基于多指数决策的停车场选择模型研究

程晓荣 李紫君

(华北电力大学控制与计算机工程学院 河北 保定 071000)

基于多指数决策的停车场选择模型研究

程晓荣 李紫君*

(华北电力大学控制与计算机工程学院 河北 保定 071000)

为解决随机选择停车或根据某一单一影响因素选择停车的问题，设计了基于多指数决策的停车场选择模型。该模型以泊位指数、用户认可指数、费用指数、停车场等级指数为影响因素计算综合选择指数，以综合选择指数为选择目标停车场的唯一指标。根据仿真实验结果可知，该模型能够克服以往停车诱导系统根据单因素确定目标停车场的盲目性和片面性，提供最优停车场选择，还能根据不同侧重的需求推荐局部最优全局次优的选择，为用户提供全方位的推荐服务，因此，具有更大的适应性和可推广性。

泊位指数 用户认可指数 费用指数 停车场等级指数 综合选择指数

0 引 言

目前国内对智能泊车的研究主要集中在如何充分利用停车场和如何诱导停车用户到达某一停车场等[1-3]。而在停车场选择模型方面的研究还比较匮乏，所谓综合选择，即根据停车用户的不同需求，为用户提供全面且多样性的停车场诱导结果，减少根据用户主观认识或者单一诱导指标得出停车场推荐结果的盲目性和片面性，实现停车选择的最优结果。

在分析目前城市停车选择模型的普遍特征和前人研究成果的基础上，本文设计了基于多指数决策的停车场选择模型。Peter Bonsal等[4]对用户停车模型进行了模拟分析，陈峻等[5-6]提出了停车场理想服务半径不宜超过200 m的观点。上述模型参考指标比较单一，不能适应如今情况复杂、用户需求多种多样的实际停车状况。因此，本文提出的停车场选择模型，以综合选择指数为决定性指标，对泊位指数、用户认可指数[7]、费用指数、停车场等级指数进行分析与处理，通过模型计算可为用户提供最优停车选择方案。从而缓解城市停车分布不均的问题，进而提高整个城市的停车系统的效率[8-9]，甚至缓解因停车难造成的城市交通的压力。

1 停车场选择模型设计

1.1 本模型的几个基本假设

1) 客户与系统间的双向通信以及停车场与系统间的双向通信成立。即客户和系统间可以通过某种通信方式有效、实时地进行信息交互，并且交互的延时对系统影响可以忽略。

2) 停车场提供及时、完整、可靠的实时泊位信息，历史泊车信息以及停车价格信息。

3) 本系统需要得到及时、完整、可靠的城市道路拓扑信息，以及城市主要干道的交通实时状态信息和历史信息。

4) 客户、系统与停车场间的泊位剩余的计算的规则和费用支付约定是可信的。

1.2 模型影响因素算法设计

本文提出的停车场选择模型是基于多指数决策的，综合选择指数由多个影响因素指数决定，结合目前城市停车场实际使用状况，本文设计了泊位指数、用户认可指数、费用指数、停车场等级指数的实现算法。

泊位指数N：指对候选停车场泊车情况的评价指标，表示该停车场可提供泊位的情况。

Ni=β(T+hi)×pi

(1)

泊位预测通过泊位预测矩阵β(t)计算出当前具有几个泊位的停车场在时间T+hi时刻的停车场剩余泊位数。其中i为停车场索引号，T表示提出诱导请求的时刻，hi为从提出诱导请求到达第i个停车场的时间，β(t)为泊位预测矩阵，pi为第i个停车场当前可用泊位数。

用户认可指数ω：指用户从停车场到达目的地的认可程度评价指标。

(2)

用户心里认可指数：以目的地O为圆心，半径200 m以内的圆形区域内所有停车场入围候选停车场，计算αi=2/5×di；以目的地O为圆心，半径为200～500 m的环形区域内所有停车场入围候选停车场，计算αi=3/5×di；其中，di表示第i个停车场与目的地之间的距离。

费用指数ψ：指用户选择停车场时所需费用指标，包括：路途消耗费用和停车费用。

ψi=fi+Fi

(3)

