基于WOA-XGBoost的空闲停车位短期预测方法_宋瑞.pdf

第 42 卷第 3 期重 庆 交 通 大 学 学 报(自 然 科 学 版)Vol 42No32023 年 3 月JOUNAL OF CHONGQING JIAOTONG UNIVESITY(NATUAL SCIENCE)Mar 2023DOI:103969/jissn1674-069620230312基于 WOA-XGBoost 的空闲停车位短期预测方法宋瑞，程子龙，赵日鑫(北京交通大学 综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044)摘要:为了提高空闲停车位短期预测的准确性，基于停车场空闲停车位数据特性，提出了一种基于鲸鱼优化算法(WOA)和极限梯度提升算法(XGBoost)的组合预测模型。首先对空闲停车位的随机性进行分析，同时采用奇异谱分析(SSA)对原始数据进行解构和重构，从而对实现原始数据主要成分的提取以及噪声的剔除;其次采用鲸鱼优化算法实现对 XGBoost 预测模型的主要参数进行寻优，找到全局最优参数;最后通过实例对提出的预测模型的准确性进行了验证。实验结果表明:实现参数优化的 XGBoost 预测模型具有较高的预测精度以及稳定性。关键词:交通运输工程;空闲停车位预测;奇异谱分析;鲸鱼优化算法;XGBoost中图分类号:U4911文献标志码:A文章编号:1674-0696(2023)03-084-06Short-Term Prediction Method of Parking Space Based on WOA-XGBoostSONG ui，CHENG Zilong，ZHAO ixin(Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport，Beijing Jiaotong University，Beijing 100044，China)Abstract:In order to improve the accuracy of short-term prediction of parking space，based on the data characteristics offree parking space in parking lots，a combined prediction model combined whale optimization algorithm(WOA)andextreme gradient boosting algorithm(XGBoost)was proposed Firstly，the randomness of the data of free parking space wasanalyzed，and the singular spectrum analysis(SSA)was used to deconstruct and reconstruct the original data，so as toextract the main components of the original data and eliminate the noise Secondly，the whale optimization algorithm wasused to optimize the main parameters of XGBoost prediction model and find the global optimal parameters Finally，theaccuracy of the proposed prediction model was verified by an example The test results show that the WOA-XGBoostprediction model that optimizes parameters has higher prediction accuracy and stabilityKey words:traffic and transportation engineering;parking space prediction;singular spectrum analysis;whale optimizationalgorithm;XGBoost0引言随着国内物质水平的不断提升，各个城市均呈现出机动车保有量持续增长的趋势，随之暴露出的便是城市“停车难”问题。由于国内各个城市智慧停车场建设尚未完善，驾驶者在停车过程中表现出获取信息不对称等问题，以致于造成大量机动车在城市道路中“巡游”，造成城市道路拥堵的同时导致大量尾气排放，污染城市环境。对于一些大型停车场来说，停车位信息是不断变化的，仅仅提供停车位的实时信息，会忽略驾驶者在行驶过程中停车位数量的变化情况，不能保证驾驶员到达停车场时可以找到空闲停车位，很容易造成驾驶员“跑空”的尴尬情形，导致大量无效交通的产生。尤其是驾驶员在行驶过程中遇到中心城区拥堵现象的发生，则会进一步加剧获取信息的不对称性。实现停车场空闲停收稿日期:2021-11-19;修订日期:2022-01-16基金项目:国家自然科学基金资助项目(62076023)第一作者:宋瑞(1971)，女，山西太原人，教授，博士，主要从事交通运输规划与管理方面的研究。E-mail:rsong bjtueducn通信作者:程子龙(1997)，男，河北保定人，硕士研究生，主要从事交通运输规划与管理方面的研究。E-mail:20120782 bjtueducn车位的短期预测，为驾驶者提供全面的停车位信息可以缓解驾驶者获取信息不对称问题，进一步提高停车诱导成功率，改善城市停车难问题。由于受到停车场类型、天气、道路交通情况、驾驶员行为以及采集过程中的干扰等多种因素影响，停车位数据构成的时间序列会表现出较高的复杂性和随机性。对此，国内外学者针对停车位短期预测提出了多种预测模型，笔者将其主要分为两种。一种是以模型驱动为主的预测模型1-3，主要是针对停车过程建立基本模型并通过标定参数进行空闲停车位的短期预测。另一种是以数据驱动为主的预测模型，包括基于数理统计和机器学习的方法建立模型进行预测，如 JI Yanjie 等4 采用三层小波神经网络对停车场内短期停车位可用率进行预测;肖雪5 通过聚类分析停车数据获取车辆到达和离开的规律，采用马尔可夫生死过程建立模型进行预测，同时利用粒子群优化 LSTM(long short-term memory)对停车需求进行了预测;章伟6 提出了傅里叶变换-最小二乘支持向量回归的多步预测方法，进一步提高了预测精度;AKLAPPENECKE 等7 通过连续时间的马尔科夫链进行建模对停车位进行预测，这种方法简单快捷，但是鲁棒性较差，预测结果有时存在较大误差。这些模型中神经网络模型具有较强的容错性，但训练速度有待提高。目前集成算法在各类数据科学竞赛以及不同领域预测方面得到广泛应用。相比传统的神经网络，集成算法拥有更快的训练速度，预测准确率也有较大 的 提 升。其 中，XGBoost(extremegradientboosting)是一种基于 Boosting 集成思想的集成算法，具有高效、灵活、便捷的特点。XGBoost 将决策树作为弱学习器，并通过集成多个弱学习器从而获得更好的预测结果，具有速度快、表现好的优越性。付宇等8 对北京轨道 AFC 数据进行处理并采用 XGBoost预测模型对轨道交通站点进出客流量进行预测;陈剑强等9 采用 XGBoost 模型实现电网负荷短期预测，并通过对比证明了所提模型具有更高的准确性。通过总结发现，相比单一预测模型，通过智能优化算法实现超参数寻优的组合预测模型具有更高的预测精度。其中，鲸鱼优化算法是一种新型启发式算法，具有收敛速度快，全局寻优等特点。对此，笔者首先对空闲停车位数据进行预处理，然后引入 XGBoost算法并结合鲸鱼优化算法实现初始参数的寻优，构建组合预测模型，最后通过实例验证所提模型的有效性。1数据分析及预处理文中所用数据为英国伯明翰城市停车场数据，该数据集采集时间为 2016 年 11 月 1 日2016 年11 月 30 日，如图 1。首先需要对停车场空闲停车位数量变化的随机性进行分析以及预处理操作。总体而言，该数据集整体变化趋势大致相同。图 12016 年 11 月 1 日11 月 7 日空闲停车位数据Fig 1Data of free parking space from November 1 toNovember 7，201611随机性分析停车场空闲停车位数据在采集过程中会受到多种随机因素的干扰，造成数据的剧烈变化。对此笔者采用波动率来更好地描述空闲停车位数据的随机性，如图 2。假设时间序列为 XN，则某一时间点数据的波动率 vk=(Xk+1Xk)/Xk，k=1，2，N1，其中 N 为数据总长度，k 为对应的序号。图 2空闲停车位数量序列波动率Fig 2Fluctuation rate of the number of free parking space12奇异谱分析由图 2 可知，该数据具有很强的波动性且波动规律性较弱，存在较大的噪声干扰。对比小波分析，奇异谱分析可以更好地的提取数据的有用信息剔除噪声数据10。笔者将采用奇异谱分析实现对数据的预处理。奇异谱分析结合了线性代数、多元统计、动力系统、信号处理等传统时间序列分析方法。在58第 3 期宋瑞，等:基于 WOA-XGBoost 的空闲停车位短期预测方法对非线性时间序列进行处理时，奇异谱分析根据原始时间序列构造轨迹矩阵，并对轨迹矩阵进行分解和重构，从而实现对原始时间序列不同成分的提取以及噪声的剔除。首先，对原始时间序列进行轨迹矩阵的构造，选择合适的窗口长度 M，采用滑动窗口的方式进行等间隔采样，将原始时间序列进行滞后排列，从而得到原始时间序列的轨迹矩阵。假设原始时间序列为X=X1，X2，XN，其中 N 为原始时间序列长度。M 为给定窗口长度，取值范围为 1MN/2。