目录
摘 要 I
ABSTRACT II
第一章 文献综述 1
1 研究背景与意义 1
2 国内外研究现状 2
2.1 国外研究现状 2
2.2 国内研究现状 2
3 本文主要研究内容及文章结构安排 3
3.1 主要研究内容 3
3.2 文章结构安排 3
第二章 论文相关理论介绍 4
1 时间序列的预测方法 4
1.1 时间序列的基本概念 4
1.2 时间序列常用的分析法 4
1.3 时间序列预测模型的评价指标 6
2 循环神经网络相关理论 7
2.1 循环神经网络的原理和结构 7
2.2 循环神经网络的反向传播 8
3 集成学习 9
3.1 集成学习的概念 9
3.2 Boosting算法 10
3.3 Bagging算法 11
3.4 集成学习的结合策略 11
4 本章小结 12
第三章 停车预测算法的建模 13
1 LSTM神经网络算法建模 13
2 GRU神经网络的算法建模 14
3 本章小结 16
第四章 仿真实验 17
1 实验设计 17
2 实验流程 17
2.1 数据处理 17
2.2 模型编程 19
2.3 评价指标 19
2.4 超参数的选择 19
2.5 模型的训练 19
2.6 结果对比 19
3 本章小节 22
第五章 总结与展望 23
1 研究总结 23
2 未来展望 23
参考文献 24
附 录 26
致 谢 30
基于GRU模型的旅游景区停车需求预测研究
摘 要
随着我国的经济的飞速发展，社会财富的增长，人们的物质生活也变得十分丰富；人们开始追求精神生活。为了出行 *51今日免费论文网|www.51jrft.com +Q: ^351916072# 
方便，人们更多的是驾驶私家车出行旅游，这使得景区的停车压力增加了不少，特别是在节假日人员出行密集时，许多地方的交通流量增加至平时的数倍乃至数十倍。这种集中性的交通流量增加，对景区的停车能力是一种极大的考验。每当此时几乎所有景区都会面临停车难的问题影响人们的出行效率和出行心情，要解决此类问题，可以通过算法预测空闲停车位数量，引导司机将车驶向空闲停车位多的停车场，更加有利于解决停车难问题。为了解决上述问题，笔者从时间序列预测的角度出发，提出了一种基于GRU结构的循环神经网络与集成学习的策略结合的算法，首先通过收集景区停车场数据，然后对模型进行建模，利用数据训练出多个不同参数的GRU模型，最后利用集成学习的策略优化模型，提高模型的预测精度，并于LSTM模型的预测进行对比。总结出GRU模型具有预测精度相对较高、训练速度快、损失函数下降与收敛都较快、稳定性高的特点，能够更好的实现有效的引导司机将车驶向空闲停车位更多的停车场。

原文链接：http://www.jxszl.com/jtgc/jjtys/610112.html