基于雾计算的城市停车信息共享研究

胡永仕，范勇强，范勇迎

(1. 福建工程学院 交通运输学院，福建 福州 350118；2. 兰州交通大学 交通运输学院，甘肃 兰州 730070)

0 引 言

随着城镇化的快速发展，城市小汽车保有量大幅增加，停车设施供给不足的问题日益凸显。当车辆行驶在不同的场景中，因无法及时获取停车泊位信息，会导致车辆花费较长时间去寻找停车泊位，这不仅造成了无效巡泊，还会增加油耗、碳排放等环境污染问题，更会加重道路负担和交通拥堵，严重影响了交通出行效益，制约了城市交通行业的品质提升和管理服务发展[1]。

在城市停车共享泊位的研究中，韩艳[2]基于停车泊位空间属性和服务时间弹性需求，设计了一种共享泊位时空属性的双向拍卖机制，并以社会福利最优为目标，构建了双向拍卖机制的共享泊位分配模型；ZHANG Chu等[3]在对社会经济因素和共享态度影响分析的基础上，对通勤停车与私人居住区共享停车泊位之间的泊位共享市场进行了细分；陈坚等[4]通过建立结构方程模型，分析了潜变量之 间的耦合关系，并用潜变量对信息行为进行了定量分析；CHENG Wei等[5]通过搭建真实的人类停车行为实验方案，根据不同情景分析了在信息作用下停车行为的影响；P.JOSHUA等[6]通过分析出行者决策行为感知因素的影响，从心理层面制定了停车泊位的共享策略；XIAO Haohan等[7]提出了一种公平的重复性双重拍卖方法，分析了参与停车泊位的共享行为，这对提高泊位利用率、激励参与方对停车泊位共享具有积极意义；张文会等[8]通过建立双目标停车泊位共享分配模型，有效地缓解了居住区对毗邻商业区车辆停泊的吸引，降低了商业区停车难的压力；姚恩建等[9]建立了居住区共享泊位资源优化配置的加权顶点图着色模型，提高了共享泊位的利用率和利用时长；陈峻等[10]建立了中心区域高校和周边居住区泊位共享动态分配双层模型，并对泊位共享评价指标进行分析，制定了共享服务策略；HOU Xueshi等[11]建立了车辆雾计算模型，通过实时响应服务来提高共享泊位服务的质量；LIAO Siyi等[12]通过建立智慧城市地理迁移模型，分析了雾计算模型中车辆雾节点对服务的影响；王保乾等[13]基于单位停车泊位共享选择行为的二元Logistic模型，对车辆用户选择使用单位共享泊位的影响和时间段进行了分析；李玉龙等[14]提出在“互联网+停车”模式下，盘活工作日居住区停车泊位存量的机制，并对行为主体关键要素进行了分析；孙舒蕊[15]建立了停车泊位共享激励模型，对激励模型进行了数值分析，提出了泊位共享各参与方的激励措施；赵聪等[16]针对动态管理模式下的停车需求变化，建立了停车泊位动态管理信息变化的有政策模型。

目前泊位共享对时间特性和空间特定地理属性有着较高的要求，需要时刻关注停车泊位的使用情况；但现实中停车泊位信息不对称，行驶车辆无法及时掌握周围泊位信息。基于此笔者提出了一种雾计算的停车泊位信息共享模型，利用交通小区雾网络系统中的雾节点对泊位信息共享来打破传统停车方式的信息孤岛，解决泊位信息不对称问题，实现停车泊位资源的实时更新服务，并从泊位信息共享时间特性和空间特性两个维度解释了地域结构变量和社会经济结构变量对泊位信息共享的影响，使停车泊位资源利用最大和出行停车体验最优。

1 模型描述

雾计算是新一代分布式计算，是对云计算概念的延伸，符合互联网的“去中心化”特征。笔者将雾计算与传统车载网络相结合，将移动车辆定义为雾节点。雾节点作为边缘网络中通信和计算的基础设施，具有低延时的数据传递和位置感知性能，地理分布广泛；带有大量网络节点的大规模传感器网络具有很高的移动性，能满足更为广泛的节点接入，为靠近用户的边缘设备提供实时响应服务。雾节点车辆与运动轨迹周围的雾节点车辆同共享平台进行泊位信息共享与交换，当雾节点车辆需要泊位信息时，会触发车辆停车泊位信息需求端，从泊位信息集合中检索出目的地及附近适合的泊位信息，并进行实时的反馈和指引。

