[发明专利]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

说明书

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。

技术领域

本发明属于城市停车设施规划技术领域，具体涉及一种基于MRA-BAS-BP算法的城市商办综合体建筑停车需求预测方法。

背景技术

近年来，城市机动化进程快速加快，随之而来的是机动车高拥有率、高增长率、高使用率的“三高”问题日益突出，日益加深的停车供需矛盾已成为城市重点关注的“热点”与“焦点”。随着城区土地利用的集约与多元化发展，出现了一种集聚商业、办公类业态的城市综合体，此类建筑交通吸引能力强、停车需求旺盛，合理地解决城市商办综合体建筑停车设施配建问题是缓解日益加剧的停车矛盾、缓解城市交通拥堵的重要课题。停车需求预测是制订建筑停车配建指标的核心路径、基本手段，因此开展对商办综合体的停车需求预测研究现实意义重大。

传统的停车需求预测一般采用单一的多元回归分析(MRA,Multiple RegressionAnalysis)等模型，由于停车需求的影响因素包含线性与非线性的混合特征，利用单一MRA模型很难精准控制和准确预测结果。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足提供一种基于MRA-BAS-BP算法的城市商办综合体建筑停车需求预测方法，具体是一种基于多元回归分析(MRA，Multiple Regression Analysis)模型、天牛须搜索(BAS，Beetle Antennae Search)算法、BP神经网络的组合算法在城市商办综合体建筑停车需求预测的应用，本基于MRA-BAS-BP算法的城市商办综合体建筑停车需求预测方法通过MRA模型、天牛须搜索算法、BP神经网络的组合算法进行停车需求预测，提升了模型整体的鲁棒性与精准度，提高预测的精准度与效率。

为实现上述技术目的，本发明采取的技术方案为：

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，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ε_i；

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ε_i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ζ_i，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ζ_i对商办综合体建筑停车需求预测回归MRA模型进行修正。