3 ) 研究了b p 神经网络的原理，针对车位占有率变化的特点，探讨 了车位占有率时间序列预测中的回溯期问题。并采用了公式和实验相结 合的方法，对预测模型神经网络的拓扑结构和其他网络参数进行了设计。 根据实验效果，给出了基本b p 算法的改进方法，用来提高模型的稳定性 和预测的精确度。通过对不同的b p 算法进行神经网络的训练和测试，分 析对比实验结果，获得了最佳的车位占有率预测模型结构。最后，采用 面向对象技术设计实现了b p 神经网络预测模型，应用该模型可以预测短 期内有效车位的变化情况，预测的精度较高。 4 ) 设计并实现了信息预报子系统。考虑到停车场车位信息的多变性， 采用动态调用预测功能，增加了预报的灵活性，减小了系统开销。并且 该预测模型具有较强的自适应性，当预测精度不满足要求时，通过重新 组织样本进行神经网络的训练，来调整预测模型，使预测结果符合要求。 停车诱导系统中信息预测的研究与实现 第一市绪论 1 6 论文的组织结构 本论文的后继章节按如下方式组织： 第二章相关技术的介绍。该章介绍了实现信息预报子系统中与信息 预测相关的时间序列预测、神经网络的理论知识，通过研究分析相关的 技术分析，确定了本文采用的理论和技术。 第三章信息预报子系统的设计。首先分析了p g s 总的功能需求，给 出了p g s 的系统结构。然后详细设计了信息预报子系统，其中采用了车 位占有率预测模型实现了信息预报。最后，讨论了基于b p 神经网络的车 位占有率预测模型相关技术难点，针对基本b p 算法存在的缺陷，采用了 一些改进方法，设计出了预测模型的结构。 第四章信息预报子系统的实现。首先介绍了系统软件的开发运行环 境，接着给出了预测模型中的关键代码，然后通过对车位占有率预测模 型进行相关实验，确定了最佳的车位占有率模型的神经网络结构，并验 证了预测模型的有效性。实验结果表明该预测模型达到预期目标。 第五章结束语：对本文工作加以总结并展望了今后需要研究和改进 的方向。 第二章相关技术介绍 停车诱导系统中佰息预测的研究与实现 2 1 时间序列预测技术 第二章相关技术介绍 2 1 1 时间序列预测的传统方法 时间序列( t i m es e r i e s ) 指社会经济活动中，某一变量或指标的数值 或观察值，按其出现的先后次序，且间隔时间相同而排列的一列数值【】。 为标记方便，前1 个等时间距的时间序列记为 z ，x 2 ，) 。时间序列 预测是用被预测事物过去和现在的观测数据，构造依时间变化的序列模 型，并借助一定的规则来推测未来。即在己有的时间序n x ，x 2 ，粕 的基础上，对该时间序列未来的时刻x 州，x n 伽的数值进行预测。 时间序列预测方法是预测方法体系中的重要组成部分。一般来说， 时间序列受趋势变化因素、季节变化因素、循环变化因素与不规则变化 因素等四种因素的影响。7 0 年代，由于b o x j e n k i n s 模型的提出，使得时 间序列方法得以迅速发展，并很快成为预测领域的主要方法之一，其主 要方法如下【1 3 1 ： ( 1 ) 移动平均法：对一组给定的历史数据计算其平均值，并将这一平 均值作为下一时期的预测值。这种方法非常简单，但预测精度比较低； ( 2 ) 分解方法：基本思想是将预测数据分解为趋势因子、季节因子、 循环因子和随机因子，主要作为识别数据特性的方法，但这种方法单独 使用效果并不好； ( 3 ) 指数平滑法：它是一种较为实用、简单、低费用、不精致的方法， 但其预测精度却非常好； ( 4 ) 季节系数法：根据季节周期性演变这一规律，在实际预测时，用 季节系数修正没有考虑季节影响的预测值； ( 5 ) b o x - j e n k i n s 方法：在统计学上是完善的，有牢固的理论基础和一 套完整的程式化建模方法。但这种方法是复杂的，对数据的性质有一定 停车诱导系统中信息预测的研究与实现第二二章相关技术介绍 的要求，还要求研究者有较高的专业知识等，预测精度根据不同的运用 环境不同。 ( 6 ) 其他方法：如，a r a r m a 模型、随机数自回归模型等方法 这些时间序列预测方法大多数假设各变量之间是一种线性关系，而 车位信息的多层次性、互关联性使得车位信息呈现非线性的特点，很难 用这些方法准确地进行分析和预测。