将城市地理区域划分成若干个独立的交通小区，每个交通小区内的雾节点车辆与信息共享平台系统构成一个雾网络。利用雾网络系统中的智能车辆(智能车辆具有车载传感器网络和雷达成像设施)对周围的停车泊位资源进行自动识别和信息采集，并形成该节点的轨迹泊位信息集合；所有的动态雾节点信息汇集成覆盖城市范围的泊位信息共享数据库。需要说明的是，传统车辆不具备泊位信息共享功能，无法对泊位信息资源进行采集，与周围的雾节点车辆没有网络上的联系，但能连接到泊位信息共享网络平台上，接收停车信息。

雾节点和平台提供停车泊位信息价值的有效时间段有限，可将时间段进行离散化处理。假设雾节点和平台最多可提供T个周期的泊位有效时间段，需求者也最多可在T周期内随时停车。由于出行时间的随机性，雾节点和平台应能随时就停车泊位信息状况进行共享，因此停车泊位信息共享平台根据时间变化的供给信息和需求信息，更新决策、动态地调整停车泊位信息。其中，需要获得停车信息的用户提交时延要求、资源需求，雾节点和平台提供资源服务(负责信息收集和上传)，雾网络泊位信息共享结构如图1。笔者假设各用户相互独立，某个用户请求最多只能迁移至一个雾节点完成，但一个雾节点可接收处理多个请求。

(a) 雾层结构

(b) 雾网络图1 雾网络泊位信息共享结构Fig. 1 Information sharing structure of fog network berth

2 雾计算泊位信息共享模型的构建

n=1,2,…,N;j=1,2,…,J

(1)

泊位需求时间分布段和空间地理位置不同，城市停车泊位信息共享随雾节点运动轨迹变化而不断改变，对停车泊位信息时空数据统计与分析和需求量的一致性难以得到平衡。笔者利用变参数回归建模，考虑到各雾节点观测单元数据在时间节点和空间位置的非均衡性特征，将交通小区内雾节点收集到的泊位信息进行局部回归分析，使得模型参数可随时间和地理位置变换来描述雾节点运动轨迹的时空异质性，其基本结构如式(2)：

(2)

式中：β0(ui,vi,ti)表示雾节点处的观测值；βn(ui,vi,ti)表示第n个解释变量在雾网络节点(ui,vi,ti)处的回归时空变系数；xin表示交通小区i内的第n个泊位信息解释变量；θi表示N(0,σ2)的随机误差项。

考虑到每个周期内都可能有雾节点将泊位信息提供给平台和周边的来往车辆，因此周期τ内新增的泊位信息内容应包含泊位的有效时间段、泊位的位置信息等。将周期τ内的雾节点泊位信息决策变量定义如式(3)：

(3)

将停车泊位信息分配到交通小区雾网络中，形成停车泊位信息，如式(4)：

(4)

利用交通小区雾网络系统提供的泊位信息，将周期τ内新增的泊位信息有效时间段用Aτ表示，如式(5)、式(6)：

(5)

(6)

将雾网络系统中该交通小区平台信息与交通小区内的各雾节点(ui,vi,ti)处收集到的泊位信息(yi,xi1,xi2,…,xij)，i=1, 2, …,n进行链接；考虑到雾节点(ui,vi,ti)在雾网络周期τ内得到的泊位信息对于(u0,v0,t0)处参数值的影响，笔者通过引入权重值ωi(u0,v0,t0)降低其对参数值的影响程度。利用加权最小二乘法原理，对交通小区的雾网络系统时空上的任一点(ui,vi,ti)均可找到最优的β(u0,v0,t0)，使得雾节点在周期τ内的时空运动对区域泊位信息共享影响程度达到最小。所构建的函数表达如式(7)：

ωi(u0,v0,t0)

(7)

对βk(u0,v0,t0)求偏导，并使其为0，可得式(8)、 式(9)：

(8)

W(u0,v0,t0)=diag[ω1(u0,v0,t0),ω2(u0,v0,t0),…,ωn(u0,v0,t0)]

(9)

由式(8)、 式(9)可得式(10)：

(10)

由于泊位信息共享参数受雾节点时空位置变化影响，运用时空权重函数对雾网络节点泊位信息数据时空影响因数进行分析，并对模型参数的变系数进行拟合，有式(11)：

(11)

在交通区域雾网络系统中，对雾节点在(ui,vi,ti)处的停车泊位共享进行拟合，如式(12)：

(12)

3 案例分析

3.1 数据分析

数据来源为调查问卷和通过西藏启恒智慧停车管理有限公司获得的布达拉宫及大昭寺商业圈停车泊位信息数据；泊位数据采集时间为2020年10月12日—18日。将交通小区雾网络系统中的停车泊位利用情况作为计数因变量，对影响雾节点间停车泊位信息共享因素进行分析。