停车费用由距离D的行驶费用F和停车费用f决定，其中F=t*×e，t*=D/(V×θ)，f=t×m，其中t根据文献[10]给出的数据决定。

其中，θ为道路状况指数，根据不同时刻的道路状况设定指数，表示实时道路状况。θ由历史道路信息和实时道路情况决定，同时，由于道路拥堵高峰期时，停车场也是停车高峰期，因此，本系统认为，θ同时决定道路状况和停车场泊位预测情况，则V×θ为当前时刻行驶速度。t*为当前距离到停车场时间，e为单位时间行驶花费，Di为当前位置到停车场距离，t为停车时间，m为单位时间停车费用。

停车场等级指数δ：对候选停车场的评价情况，由该停车场的历史停车用户进行评价和城市停车场管理系统测评而得，本系统中该指数由停车场管理平台提供，假设真实可靠。

(4)

综合选择指数ξ：对以上N、ω、ψ、δ四个指标进行综合评价，反映候选停车场的综合情况。

ξ=W·(Ni，ωi，ψi，δi)

(5)

其中各指标数均作规范化处理，均为无量纲值。W为个指标的权重，可以根据不同停车场经验决定。ξ越高则越满足顾客需求，本算法根据ξ值得大小进行停车场推荐。

1.3 停车场选择模型流程设计

本文设计的停车场选择模型，根据停车用户提出的停车请求进行计算，停车用户提出停车请求，该模型根据当前时刻计算道路状况指数，确定当前道路状况和停车场泊位指数矩阵。根据当前位置和目的地，计算距离，确定入围停车场，根据上文设计的算法计算指数N、ω、ψ、δ，从而确定ξ。最后在入围停车场中进行决策，用户即可进行停车场选择。流程如图1所示。

图1 停车场选择模型设计流程图

在本文算法中，需作如下说明：

①β(t)为泊位预测矩阵可根据历史数据由其他智能算法而得。

② 忽略小轿车由于车型不同和载重不同带来的行车耗费差异，默认e均相同为一常量，由经验确定。

③ 本系统默认所有用户从停车场到目的地均选择步行，且速度v相同且固定，由经验值确定。

④ 对入围停车场，若Ni

⑤ 停车时间t根据文献[10]所述，停车时间受m和θ的影响，呈现一定的规律，总结规律如表1所示。

表1 停车时长参数学习结果( 停车时长的条件概率分布)

1.4 停车场选择模型设计

本模型依据ξ值求解停车诱导系统推荐停车场最优值。

即：

(6)

但是根据实际情况中，不同用户对停车场需求的侧重不同，因此，本系统模型可以给出除综合所有因素的最优解外，可提供不能侧重方向的次优解。

如下：

(7)

(8)

(9)

(10)

其中，式(7)为本系统模型计算得出的最优解，式(8)、式(9)、式(10)分别为基于各不同指标的次优解。符号“⟹”表示系统输出，其后{}中内容为系统输出给用户的解，即用户所需的停车诱导信息。

由此可见，该模型可为用户提供入围停车场中的综合最优解，以及不同指数侧重下的多个次优解，该模型的实施能为用户提供全面、准确、可选择的诱导结果。

2 停车场选择模型仿真实验

仿真环境如图2所示，出行用户期望从A地到B地，B地附近停车场均在图2中标出，假设每条路径均可通行。根据用户心理认可程度，半径200 m圆形范围内有P1、P3、P4，半径200～500 m环形范围内有P5、P6、P7，其他四个停车场则不在候选停车场范围内，不予考虑。

图2 仿真道路及停车场拓扑图

各停车场参数如表2所示，其中T=17:00，根据表1处于高峰时段，在此路况下，其中θ取0.6，且e取0.2元/min，V=30 km/h,V×θ=400 m/min，W={0.6,0.1,0.2,0.1}。

表2 仿真停车场参数

根据本文提出的模型对数据进行计算，将得出结果根据式(11)进行归一化处理，将数据变为无量纲数据，仿真计算结果如表3所示。由于ωi、ψi与ξi成反比，Ni、δi与ξi成正比，因此，计算时将ωi、ψi取逆，可方便得出最优解。

(11)

表3 停车场选择模型仿真结果

使用本文设计的停车场选择模型计算出的各候选停车场的指数如表3所示。从表3中可以看出停车场P3、P1综合诱导指数最大，故停车场P3、P1分别为最优解和次优解，即选择停车的目标停车场。根据本文给出的多种选择规划，可向提出申请的用户输出如下计算结果：候选停车场P3、P1为综合推荐停车场；到达目的地时可用空余泊位数最多的为P3，数量为130个；距离目的地距离最近的是P4，距离为120 m；费用最低的是P4，费用为15.35元；停车场等级最高的为P4、P7。

