基于大数据的可用停车位预测方法研究开题报告

2020-04-15 20:30:21

1. 研究目的与意义（文献综述）

随着城市经济的不断发展，人民生活水平普遍提高，居民出行需求急剧增长，城市居民机动车拥有量和使用量大幅增长，这导致了交通的严重拥堵，同时，停车位的短缺问题逐渐成为城市交通的难题，在城市中心区域尤为突出。

为了缓解机动车停车位供应与需求间的不平衡，进一步发展并完善高效快捷的城市智能交通体系，改善越发突出的城市交通出行困难的现状，城市智能交通引入了智能停车引导系统。

它以提高停车场以及相邻道路的利用率为目的，在手机软件上向机动车驾驶员提供指定停车场的行车道路和可用停车位（available parking space，aps）信息，从而引导驾驶员快速、高效地找到可用停车位。

剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

2. 研究的基本内容与方案

一、基本内容

1、学习深度神经网络原理

lstm神经网络最早由hochreiter提出，并由graves进行改进，是基于rnn的一种完善。

rnn存在这样一个问题：对于标准的rnn架构来说，在实践中可联系的“上下文”十分有限，较远时刻的“记忆”对于输出的影响要么衰减的很小，要么呈指数爆炸增长，这个问题通常被称为“梯度消亡问题”。

而lstm神经网络则是一种用于解决梯度消亡现象的改进型rnn。

剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

3. 研究计划与安排

2018.01.16——2018.03.05 阅读相关文献，调研，完成开题报告

2018.03.06——2018.05.06 算法实现及完成实验

2018.05.07——2018.05.22 撰写毕业设计论文

剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

4. 参考文献（12篇以上）

[1] eleni i. vlahogianni, john c. golias, matthew g. karlaftis. short‐termtraffic forecasting: overview of objectives and methods[j]. transport reviews,2004, 24(5):533-557.

[2] burns m r, faurot d j. an econometric forecasting model of revenuesfrom urban parking facilities[j]. journal of economics amp; business, 1992,44(2):143-150.

[3] dunning a e. method and system for projecting dynamic parkingavailability based on an ongoing survey for remote lots with high demand: us,us 7049979 b2[p]. 2006.

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

注册

找回密码