因此，应该采用非线性时间序列预 测模型。 2 1 2 非线性时间序列预测方法 在过去的半个多世纪里，时间序列分析、预测得到了迅速的发展。 目前，非线性时间序列已成为时间序列分析及预测理论发展的一个重要 研究方向，如t o n g 等人提出的阈值自回归模型、门限自回归模型等。这 些均属于模型驱动的方法，即首先研究系统的演化行为，设定预测模型， 估计、检验及模型选择，最后找出最佳模型。该方法应用中有不少成功 的事例，也促进了预测技术的发展。但事实上，这种方法的基本前提是 十分苛刻的，隐藏在传统预测方法背后的基本观念是：系统发展有一定 规律，而且是可以找到的，其过去或现在的因果规律在未来仍然起主导 作用，建模或预测的目标在于从比较中寻找最佳模型。然而，由于多数 系统复杂的非线性，使得这类方法从理论分析与实际应用上都有相当的 局限性，主要表现在： ( 1 ) 由于偶然性与结构或变量的不平衡性的存在，不可能有一种完全 可靠的模型在各种情况下都能有精确的预测； ( 2 ) 被预测事件自身发展规律有可能发生变化，且这种变化有时是不 能预言的，由此而来动摇预测的基础； ( 3 ) 在冲突多变的现实环境中，突发事件时有发生； ( 4 ) 由于系统结构的多元素、多变量、多层次、多功能的多维复合性， 系统内部的关系十分复杂，加之外界环境的多变性，研究者很难掌握预 第二帝相关技术介绍 停车诱导系统中信息预测的研究与实现 测系统的机理，由此难以提供正确的模型形式。 在这种情况下，人们将目光转向近年来兴起的神经网络模型。神经 网络能够从数据样本中自动地学习以前的经验而无需反复的查询和表现 过程，并自动地逼近那些最佳刻画了样本数据规律的函数，而无论这些 函数具有怎样的形式。系统表现函数越复杂，神经网络这种作用的特性 就越明显。由于神经网络的这些优越性，使其在预测中的应用受到重视。 研究结果表明，神经网络用于非线性时间序列预测效果比以上这些时序 预测方法要好，已成为目前非线性预测中的常用方法【l4 1 。 2 1 3 基于神经网络的时间序列预测方法 神经网络的时间序列预测方法是近年来在神经元网络的基础之上发 展起来的一种新的时间序列的预测模型。自从1 9 8 7 年l a p e d e s 和f a r b e r 首 先应用神经网络进行预测以来，神经网络预测时间序列方法受到重视。 神经网络预测时间序列方法以神经元网络理论为基础，充分利用网络的 数值逼近与记忆功能，根据时间序列的历史观测数值，识别出时间序列 的内在模式，在历史观测值的基础上，对时间序列的未来值进行预测。 k o l m o g o r o v 定型”l ：对于任意一个连续函娄哳u n r m ，y - 坝x ) ( u 是单位闭区域 o ，l 】) ，都存在一个输入层有n 个神经元，隐层有2 n + 1 个神 经元，输出层有m 个神经元的三层神经网络，该神经网络可用来精确表达 该连续函数y - x ) 。 k o l m o g o r o v 定理表明，对任意一个连续函数 在闭单位区间 o ，1 上 可以精确地用一个三层前向网络来实现。该定理从数学上保证了神经网 络用于时间序列预测的可能性，但没有提供构造这一网络的可行方法。 神经网络模型的种类很多，在实际预测中，选择适当的网络结构对 预测效果有很重要的影响。前向神经网络具有处理复杂非线性信号的能 力和很强的泛化能力，己被广泛应用于信号处理、自动控制等领域。在 具体使用时，不需要对时间序列进行诸如平稳性等假设，仅需设计一个 停车诱导系统中信息预测的研究与实现第二章相关技术介绍 神经网络来拟合时间序列即可。 前向神经网络中b p ( e r r o rb a c k p r o p a g a t i o n ，误差反向传播) 网络是 应用最有效、最活跃的方法。1 9 8 9 年，h e c h t - n i e l s o n 证明了对于任何闭区 间内的一个连续函数都可以用一个隐含层的b p 网络来逼近【怕1 。