英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
译文
利用物联网和基于传感器的模型提高智慧城市的停车可用性预测模型
摘要
智慧城市是科技进步的一部分，为居民提供更好的生活质量。城市流动性是智慧城市的重要特征。由于这些城市的机动车数量越来越多，城市交通拥堵也越来越普遍。此外，即使是在停车场，要找到停车的地方也不是件容易的事。研究表明，寻找停车位的司机对交通拥堵的影响高达30%。在这种情况下，有必要预测在他们想要停车的停车场中可供司机停车的车位。本文提出一种将物联网与基于集成方法的预测模型相结合的新系统，以优化智能停车场车位可用性预测。我们对伯明翰停车数据集进行的测试允许使用Bagging回归算法使平均绝对误差(MAE)达到0.069%。该结果在显著降低系统复杂度的同时，将现有的最佳性能提高了6.6%以上。
关键词
智慧城市
停车可用性
物联网
回归
整体模型
1.介绍
城市人口的持续增长和农村人口的大量外流推动了城市资源的最优化配置。在这方面，城市参与者的意愿和信息通信技术(information and communication technologies，ICT)的进步催生了“智慧城市”(Belissent, 2010)。智慧城市的出现是一个日益增长的全球趋势。智慧城市的目标是整合信息和通信技术解决方案，以改善其公民的生活质量及其与政府官员的互动。因此，交通和城市流动性是城市发展的主要问题之一。面对日益增长的停车位需求，尤其是与城市交通、交通和停车系统的容量限制相关的停车位需求，面临着可持续交通的诸多挑战。典型的智慧城市实例之一是公共交通应用程序的使用和为用户提供定制的信息例程。对于这些应用程序的设计(通常支持移动设备)，用户必须提供有价值的信息以优化其行动。同时，运输公司被迫提高服务质量，以应对智慧城市交通的挑战。
智慧城市中的城市流动性突出了几个与可持续发展相关的问题，其目的是使智能城市更具吸引力、更生态、更经济，同时加强社会联系。目前，一些智能工具通过报告交通堵塞、交通事故甚至路况来帮助司机(Tang and Gao, 2005;De Fabritiis et al.，2008)。与不稳定性的公共交通出行相比，越来越多的个人出行方式加剧了城市流动性的增加。这种城市流动性的增长导致了大量的车辆在面对可持续发展问题时，使得交通甚至停车变得更加困难(Jin et al.， 2014)。这直接影响了司机的活动，使其浪费时间去寻找可用的停车位，扰乱城市交通流量，增加城市的污染。根据(Zheng et al.，2015)，30%的交通拥堵是由寻找停车位造成的。在这种情况下，提前知道可用的停车位可以克服这个问题。机器学习技术将是高精度预测这种可用性的最佳工具 (Zantalis et al.，2019;Camero et al.，2018)。
文献中已经提出了不同的机器学习应用来预测停车位，这些研究在收集的数据类型和用来分析数据的方法上有所不同。有些研究将捕获的图像作为实时数据(Xiang et al.，2017)，可与简单的传感器系统相媲美。深度学习等算法实时处理这些图像(Amato, 2017;Almeida et al.，2015;Bachani et al.，2016; Amato et al.，2016)为用户提供实时可用性。这些基于实时的模型已经存在几个缺点，即图像分析比较复杂。我们的系统通过引入物联网数据中心来进行数据收集、分析和处理来克服这一问题。我们的预测数据分析系统必须通过最新的数据不断地加强以调整和更新预测。作者(Stolfi et al.，2017;Camero et al. 2018)不得不通过非常复杂的算法来处理这类数据，这些算法通常专门用于图像处理(卷积神经网络“Convolutional Neural Network，CNN”)。简而言之，即使性能得到了改善，其仍然需要进行优化，不仅要考虑复杂性，还要考虑性能和执行时间。本文介绍了一种基于集成方法的模型，该模型能够克服上述问题。基本上，在这项工作中，笔者提出了一个以数据为中心的方法，旨在预测一个给定城市的停车位可用性。该系统采用机器学习技术，并集成了不同的物联网信息源(Internet of things，IoT)。模型测试的主要数据来源来自伯明翰市的停车场。对于预测，使用不同的回归技术来预测给定时间的停车场可用性。基于不同回归技术的预测因子得到的结果也大相径庭。
1.1．研究的贡献
本工作的主要贡献是:
在智能城市中集成基于物联网的系统，特别是在智能停车方面;
全球系统使用集成模型预测智能停车场的可用性;
针对智能停车场的可用率预测的不同传感器模型的优化;
本文其余部分组织如下:第2节阐述相关工作。第3部分将介绍物联网和预测分析智慧城市的挑战。第4节详细介绍了提议的方法。第5部分对所得结果进行了分析和讨论。最后，第6节对工作进行了总结。
2.相关工作
这部分是文献回顾，目的是通过阅读来澄清与停车领域相关的主要术语、概念和思潮。停车是一个很大的问题，为此，本节将重点讨论与本文具体目标相关的要素。
Seong-eun et al.(2008)将停车场管理系统分为两个子系统，车辆检测系统(vehicle detection system，VDS)和车辆管理系统(vehicle management system，VMS)。车辆检测系统检测停车位的状态，并将收集到的信息发送到车辆管理子系统以提供给司机。Kumar et al. (2007)提出了另一种智能停车场管理系统。Kumar et al. (2007)比较了不同类型传感器(声学、光传感器和磁传感器)在停车场管理中的使用。在有限的时间内，中央服务器接收来自不同类型传感器的信息。一些作者(Gandhi和Rao, 2016)开发了使用传感器电路、RFID和物联网来检测汽车细节的模型，然后使用IR传感器来发现汽车的存在，从而通过物联网远程监控车位。Pawowicz et al.(2019)也使用基于RFID的技术来改善智慧城市的交通控制管理，但预测问题仍然存在。在Giuffr et al.(2012)中，作者提出了一种智能停车系统，称为智能停车助手(Intelligent parking Assistant, IPA)。该系统主要依赖于传感器网络在智能停车管理中的应用。然而，这项工作没有考虑到机器学习算法和物联网的优势。
Alkheder et al.(2016)为阿布扎比市的购物中心介绍了一种智能停车系统，尤其是在周末、节假日甚至工作日。在这篇文章(Rajabioun and Ioannou, 2015)中，作者创造了一个自回归模型时空向量，该模型可以用来预测驾驶员预期到达时间内街道和街道外停车场可用性的演变。该项目考虑了停车可用性的时间相关性以及空间相关性，用来推荐最有可能的停车位。研究人员使用来自旧金山地区的实时停车数据来评估结果并验证模型。Bachani et al.(2016)全面分析了智能停车系统设计的关键方面，即传感器的选择及其部署的最佳位置，以进行准确的检测。
Amato(2017)提出了一种基于计算机视觉的智能停车系统，使用深度学习来确定停车场的可用空间。该系统与PKLot (Almeida et al.， 2015)和CNRPark-EXT (Amato et al.， 2016)中使用的两种方法进行了比较。Xiang et al.(2017)提出了一种使用Haar-AdaBoosting和CNN算法检测加油站实时车位占用情况的方法。另一个关于深度学习关注点的案例研究(Shoeibi和Shoeibi, 2019)，其在智能停车场中引入了一种基于混合机器人泊车员的自动泊车系统，并使用深度Q-Learning作为一种强化学习方法来帮助优化停车位的使用。Mago and Kumar, 2018提出了一种基于先进视频处理技术优化停车管理系统的设计模型，该模型将有助于将车辆分配到入口处空闲的的室外停车位。该方法允许实时听写，这与预测分析的目标相去甚远，预测分析的目的是预测实时。Camero et al.(2018)提出了一种基于深度学习和递归神经网络的新技术来处理车位占用率预测。Stolfi et al.(2017)也提出了对车位占用数据的研究，以检验多项预测策略，如多项式调整、傅立叶级数、k-均值分组和时间序列。不同作者建立的模型仍然有不足之处，没有考虑到物联网等新兴技术，这将会是其改进之处;这就导致了剩下的工作。
本文提出了一种新的停车场管理架构，一种新的方法来预测可用的停车位，结合了智慧城市、物联网和机器学习这三种在上述模型中被忽视的停车场管理架构。
3.关于智能城市的分析预测和物联网
3.1智慧城市的挑战
智慧城市是一个全新的概念，代表了城市发展的新途径。它促进了新的信息和通信技术(information and communications technology，ICT)在城市管理中的整合，以有效地满足市民的需求。因此，城市智能化的理念是提高服务质量和城市互动，同时最小化成本和资源。例如，智慧城市有助于改善市民、服务提供者和政府当局之间的关系。一般情况下，智慧城市依赖于图1所示的三种流:
