申请/专利权人：南京林业大学

申请日：2021-08-27

公开（公告）日：2024-02-13

公开（公告）号：CN113705891B

主分类号：G06Q10/04

分类号：G06Q10/04;G08G1/14;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.02.13#授权;2021.12.14#实质审查的生效;2021.11.26#公开

摘要：本发明公开了一种基于MRA‑BAS‑BP算法的城市商办综合体建筑停车需求预测方法，首先是利用MRA模型对停车需求数据与停车需求影响因素数据进行回归分析，然后运用BAS优化下的BP神经网络算法对回归残差进行训练和分析，最后将训练完成的BAS‑BP神经网络残差值预测模型预测的残差值反馈至MRA模型并修正。最后将常用的MRA方法和本发明提出的MRA‑BAS‑BP神经网络组合算法进行对比，对比结果表明本发明可以提高城市商办综合体建筑停车需求的预测精度，可以对城市综合体建筑的停车配建规模提供更加科学的依据。

主权项：1.一种基于MRA-BAS-BP算法的城市商办综合体建筑停车需求预测方法，其特征在于：包括：步骤1：收集城市多个商办综合体建筑的停车需求数据与停车需求影响因素数据；步骤2：将步骤1收集的停车需求数据与停车需求影响因素数据作为MRA模型的训练样本，建立商办综合体建筑停车需求预测回归MRA模型，计算商办综合体建筑停车需求预测回归MRA模型预测出的停车需求数据与真实的停车需求数据之间的残差εi；步骤3：初始化天牛须算法和BP神经网络中的相关参数；步骤4：天牛须算法通过迭代更新获取BP神经网络的最优初始权值与阈值，建立BAS-BP神经网络残差值预测模型；步骤5：将原始停车需求影响因素数据作为BAS-BP神经网络残差值预测模型的输入值，残差εi作为BAS-BP神经网络残差值预测模型的输出值，进行训练与预测，并判断训练误差是否达到预设精度，若符合则输出预测残差结果ζi，得到训练完成的BAS-BP神经网络残差值预测模型，执行步骤6，否则返回步骤4重新进行迭代更新；步骤6：利用训练完成的BAS-BP神经网络残差值预测模型预测得到的残差ζi对商办综合体建筑停车需求预测回归MRA模型进行修正。

全文数据：

权利要求：

百度查询： 南京林业大学 基于MRA-BAS-BP算法的城市商办综合体建筑停车需求预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD