典型文献
基于LightGBM-SVR-LSTM的停车区车位预测
文献摘要：
停车难和交通拥堵现象愈演愈烈,提前告知驾驶员未来一段时间空车位数量,可以减少其寻找有效车位的时间,进而够缓解拥堵情况.基于此,提出了一种基于LightGBM-SVR-LSTM的停车区剩余车位预测模型.首先,通过数据预处理,尽可能保留原始数据特征的基础上,修复部分噪声数据;其次,将修复的数据放入轻量级梯度提升机(light gradient boosting ma-chine,LightGBM),提取叶子节点的值作为新的特征,并将其放入支持向量回归模型(support vector regression,SVR)进行预测;然后,利用长短时记忆神经网络(long short-term memory neural network,LSTM)进行误差修复.最后,选取某停车区数据,利用均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均百分比误差(mean absolute percent-age error,MAPE)进行预测效果验证.结果表明:在正常条件和节假日期间,所提出的组合模型精度均有提升,具有一定的鲁棒性.
文献关键词：
停车区;数据清洗;剩余车位预测;组合模型
中图分类号：
作者姓名：
杨培红;哈元元;余智鑫;赵建东
作者机构：
青海省高速公路运营管理有限公司,西宁810008;北京交科公路勘察设计研究院有限公司,北京100083;北京交通大学交通运输学院, 北京100044
文献出处：
引用格式：
[1]杨培红;哈元元;余智鑫;赵建东-.基于LightGBM-SVR-LSTM的停车区车位预测)[J].科学技术与工程,2022(20):8954-8959
A类：
剩余车位预测
B类：
LightGBM,SVR,停车区,停车难,交通拥堵,愈演愈烈,告知,驾驶员,空车,数据预处理,原始数据,数据特征,复部,噪声数据,放入,轻量级梯度提升机,light,gradient,boosting,ma,chine,叶子,支持向量回归模型,support,vector,regression,长短时记忆神经网络,long,short,term,memory,neural,network,root,mean,square,error,RMSE,平均绝对误差,absolute,MAE,percent,age,MAPE,效果验证,节假日,组合模型,模型精度,数据清洗
AB值：
0.430579
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