物流:“智慧城市”中的物流与城市交通系统(urban traffic systems，UTS)相对应。
能源流:在城市地区，它们对应所有从生产源到经销商，然后到使用实体(车辆、家庭、公共照明、充电站等)的能源转移。
数据流:随着城市新技术的到来(智能手机、传感器网络、车辆、人口和建筑系统等)，来自不同应用的大量数据被存储起来，可以转化为知识。
智能城市可以通过物联网和智能交通系统(intelligent transport system，ITS)机制得到改善。的确，物联网和智能交通系统可以为智慧城市居民提供有价值的实时信息。例如，在图2中所展示的智能城市中ITS所提供的各种服务。这些服务很多都与智能停车问题有关，从而对物联网和预测分析提出了挑战。
3.2关于智能停车的预测分析和物联网
物联网(Internet of things，IoT)正在加速交通领域的创新步伐，特别是在智能停车和城市交通方面。如今，许多智能停车场都配备了联网系统，允许司机查看智能手机应用程序、设定方向、使用路边援助、远程开门以及定位免费停车位。因此，物联网也将为汽车行业带来现代人还没有丝毫概念的新奇事物。然而，任何新技术都会面临新的挑战，包括:技术复杂性、安全性、隐私、数据管理和分析(Arasteh et al.， 2016;Mainetti et al.，2015;Kubler et al.，2016)。
物联网将产生更多的数据，增加我们企业信息管理系统的复杂性。的确，诸如智能停车系统等功能齐全的物联网系统可以生成大量数据。这些所谓的物联网数据中心专注于数据流的所有方面，包括收集、处理、存储和可视化(Jin et al.， 2014)。
图1：智慧城市组成
图2：ITS提供的服务类型
海量数据对这些数据的收集、处理、存储、管理和操作提出了挑战。需要使用先进的扫描技术，从连接的仪器产生的数据中提供相关信息。它还将为优化业务流程提供新的机会，为电子政务、供应链和城市交通管理提供新功能。如果数据捕获、分析和交付是在基于云的系统中完成的，那么数据捕获和分析的效率将是最高的。以智能停车场自动管理系统为例。在下一节中，笔者将提出基于模块的模型来优化智能停车场的空间可用性预测(Arasteh et al.，2016;(Mainetti et al.，2015)。
4.方法
4.1智能停车系统模型
智能停车系统利用检测装置来确定停车位的占用率。协助司机安全泊车，并透过适当的车辆管理，通知司机泊车位可供使用。得益于智能技术，优化后的停车场可以直达市中心。一个传感器系统已经在多层停车场成功地测试过，该系统可以指示司机最近的免费停车位在哪里。街道测试正在进行中。在旧金山，CA, 6000个传感器已经嵌入到沥青中，并与一个应用程序和GPS一起工作(Lin et al.，2017;Rodier和Shaheen, 2010)。一个先进的智能停车系统架构需要具备以下要素:
1)传感器;
2)网关硬件;
3)服务器/云;
4)移动应用程序。
如图3所示。
图3：智能停车系统
4.2关于基于模块的模型
基于传感器的预测方法结合了在大多数情况下是决策树或神经网络的几个独立的基本模型。这些基本模型中的每一个都提供了一种替代方案，对问题的预测和最终预测是对备选预测的组合(通常通过加权或非加权投票)。
预测技术通过将一组单独的基本模型的预测组合在一起，通常可以实现更稳定、更准确的输出预测，因为其误差远远小于构成整个模型的单个基本模型所提供的误差。实际上，最终的基于模块的模型纠正了基本模型各自产生的错误，从而大大降低了总错误。基本模型要有效，必须满足两个条件，即独立模型和弱模型。
最初的想法是将训练数据D分成n个基本数据，训练n个模型。但是该假设很快就被否决了，因为当n变大时，它会导致拟合不足。为了克服这一限制，可以将训练数据重新采样到n个独立且较大的数据子样本中，生成弱模型。为了做到这一点，采用了各种各样的技术，其中最常用的是:装袋和增强。
因此，这些条件下最有利的算法是不稳定的算法，如决策树和神经网络，在数据集中对其进行轻微的修改就可以获得不同的模型。图5给出了基于集的模型的预测系统的流程图。在接下来的部分中，将介绍笔者的基本模型，即决策树，然后是抽样的两种技术(装袋和增强)，最后是三种集合模型，即随机树回归、梯度增强回归和
资料编号：[425648]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