从数学角 度看，神经网络成为输入输出的非线性函数，若一个时间序列为任， 勋， ，进行预测可以用下式来描述： 粕+ ，= 炙x 1 ，x 2 ，)( 2 i ) 即用b p 网络来拟合函数，( ) ，然后预测未来值。因此，本文利用b p 网 络来构造车位占有率预测的模型。 2 21 3 p 神经网络技术 2 2 1 神经网络概述 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) ，简称“神经网络” ( n n ) ，是人脑思维系统的一个简单的结构模拟，是多个神经元( 如图 2 1 ) 连接而成的多层网络，用来模拟脑神经系统的结构和功能。美国神 经网络科学家h e c h tn i e l s e n 给出了人工神经网络的一般定义：神经网络是 由多个非常简单的处理单元，彼此按某种方式相互连接而形成的动态系 统，它通过连续或断续的输入作状态响应而进行信息处理。 在人工神经网络中，信息的处理是由神经元之间的相互作用来实现 的，知识与信息的存储表现为网络元件互连间分布式的物理联系，网络 的学习和识别取决于各神经元的连接权值的动态演化过程。由于人工神 经网络是一个不依赖于模型的自适应函数估计器，因而不需要模型就可 以实现任意的函数关系，且具有大规模并行、分布式存储和处理、自组 织、自适应和自学习能力。因此，神经网络在信息处理中的运用越来越 广泛，特别是在模式识别、图像处理、预测预报、人工智能、优化和控 制等领域，己取得了令人注目的发展。 第二章相关技术介绍停车诱导系统中信息预测的研究与实现 j w 2 1 却 ：， j 。j 圈2 1 人：i ：神经元模刑 在图2 1 中，x x 2 , ”：是神经元的输入，既是来自前级n 个神经元 的轴突的信息；o i 是i 神经元的阈值；w ，6w 2 6 “：w 瓜分别是i 神经元x l ， x 2 , ”；x n 的权值连接，即突触的传递效率；y i 是的神经元的输出；f 是传递 函数，决定拜申经元受到输入新，x 2 , ”；x n 的共同作用达到闽值时以何种方 式输出。 1 神经网络的机制 神经网络中神经元之间的连接是层次分明的，每一层内的神经元接 受前层神经元的信号，并向后一层神经元送出信号。其中，输入层负责 接收样本，而输出层则输出最终的结果，通常它们之间还存在着若干层 隐藏层。 神经网络的关键在于如何解决连接权值。神经网络通过训练来调整 连接权值。在训练开始前，权值可采用随机方法决定。然后可以通过以 下两种训练方法来训练网络： 第一种方法是非指导式的，既不为网络提供严格的输出值或指出网 络输出结果的好坏，网络从样本输入中提取信息、检测特征，进而发展 自己的分类规则或自适应于输入空间的检测规则。 第二种方法是指导式的，它需要人为的介入训练，在每次输入样本 的过程中，要观察神经网络的输出结果是否正确，根据结果调整网络内 停车诱导系统中信息预测的研究与实现第二帝相关投术介绍 部连接和权重，以求产生更好的网络输出。 2 、神经网络的特性 神经网络是由多个神经元连接而成的。而大量的神经元互相连接形 成各种复杂网络系统。目前己出现数十种神经网络模型。所有的神经网 络都具有以下的特性： 1 ) 非线性：人工神经元处于激活或抑制两种不同的状态，这种行为 在数学上表现为一种非线性关系。 2 ) 非局域性：神经网络中的神经元的分布存储是非局域性的一种表 现。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要 由单元之间的相互作用、相互连接所决定。 3 ) 非定常性：人工神经网络具有自适应、自组织、自学习能力。神 经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线 性动力系统本身也在不断地变化。 4 ) 非凸性：神经网络的非凸性是指它有多个极值，即系统具有不只 一个的较稳定的平衡状态，这将导致系统演化的多样性。 在众多的神经网络结构中，多层前向神经网络( m u t i l a y e r f e e d f o r w a r dn e p a ln e t w o r k s ，简称m r n n ) 是目前应用最广泛也是最成熟 的一种网络结构。