对仿真实验结果进行分析，本文设计的停车场选择模型可以减少出行者根据某一项或两项指标选择停车场时的片面性和不准确性，并根据该模型推荐的停车场既可以帮助用户选择综合最优停车场，还可以根据不同用户的不同侧重要求，推荐局部最优全局次优的停车场，可以满足用户的停车场诱导需求。由此可见，本文设计的停车场选择模型能够解决用户的智能泊车问题。

3 结 语

传统的停车场选择方法就是以停车用户的主观想法进行选择，因此造成停车场选择的片面性和盲目性，使得用户无法选择最优停车场，造成用户的时间金钱浪费，也使得停车场资源无法充分利用。本文根据定义的综合选择指数，建立的停车场选择模型为为停车用户提供最优停车方案，同时，为了满足不同用户的不同需求，给出了多种局部最优全局次优的方案。

通过仿真实验，验证了基于多指数决策的停车场选择模型的有效性。实验结果表明，停车场选择模型减少了停车用户主观选择停车场的盲目性和片面性，为用户选择综合选择指数最高的停车场，降低了停车费用，缓解了停车紧张状况和道路拥挤情况。

[1] 杨平,王平.各类参考文献的著录格式及示例[J/OL].计算机研究与发展,2011(1):88-89.http://www.cajcd.edc.cn/pub/wml.txt/980810-2.html.

[2] Wang Zehe,Yi Jinggang,Liu Jiangtao,et al.Study on the Control Strategy of Parking Guidance System[C]//International Conference on Service Systems and Service Management,2007,Volume1:1-4.

[3] Hyuk Park,Chung Il Sun,Tae Ho Cho.A secure path determination method for statistical en-route filtering based wireless sensor network[C]//3rd International Conference on Advanced Computer Theory and Engineering (ICACTE),2010,Volume2:603-607.

[4] Chung C K,Hsieh Y K,Wang Y H,et al.Aware and smart member card:RFID and license plate recognition systems integrated applications at parking guidance in shopping mall[C]//Eighth International Conference on Advanced Computational Intelligence (ICACI),2016:253-256.

[5] Peter Bonsall,Ian Palmer.Modeling drivers’ car parking behaviors using data from a travel choice simulator[J].Transportation ResearchPartC,2004(12):321-347.

[6] 梅振宇,项贻强,陈峻,等.基于最优组合的停车诱导信息配置模型与算法[J].浙江大学学报(工学版),2008:139-144.

[7] 陈峻,周智勇,王炜.城市机动车停放选择模型[J].交通运输工程学报(工学版),2006,6(2):75-79.

[8] Ian C Hiliton.The removal of parkiing search traffic from the town centre[J].Transportation Research Part B,1989:427-431.

[9] 李伟,门佳,王伟.带约束条件的停车场启发式停车诱导算法[J].计算机测量与控制,2015:2064-2066.

[10] Fei-Yue Wang,Liu-Qing Yang,Jian Yang,et al.Urban intelligent parking system based on the parallel theory[C]//International Conference on Computing Networking and Communications (ICNC),2016:1-5.

[11] 宗芳,张慧永,贾洪飞.基于贝叶斯网络的停车收费政策评价[J].华南理工大学学报(自然科学版),2010,38(7):78-83.

RESEARCH ON SELECTION MODEL OF PARKING LOTS BASED ON MULTI-INDEX DECISION-MAKING

Cheng Xiaorong Li Zijun*

(CollegeofControlandComputerScience,NorthChinaElectricPowerUniversity,Baoding071000,Hebei,China)

In order to solve the problem of parking randomly, or choose parking according to a single factor, a selection model of parking lots based on multi-index decision-making is proposed. In this model, the berth index, user acceptance index, cost index, and parking lot index are chosen to calculate the comprehensive selection index, which was the unique index to choose a parking lot. According to the simulation results, the model can overcome the aimlessness and one-sidedness of previous parking guidance system to determine the target parking lot according to a single factor, and provide the optimal parking lot choice. It can also recommend the local optimal global suboptimal selection according to different requirements which provides users with all-round recommended services. Therefore, the model has more adaptability and generalizability.

Berth index User acceptance index Cost index Parking lot index Comprehensive selection index

2016-05-22。程晓荣，教授，主研领域：计算机应用技术，网络信息安全。李紫君，硕士生。

TP3

A

10.3969/j.issn.1000-386x.2017.06.004