由此可得出 L=NM+1，则轨迹矩阵 Y 为 ML 的矩阵:Y=(Xij)M，Li，j=1=X1X2XLX2X3XL+1XMXM+1XN (1)其次，对轨迹矩阵 Y 进行奇异值分解和分组。最后通过对角平均化可以将分组得到的矩阵转化为一系列长度为 N 的新序列，可根据贡献率选择贡献大的成分序列进行重构从而达到原始序列降噪的目的。笔者采用后验的方法，设置窗口长度为 256，提取前 14 个主成分，对停车场数据进行重构，重构序列如图 3。图 3停车场数据 SSA 处理结果Fig 3Parking lot data SSA processing results2预测模型的提出21鲸鱼优化算法鲸鱼 优 化 算 法(whale optimization algorithm，WOA)是由 SMIJALILI 等11 于 2016 年提出的一种启发式优化算法，通过模拟座头鲸狩猎行为找寻问题最优解，具有调整参数少、全局搜索能力强、操作简单的特点。笔者将其应用于 XGBoost 超参数的寻优。鲸鱼优化通过随机选择的鲸鱼位置来更新其他鲸鱼的位置，避免陷入局部最优，从而实现全局最优搜索。x(t)为鲸鱼当前位置;t 为当前迭代次数，通过系数 A 实现全局寻优，其数学模型如式(2):x(t+1)=xrandD1D1=|cxrandx(t)|A=2ar1ac=2ar2a=22t/Tmax(2)式中:xrand为群体中随机选择的鲸鱼位置;A 和 c 为系数;r1，r2为 0，1中的随机数;Tmax为最大迭代次数。在包围猎物过程中，WOA 算法将会假定当前的最佳候选解是目标猎物或接近最优解，然后其他鲸鱼个体会朝着最优位置更新位置，数学模型如式(3):x(t+1)=x*(t)AD2D2=|cx*(t)x(t)|(3)式中:x*(t)表示当前最优解。同时座头鲸在狩猎过程中会在一个缩小的圆圈内绕着猎物游动，同时螺旋式靠近猎物。为了更好地表达这一行为，通过设置概率系数 p，当 p05时，采用螺旋式更新位置，反之采用包围式更新位置，数学模型如式(4)、式(5):x(t+1)=x*(t)+D3eblcos(2l)D3=|x*(t)x(t)|(4)x(t+1)=x*(t)AD2，ppix*(t)+D3eblcos(2l)，ppi(5)式中:b=1;l 1，1;pi取值为 05。22XGBoost 算法XGBoost 算法是一种基于 Boosting 集成思想的算法，使用了一阶偏导和二阶偏导。二阶导数的应用有利于梯度下降得更快更准。同时为了防止模型过拟合，XGBoost 在目标函数中加入了正则项，用于控制模型的复杂度。其目标函数定义如式(6)、式(7):O=ni=1l(yi，y)i)+ti=1(fi)(6)y)i=ni=1ft(si)，ft()F(7)式中:si为第 i 个样本;y)i为第 i 个样本的预测值;yi为第 i 个样本的真实值;ft(si)为第 i 个样本的第 t 个回归树建立的回归方程;F 为所有回归树的集合;(fi)为正则化项。最后通过泰勒展开公式获得最终目标函数如式(8):68重 庆 交 通 大 学 学 报(自 然 科 学 版)第 42 卷O=nt=1gift(si)+12hif2t(si)+(fi)(8)式中:gift(si)为 y)t1i的一阶偏导;12hif2t(si)为 y)t1i的二阶偏导。23WOA-XGBoost 模型预测流程笔者将通过鲸鱼优化算法实现对 XGBoost 模型中树的深度、学习率、子模型数量进行参数寻优，进一步提高模型精度。其中适应度函数采用模型训练的均方根误差进行计算。首先，确定 XGBoost 模型拓扑结构，确定寻优参数。其次，初始化种群，计算每个个体的适应度值，不断进行位置更新。最终，记录最优个体适 应 度 值 以 及 位 置 并 将 其 传 输 至XGBoost 模型，对模型进行训练获得最终预测模型。具体流程如图 4。图 4WOA-XGBoost 流程Fig 4The process of WOA-XGBoost3实例验证31数据来源及参数设置选取英国伯明翰城市停车场数据 2016 年 11 月1 日11 月 29 日的数据作为训练集，11 月 30 日数据作为测试集，采用均方根误差等作为评价指标，用来验证模型的有效性。鲸鱼优化算法具有参数少、易操作的特点，对此笔者设置参数 b 为默认值 1，种群数量为 30，迭代次数为 50。由于只针对 XGBoost 模型的学习率、树的最大深度、生成的最大树数目进行寻优，故设置鲸鱼优化算法维度为 3。设置 XGBoost 模型初始树的最大深度为 5，学习率为 005，生成最大树的数目为100，测试集预测结果的 EMS=7753，在此基础上可通过优化算法求得最优超参数，进一步提高预测精度。在实现对 XGBoost 模型参数寻优的过程中需对参数的范围进行界定，设置参数范围:max_depth 3，50，learing_rate 50，200，n_estimators 001，030。图 5 反映了随着迭代次数的增加鲸鱼优化算法适应度值的变化情况。