r u m e l h a r t 和h i n t o n 于1 9 8 6 年提出了b p 网络( b a c k - p r o p a g a t i o n n e t w o r k ，简称b p 网络) 学习算法，实现了m i n s y 的多层网络 设想。 b p 神经网络其神经元的激励函数是s ( s i g m o i d ) 型函数，分为对数s 型激励函数和双曲正切s 型激励函数，他们的输出量分别为0 到l 之间 的连续量和1 到l 之间的连续量，可以实现从输入到输出的任意非线形 映射。由于权值的调整采用反向传播f b a c k p r o p a g a t i o nn e t w o r k ) 学) - - j 法，因此也常称其为b p 网络。 停下诱导系统中f ；_ f 息顶测的研究j 实现 2 2 2b p 网络模型结构 b p 网络把一组样本的输入输出问题变为一个非线性优化问题，使用 了优化中最普遍的梯度下降法，用迭代运算求解相应于学习记忆问题， 加入的隐层使优化问题的可调参数增加，从而可得到更精确的解。如果 把这种神经网络看成一个从输入到输出的映射，则这个映射是一个高度 的非线性的映射。 在b p 网络中，层与层之间多采用全互连方式，但同一层的节点之间 不存在相互连接。一个三层的b p 网络如图2 2 所示。 输入层隐层输出层 图2 2b p 神经网络结构图 y f 2 2 3b p 网络学习过程 学习( 训练) 的目的是对网络的连接权值进行调整，使得对任一输 入都能得到所期望的输出。学习的方法是用一组训练样本对网络进行训 练，每一个样本都包括输入及期望的输出两部分。 b p 学习过程可以描述如下： 1 ) 工作信号正向传播：输入信号从输入层经过隐层单元，传向输出 层，在输出端产生输出信号。在信号的前向传传递过程中网络的权值是 固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果在 停车诱导系统中信息预测的研究与实现 第二币相关技术介绍 输出层不能得到期望的输出，则转入误差信号反向传播。 2 ) 误差信号反向传播：网络的实际输出与期望输出之间差值即为误 差信号，误差信号由输出端开始逐层向前传播。在误差信号反向传播的 过程中，网络的权值由误差反馈进行调节。通过权值的不断修正使网络 的实际输出更接近期望输出。 可以看出b p 网络的学习过程是正向传播与反向传播组成的。正向传 播用于进行网络计算，对某一输入求出它的输出；反向传播用于逐层传 递误差，修改连接权值，以使网络能进行正确的计算。如图2 3 所示。 输入层 隐层输山层 - 一一- 一一一一一一一一一- 。i ：作信号 误筹信号 图2 3 前向工作信号与反向误差信号示意图 望输山向茸 2 2 4b p 网络学习算法 1 、b p 算法 b p 网络的学习算法可描述如下： 1 )初始化网络及学习参数，即将隐含层和输出层各节点的连 接权值、神经元闽值赋初值。 第二章相关技术介绍停乍诱导系统中信息预测的研究与实现 2 )从训练样本集合中取一个样本，并作为输入向量送入网络。 3 )正向传播过程，对给定的输入样本，通过网络计算得到输 出样本，并把得到的输出样本与期望样本比较，若有误差超出限定 范围，则执行第4 ) 步；否则，返回2 ) 步，输入下一个训练样本。 4 )反向传播过程，即从输出层反向计算到第一隐含层，按以 下方式逐层修正各神经元的连接权值，使误差减小。 5 )返回第2 ) 步，对训练样本集中的每一个样标本例重复以上 步骤，直到整个训练样本集的总误差小到满意为止。 2 b p 基本算法公式的推导 b p 网络学习公式推导的指导思想是：对网络权值( w 。) 的修正与阈值 ( 口) 的修正，使误差函数( e ) 沿负梯度方向下降。这里用三层b p 网络 为例介绍b p 网络的学习原理。 设三层b p 网络的输入层、隐层、输出层上的节点分别用下标i ，j ， l 来表示，训练样本集有个样本。