雾网络系统对停车泊位信息随需求不断变化而呈现出动态连续改变。停车泊位需求具有及时性和时间有效性等特征，雾节点对泊位信息的采集和传递必须高效和便捷，要使解释变量具有较高的权威及代表性，能充分反映出雾节点在不同时空位置上对停车泊位的影响。笔者将解释变量分为区域结构变量和社会经济结构变量，各变量定义和描述如表1。

表1 变量的定义和描述性统计Table 1 Variable definition and descriptive statistics

结构解释变量对泊位信息共享的相关系数界于0.15～0.75，具有统计学意义。其中，除公共交通线网密度、公共交通车站密度、政府机关单位密度、女性人口占比、退休人员占比和较高收入人员对停车泊位信息共享呈现出一定的负相关外，统计的其他变量对雾节点的泊位信息共享起到一定的促进作用。路网密度、CBD邻近度、生活设施密度、休闲娱乐密度和工作岗位密度对停车泊位信息共享的相关系数和显著性水平要明显高于地域结构的其他变量。

在社会经济结构变量中，男性比女性更愿意共享泊位信息；年龄对泊位信息共享影响差异较小；学历与泊位信息共享意愿呈现出一定的正相关；个人收入越高对泊位信息共享越低，甚至对共享起到抑制作用，其中年收入10万元以下人口对停车泊位信息共享表现出较大的意愿性。

笔者运用容忍度(Tolerance)和方差膨胀系数(variance inflation factor, VIF)来检验影响解释变量间的共线性问题。其中：容忍度值为0～1，当容忍度值较小时，说明该自变量与其他自变量之间存在共线性。VIF取值大于1，当VIF值越接近于1，说明多重共线性越轻，反之越重；VIF越大，表示自变量容忍度越小，越存在共线性问题。通常以10作为判断边界，根据VIF≯10的原则[17]，可避免地域结构间解释变量存在多重共线性。由表1可知：公共交通车站密度、GDP、土地利用混合度、区域内平均房价和CBD邻近度的VIF值均大于10，与其他地域结构变量间存在较强的多重共线性，应将其剔除。

3.2 结果分析

雾计算泊位信息共享模型解释变量的相关系数随雾节点运动轨迹的空间和时间改变而不断变化。笔者将停车泊位信息共享的变化情况转换成有效停车泊位信息利用率的变化情况进行描述，从而对雾节点泊位信息共享在时间和空间方面进行可视化分析。

3.2.1 雾节点泊位信息共享时间的特性

笔者选取有效泊位信息利用率在时间维度中的变化情况进行分析，如图2。

图2 交通小区雾节点泊位信息共享时间分布Fig. 2 Time distribution of berth information sharing at fog nodes in traffic district

指数是通过实际空闲泊位利用量与停车泊位总数之间的比值来确定对泊位信息共享的影响，以每隔5 min进行一次泊位信息统计。

由图2(a)中可知：在布达拉宫为主的交通区域范围内，08:00开始泊位需求量开始急剧地增加，09:30—10:30对停车泊位的需求达到最大，在16:00左右呈现出较为平滑地下降趋势。该交通区域范围内全天出现一段高峰需求期，并会持续相对较长的时间段。此外，布达拉宫交通小区的雾节点对泊位信息共享在一周时间内层次分落较清晰，星期一至星期三的需求层次相对较低，泊位需求在高峰期时波动较小、时间持续较短，下滑趋势平缓、幅度较小；星期四至星期日为中间层次的需求，高峰期时的需求波动较大、持续时间较长，下滑趋势幅度最大；星期六的泊位需求较高，在高峰期时波动剧烈、持续时间最长，高峰期后呈现分阶段下降趋势。布达拉宫是拉萨市的中心地标，虽然路网密度、出入口邻近度、建筑密度、生活设施密度及休闲娱乐密度对泊位信息共享有较大的促进作用，但由于公交线网密度较大，周边建筑高度较低、无较大商场，周围以旅游附属产业为主，区域内行政单位较多，生活设施不完善、提供的工作岗位较少，停车费用较高及该区域内高收入人群占比较高等因素会对雾节点泊位信息共享起到抑制作用。

由图2(b)可知：大昭寺商业圈交通区域中的雾节点对泊位信息共享在一天中有2个时间段的高峰需求，09:00—14:30停车泊位信息需求开始增加，10:30—11:30和15:30—18:00对泊位需求相对较大，这与拉萨市的工作时间基本相吻合。星期六的泊位需求信息要高于其他天的，并且高峰期持续时间较长。该交通小区的路网密度较高、建筑密度较大、生活设施密度、休闲娱乐密度、工作岗位密度及中低端收入人口等因素对雾节点泊位信息共享有促进作用；公共交通线网及车站密度较大，一定密度的政府机关单位、较高停车费率对雾节点泊位信息共享有具有抑制作用。

3.2.2 雾节点泊位信息共享空间的特性

笔者运用ArcGIS软件对有效泊位信息共享的解释变量在空间维度的变化情况进行可视化分析。

布达拉宫商业圈泊位信息共享情况如图3。

图3 布达拉宫商业圈泊位信息共享情况Fig. 3 Information sharing of berths in the Potala Palace commercial circle

由图3(a)可知：在布达拉宫商业圈的交通小区雾网络系统中，当雾节点对泊位信息需求小于空闲泊位时，雾节点对交通小区中心(或区域内部)的泊位信息需求远高于周围的，雾节点沿外围进入内部轨迹采集的泊位信息对信息共享促进起不到明显的积极作用。由图3(b)可知：随着交通小区停车泊位占用量增加，停车泊位紧张情况开始出现，此时高峰期间雾节点将收集到的泊位信息传输到雾网络平台和邻近的雾节点，以缓解中心区域的停车压力，使其他车辆及时得到精准的泊位信息，减少网络中车辆的巡游路径和停车时间。由图3可看出：在布达拉宫商业圈交通区范围内，北部和东部区域对停车泊位信息需求要高于其他区域。该区域内的路网密度较高、建筑密度较大、生活设施密度及工作岗位较多，这些因素都能很好地促进泊位信息的共享；其他区域分布有较多的政府机构、企事业单位，建筑设施密度低，公共交通线网密度较大，道路交通拥堵现象严重，不利于停车泊位信息的共享，因此对泊位信息的需求会产生消极影响。

大昭寺商业圈泊位信息共享情况如图4。

由图4(a)可知：大昭寺商业圈交通区域的雾节点在空间地理分布上对泊位信息需求较为集中，相比于大昭寺西部区域，其对停车泊位需求较多。该区域毗邻商业街和步行街，建筑密度较大、土地利用混合度较高、生活设施完善、休闲娱乐和工作岗位较多，对雾节点的泊位信息共享产生正向影响。东部区域则对泊位信息共享产生了消极影响，原因可能为该区域的公共交通站点密度、建筑密度、生活设施密度和休闲娱乐设施密度均低于西部区域，且政府机关单位、企事业单位和学校的密度大，因此该区域的泊位信息需求小于西部区域。由图4(b)可知：高峰时期该交通小区内车辆对中心区域内的停车泊位需求远大于其他区域，这可能是中心区域辐射面较广、出行目的较为便捷、停车后具有较短的步行距离，诸多因素造成驾驶员愿意选择该区域进行停车，使得中心区域停车泊位在高峰期间内较为紧张，泊位信息共享需求远高于其他区域。这使得雾网络中泊位信息共享由中心向外围扩散，并呈现出逐层递减的趋势。

由此可知：空间结构路网密度、出入口邻近度、土地利用混合度、生活设施密度、休闲娱乐密度和工作岗位密度等因素均会对雾网络泊位信息共享产生正向影响；公共交通线网密度、政府机关单位密度、停车费率等因素会对停车泊位信息共享产生抑制作用。从交通小区空间结构停车泊位信息共享分布上发现，交通小区中心区域的停车泊位信息需求较高；在高峰期间，雾节点对泊位信息共享能力达到最强，外围的停车泊位得到很好利用，缓解了中心区域的停车压力。另一方面，当道路上车辆过多、出现交通拥堵现象时，则会对雾网络泊位信息共享产生抑制作用。

4 结 论

1)雾计算的停车泊位信息共享可有效地盘活交通小区存量的停车泊位，缓解高峰期泊位需求的压力，改善现存停车难的问题。雾节点泊位信息共享能使雾网络系统中的车辆随时了解附近泊位信息，减少停车时间和车辆巡泊等现象发生，提升泊位周转率和整体效益。

2)笔者从地域结构和社会经济结构2个维度分析了雾网络系统中雾节点停车泊位信息共享显著影响变量，对每个解释变量进行了描述性统计、相关性及共线性分析，减少了对泊位信息共享的影响。

3)从时间特性和空间特性上分别对雾网络泊位信息共享影响因素进行分析，发现交通小区范围内的雾节点在不同时间段和不同空间位置上对停车泊位信息共享的影响存在一定差异。

4)在后续的研究中，可对雾节点停车泊位信息共享进行激励分析。基于泊位信息需求和时延要求，如何激励雾节点较好地提供泊位信息，并分析在时空间异质性影响关系上进一步探讨。