从图 5 可以看出，鲸鱼优化算法在一开始便找到了相对较好的参数组合，相较于默认参数情况下均方根误差为 7753，初始均方根误差为 5094，效果较明显。同时算法具有较快的收敛速度，在第 20 次迭代后，算法收敛，并找到最优参数组合为 7，0279，140，均方根误差为 4310。78第 3 期宋瑞，等:基于 WOA-XGBoost 的空闲停车位短期预测方法图 5适应度曲线Fig 5The fitness curve32预测结果对比分析为了验证提出模型的有效性，笔者将提出的WOA-XGBoost 与默认参数情况下的 XGBoost 模型以及 WOA-SV 模型预测结果进行对比分析。其中BF 核函数具有较高的预测准确率，泛化能力较好12，故 SV 模型采用 BF 核函数。评价指标采用平均绝对误差 EMA、均方根误差 EMS、回归模型决定系数 2，如式(9)式(11)。EMA=1NNi=1|h(si)yi|(9)EMS=1NNi=1 h(si)yi2(10)2=Ni=1 h(si)yi2Ni=1(yi y)2(11)式中:h(si)为预测值;yi为实际值;y 为实际值的平均值。用上述模型分别对测试集进行预测，得到结果如表1 和表2，同时将各模型预测值与原始值进行对比，绘制曲线如图 6。通过表 1 和表 2 可知，3 种预测模型均表现良好，具有较好的拟合度，其中笔者提出的 WOA-XGBoost 预测方法具有较高的精度，平均绝对误差为 3164 辆、均方根误差为 4310 辆、2=0986。此外，相比其他预测模型，WOA-XGBoost 模型预测值拟合度较好，相对误差最大值为 3226%，最小值为0352%。通过对比 WOA-XGBoost 模型与 XGBoost模型预测结果可知，利用鲸鱼优化算法有利于找到全局最优的参数组合，从而在一定程度上降低了预测误差。通过对比 XGBoost 模型与 WOA-SV 预测结果可知，基于 Boosting 集成思想的 XGBoost 模型在停车场空闲停车位短期预测方面的可应用性丰富了停车位短期预测模型体系。同时对比 3 组预测结果，验证了 WOA-XGBoost 模型在停车场空闲停车位短期预测方面具有较好的预测结果，稳定性较好，进一步提高了预测的可靠性。表 1不同预测模型评价指标对比Table 1Comparison of evaluation indexes ofdifferent prediction models模型EMAEMS2XGBoost602577530954WOA-SV433370320962WOA-XGBoost316443100986图 6预测值对比Fig 6Comparison of the predicted values表 2空闲停车位部分预测值和真实值对比Table 2Comparison between some predicted values and real values of parking space时刻真实值/辆WOA-XGBoost预测值/辆相对误差/%XGBoost预测值/辆相对误差/%WOA-SV预测值/辆相对误差/%08:3027927032262664659270322609:0028428303522724225264704209:3027727603612683249260613710:0026026311542600000254230810:3023924316742442092238041888重 庆 交 通 大 学 学 报(自 然 科 学 版)第 42 卷4结论1)停车场空闲停车位数据在采集过程中可能会受到多种因素的影响，致使数据集具有很强的波动性。奇异谱分析可以更好地提取数据的有用信息，通过奇异谱分析对数据进行预处理，进一步提高数据集的可靠性。2)将集成算法引入到停车场空闲停车位短期预测当中，在此基础上采用鲸鱼优化算法实现对XGBoost 预测模型参数的优化，进一步降低人工设置参数的随机性以及提高整体预测精度。3)通过与其他预测模型进行对比，证明了笔者提出的组合预测模型具有较好的预测结果以及可靠性。综上所述，笔者提出的 WOA-XGBoost 组合预测模型在停车场空闲停车位短期预测方面具有较好的预测结果，可以为驾驶者提供全面的停车位信息，进一步提高诱导成功率，解决城市停车难问题。在未来研究中可以考虑不同停车影响因素对预测结果造成的影响，同时引进精英策略等对鲸鱼优化算法进行改进以提升搜索能力，提高组合预测模型的预测精度。