对公式推导用到的符号约定如下： 麓为输入节点j ； f i e t ，为节点的输入； 毋为节点的输出： 为从节点j 到点的连接权值； 毋为节点的阈值； 野，“分别为输出层上节点k 的实际输出和期望输出。 b p 模型的计算公式如下： ( 1 ) b p 网络各节点( 神经元) 之间传递函数通常选用s 型函数( 即 s i 目n o i d 函数) ，例如： ! 兰垦曼墨丝! 笪皇堡型堕里堕塑壅墨 笙三兰塑茎垫查坌塑 m ) = 筹 ( 2 2 ) 7 ( 2 ) 在b p 算法学习过程中，为了使学习以尽可能快的沿误差减小的 方式进行，对误差的计算采用了广义的6 规则，其误差函数如下，式中 t l ，乃分别为期望输出和计算输出。 = 三军( 卜m ) 2 ( 2 3 ) 因为训练集中样本总数为m 则平方误差的均值为： e = 专羹 ( 2 4 ) e 是学习的目标函数，学习的目的是使e 达到最小。e 是网络所有权 值、阈值和输入信号的函数。 ( 3 ) 为了使连接权值沿着e 的梯度方向得以改善，网络逐渐收敛，b p 算法取权值的修正量正比与一兰，其中负号表示修正量按梯度下降 o w 。 方向。即 卟一7 毒 ( 2 5 ) 其中学为增益因子。 ( 4 ) 连接权值的修正公式为： 嘞( f + 1 ) = w f ，( f ) + f 2 6 ) 第二章相关技术介绍 停车诱导系统中信息预测的研究与实现 ，一 其中，t g l j - ( 幻及( 针1 ) 分别是在时刻f 及 + l 时，从节点f 至节点 的连接权值；是权值的变化量。 ( 5 ) 输入层神经元，其输入与输出相同，即o i = x i 。 ( 6 ) 隐节点的输入： ( 7 ) 隐节点的输出： ( 2 7 ) o j = ( d 一q ) = f ( n e t j ) ( 2 8 ) 其中n e t j = 坳d 一嘭。 ( 8 ) 输出节点的输出： 一 ”= f ( w j t o j 一日) = f ( n e t t ) ( 2 9 ) 其中n e = 坳q - o , 。 ， ( 9 ) 激励函数m ) 的导数公式： 由公式2 2 ，可得：f ( x ) = 1 - 厂2 ( 工) 则 f ( n e t k ) = 1 - 厂2 ( n e t k ) 对输出节点： y t = f ( n e t l l 对隐节点： f ( 嘲) = l - f 2 ( y t ) 停车诱导系统中信息预测的研究与实现 第二章相关技术介绍 ( i o ) 输出节点的误差公式： 由公式2 3 ，公式2 7 ，公式2 8 ，公式2 9 可得： e = 丢军( 一 ) 2 = 圭军( t 一厂( 毒：。c ：q 一够，一q ) 2 连接权值的修正： 1 ) 对输出节点的公式推导 一a e ：旦丑：鱼盟 a w ”恕8 y ka w i l a ) l a w 口 e 是多个y k 的函数，, f _ s 贿- + y t 与盼，有关。其中 两o e = 吾e - 2 ( t , 训券_ - ( ) 则 嚣o w2 盟o n e t t 筹o w _ ，协刚q fh 。 、， j 熹= 一( f f y 1 ) 厂慨) o j 口w n 。 设输出节点误差4 = ( 一m ) f ( n e t , ) 则旦：一a o 二 籼n 。 由公式2 5 ，可得坳2 叫毒2 ，7 4 q 第二章相关技术介绍 停车诱导系统中信息预测的研究与实现 其中 由公式2 6 ，可得( 七+ 1 ) = ( 七) + = ( ) + ，7 4 d j 2 ) 对隐节点的公式推导 a w 卸| 8 0 ta w | t 旦；y y 鱼盟盟 e 是多个y t 的函数，针对某一个w 口，对应一个q ，与所有m 有关。 毒= 丢即，券叫， igy_l=丑瓦ane6=厂he)百onettao a n e t ，a oa o = ，慨) - w j 。“ 。、 ij 嚣= 盟a n e t j 鲁讥咖 一= = ，i m p ，l y 跏h阳| t 、“ 则毒2 一军( v 慨) w 肌e 。) 葺一，8 1 w j , f ( ”e t j ) 石 设隐节点误差 4 = 厂( n e t ) 4 ， 则 鼍一啄l 由公式2 5 ，可得。一可毒2 叩t 葺 由公式2 6 ，可得( t + 1 ) = ( 七) + = ( t ) + 叩口石 阈值的调整方法类似于权值，在此就不再累述了。 2 、b p 算法的不足和改进方法 b p 网络是应用最为广泛的网络，但b p 算法也存在一些不足之处， 2 0 停车诱导系统中信息预测的研究与实现第二章相关技术介绍 对b p 网络有非常大的影响。 1 ) 收敛速度问题 b p 算法最大的弱点是它的训练很难掌握。算法的训练速度非常慢， 尤其是当网络的训练达到一定的程度后，其收敛速度可能会下降到令人 难以忍受的地步，更严重的是，训练有时是发散的。针对收敛速度慢的 问题，有人提出了在多层网络中增加高阶项的方法以提高网络的性能等。 2 ) 局部极小点问题 b p 算法是以误差函数梯度下降法进行收敛，从理论上看，其训练是 沿着误差曲面的斜面向下逼近的。但实际问题的求解空间往往是复杂的 多维空间中的曲面，存在着许多局部极小点。在网络的训练过程中，一 旦陷入了这样的局部极小点，用目前的算法是很难逃离出来的。当局部 极小点产生时，b p 算法所求得的就不是问题的解，故b p 算法是不完备 的。所谓算法的完备性是指，若问题有解，则运用算法就一定能求得解。 因此，一般来讲，对局部极小点采用“躲开”的办法不总是有效的。 较好的方法是当网络掉进局部极小点时，能使它逃离该局部极小点，而 向全局极小点继续前进。w a s s e r m a n 在1 9 8 6 年提出、将c a u c h y 训练与 b p 算法结合起来，可以保证在训练速度不被降低的情况下找到全局极小 点。 3 ) 网络瘫痪问题 在训练过程中，权可能变得很大，这会使神经元的网络输入变得很 大，从而又使得其激活函数在此点上的取得值很小，此时的训练步长会 变得非常小，进而导致训练速度降得非常低，最终导致网络停止收敛。 这种现象叫做网络瘫痪。因此，在对网络的连接权矩阵进行初始化时， 要用不同的小伪随机数。 4 ) 稳定性问题 b p 算法必须将整个训练集一次提交给网络，再对它进行连接权的调 停印诱导系统中信息顶测的研究与实现 整，如果网络遇到的是一个连续变化的环境，它将变成无效的。当有新 样例加入时，将会影响到已学习过的样例，而且要求刻画每个输入样例 的特征数目相同。 5 、步长问题 b p 网络的收敛速度是基于无穷小的权修改量，而这个无穷小的权修 改量预示着需要无穷的训练时间，这显然是不行的。因此，必须适当地 控制权修改量的大小。 如果步长太小，收敛速度就非常慢。如果步长太大，可能会导致网 络的瘫痪和不稳定。较好的解决办法是设计一个自适应步长，使得权修 改量能随着网络的训练而不断变化。一般来说，在训练的初期，权修改 量可以大一些，到了训练的后期，权修改量可以小一些。1 9 8 8 年， w a s s e r m a n 曾经提出过一个自适应步长算法，该算法可以在训练的过程中 自动地调整步长。 一 2 3 本章小结 本章首先介绍了时间序列预测的基本理论知识，分别介绍了三种不 同类别的时间序列方法，即传统时间序列预测方法、非线性时间序列预 测方法和b p 神经网络时间序列预测方法。并分别论述了各自的特点及适 用场合。结合本文研究内容，再进一步研究了b p 神经网络技术，包括 b p 网络模型结构、b p 网络学习过程、b p 算法和算法的公式推导，最后 概括了b p 算法存在的不足和改进方向。 停车诱导系统中信息颅测的研究1 0 实现第三章停车诱导竹息预撤了系统的堤汁 第三章停车诱导信息预报子系统的设计 3 1p g s 的结构设计 停车诱导系统处理的数据量大，对安全的要求高。因而本系统设计 采用c s 结构，将通信、电子、计算机、网络等综合应用于城市停车的 管理，实现停车管理的信息化和智能化。 本文p g s 的结构划分为五个部分，分别是信息采集子系统、信息预报 子系统、信息诱导子系统、信息监控子系统和信息维护子系鲥”】。p g s 各子系统之间的关系如图3 1 所示。 心吣形 朗 ! = 夕一 幽3 ip g s 的构成 其中，信息采集子系统分别运行在不同的停车场采集端，而其他