参考文献(eferences):1CALISKAN M，BATHELS A，SCHEUEMANN B，et al Predictingparking lot occupancy in vehicular ad hoc networks C2007 IEEE65th Vehicular Technology Conference-VTC2007-Spring IEEE，2007 2CAICEDO F，BLAZQUEZ C，MIANDA P Prediction of parkingspace availability in real timeJ Expert Systems with Applications，2012，39(8):7281-7290 3MILLAD-BALL A，WEINBEGE ，HAMPSHIE C Isthe curb 80%full or 20%empty?Assessing the impacts of SanFranciscos parking pricing experimentJ Transportation esearchPart A:Policy and Practice，2014，63:76-924 JI Yanjie，GAO Liangpeng，CHEN Xiaoshi，et al Strategies formulti-step-ahead available parking spaces forecasting based onwavelet transform J Journal of Central South University 2017，24(6):1503-1512 5肖雪 路外停车需求长短时预测方法研究D 长春:吉林大学，2020XIAO Xue esearch on the Short-Term and Long-Term PredictionMethod of Off-Street Parking Demand D Changchun:JilinUniversity，2021 6章伟 城市停车场泊位多步预测方法及泊位预约策略优化研究D 杭州:浙江大学，2018ZHANG WeiUrban Parking Spaces Multi-step Prediction and Optimi-zation of Parking eservation Strategy D Hangzhou:ZhejiangUniversity，2018 7KLAPPENECKE A，LEE H，WELCH J L Finding available parkingspaces made easy J Ad Hoc Networks，2014，12(1):243-249 8付宇，翁剑成，钱慧敏，等 基于 XGBoost 算法的大型活动期间轨道进出站量预测 J 武汉理工大学学报:交通科学与工程版，2020，44(5):832-836FU Yu，WENG Jiancheng，QIAN Huimin，et al Prediction of metropassenger flow during large-scale activities based on XGBoost algorithm J Journal of Wuhan University of Technology(Transportation Science Engineering)，2020，44(5):832-836 9陈剑强，杨俊杰，楼志斌基于 XGBoost 算法的新型短期负荷预测模型研究J 电测与仪表，2019，56(21):23-29CHEN Jianqiang，YANG Junjie，LOU Zhibin A new short-term loadforecasting model based on XGBoost algorithm J ElectricalMeasurement Instrumentation，2019，56(21):23-29 10李丽敏，张明岳，温宗周，等基于奇异谱分析法和长短时记忆网络组合模型的滑坡位移预测J 信息与控制，2021，50(4):459-469，482LI Limin，ZHANG Mingyue，WEN Zongzhou et al Landslidedisplacement prediction based on singular spectrum analysis and acombined long short-term memory neural network modelJInformation and Control，2021，50(4):459-469，482 11MIJALILI S，LEWIS A The whale optimization algorithmJ Advances in Engineering Software，2016，95:51-67 12黄益绍，韩磊基于 S-IPSOSVM 的公交客流量预测方法J重庆交通大学学报(自然科学版)，2020，39(11):11-19HUNAG Yishao，HAN Lei Prediction method of bus passengerflow based on S-IPSOSVMJ Journal of Chongqing JiaotongUniversity(Natural Science)，2020，39(11):11-19(责任编辑:罗素琴)98第 3 期宋瑞，等:基于 WOA-XGBoost 的空闲停车位短期预测方法