基于Mamdani算法的停車誘導(dǎo)決策

于本成， 許小媛， 朱小龍

(1.徐州工業(yè)職業(yè)技術(shù)學(xué)院 信息與電氣工程學(xué)院， 江蘇 徐州 221004；2.江蘇開放大學(xué) 信息與機(jī)電工程學(xué)院, 江蘇 南京 210017;3.合肥工業(yè)大學(xué) 管理學(xué)院, 安徽 合肥 230009)

?

基于Mamdani算法的停車誘導(dǎo)決策

于本成1， 許小媛2*， 朱小龍3

(1.徐州工業(yè)職業(yè)技術(shù)學(xué)院 信息與電氣工程學(xué)院， 江蘇 徐州 221004；2.江蘇開放大學(xué) 信息與機(jī)電工程學(xué)院, 江蘇 南京 210017;3.合肥工業(yè)大學(xué) 管理學(xué)院, 安徽 合肥 230009)

構(gòu)建了停車場(chǎng)停車誘導(dǎo)決策模型，通過(guò)Mamdani初始化預(yù)測(cè)模糊規(guī)則建立包含用戶習(xí)慣、行為可靠性和停車場(chǎng)資源分布等三維元素組成的FIS，量化自然語(yǔ)言，分析語(yǔ)義，并結(jié)合倉(cāng)庫(kù)數(shù)據(jù)生成信息負(fù)反饋的學(xué)習(xí)過(guò)程和目標(biāo)預(yù)判能力。

Mamdani控制； 智能誘導(dǎo)停車； 有效資源管理； 深度學(xué)習(xí)

0 引 言

與日俱增的汽車數(shù)量與固定并集中的人流潮汐產(chǎn)生了巨大矛盾，其表現(xiàn)為城市整體停車場(chǎng)資源沒有得到合理分配以及交叉口交通擁堵[1-2]。停車誘導(dǎo)服務(wù)是通過(guò)停車場(chǎng)信息透明化，為駕駛?cè)颂峁┩该?、?shí)時(shí)的有效信息，并成為化解停車矛盾的重要方法[3]。文獻(xiàn)[4]對(duì)停車誘導(dǎo)信息系統(tǒng)中無(wú)線傳輸鏈路性能進(jìn)行了分析;文獻(xiàn)[5]中提到的PGI并沒有完全處理用戶的潛在信息，因此,系統(tǒng)無(wú)法有效地預(yù)判停車目標(biāo);文獻(xiàn)[6]提供了路網(wǎng)分層的可能性，將路網(wǎng)分為路上行駛層、停車巡泊層和步行層3層，用于定量分析停車誘導(dǎo)可變信息標(biāo)志對(duì)駕駛?cè)顺鲂械挠绊?文獻(xiàn)[6-7]中通過(guò)分析硬性因素的復(fù)雜性，進(jìn)一步建立多元運(yùn)算模型。

以上學(xué)者在停車場(chǎng)的智能誘導(dǎo)服務(wù)方面做了一定的研究，但對(duì)用戶的需求分析不夠明朗、體驗(yàn)感欠缺，主要表現(xiàn)在以下兩點(diǎn)：

1)停車場(chǎng)不能準(zhǔn)確把握被服務(wù)者需求，進(jìn)而無(wú)法準(zhǔn)確預(yù)判目標(biāo)停車位置；

2)現(xiàn)有的誘導(dǎo)停車算法無(wú)法有效地通過(guò)多元模型縮短或優(yōu)化計(jì)算過(guò)程。

針對(duì)以上問(wèn)題，文中設(shè)計(jì)了基于Mamdani的模糊算法模型，解決了兩大問(wèn)題:

1)面對(duì)不同的用戶潛在需求，通過(guò)Mamdani算法模型量化非線性復(fù)雜系統(tǒng)，有效地預(yù)測(cè)用戶習(xí)慣，使其得以與停車場(chǎng)進(jìn)行靜默交互；

2)根據(jù)執(zhí)行結(jié)果的線性反饋，可以快速地更新、優(yōu)化用戶服務(wù)決策方案，進(jìn)而完善整個(gè)系統(tǒng)。

1 Mamdani控制的搭建

1.1 決策模型

預(yù)測(cè)駛?cè)肫嚹繕?biāo)(Target)會(huì)根據(jù)汽車信息(Type)、停車次數(shù)(Times)、頻率(Frequency)、可靠指數(shù)(Reliability)、平均每次時(shí)長(zhǎng)(Duration)五大信息集合的變化而實(shí)時(shí)做出響應(yīng)。停車場(chǎng)有4種電梯并將其賦值，其中，Lift=-1，Escalator=0，levator_Movie= 1，Elevator_Work= 2。

1.2 方法原理及步驟

Mamdani是基于一種概率模糊建模的方法，將任意的輸入向量放入模糊化接口，數(shù)據(jù)倉(cāng)庫(kù)給出初步響應(yīng)后，通過(guò)Mamdani進(jìn)行概率模糊推理。根據(jù)預(yù)設(shè)的模糊規(guī)則，系統(tǒng)快速量化非線性的自然語(yǔ)言與用戶習(xí)慣，并將離散的數(shù)字化數(shù)據(jù)信號(hào)傳遞給系統(tǒng)進(jìn)行反模糊化過(guò)程，最后將處理的數(shù)據(jù)傳遞給控制對(duì)象，并對(duì)輸入進(jìn)行線性反饋與系統(tǒng)規(guī)則再學(xué)習(xí)[8]。模型基本組成如圖1所示。

圖1 停車誘導(dǎo)決策方案核心Mamdani算法模型基本組成

1.2.1 模糊化處理

為實(shí)現(xiàn)誘導(dǎo)停車過(guò)程中目標(biāo)車位預(yù)測(cè)的功能，算法可以同時(shí)考慮用戶習(xí)慣、行為可靠性和停車場(chǎng)資源分布，文中采用了一個(gè)三維的模糊推理系統(tǒng)(FIS)。其中，輸入為Car.Type、Car.Frequency和Car.Reliability，輸出為Car.Target。

1.2.1.1 輸入變量及其模糊化處理

對(duì)于進(jìn)入停車場(chǎng)的用戶而言，輸入數(shù)據(jù)結(jié)構(gòu)可以表示為：

上述表達(dá)式為系統(tǒng)后臺(tái)定義的4種泊車類型，根據(jù)上月平均停車時(shí)長(zhǎng)決定的。

其中，31與32作為特殊值來(lái)約束邊界條件。

1.2.1.2 輸出變量及其模糊化處理

根據(jù)數(shù)據(jù)倉(cāng)庫(kù)的信息，基于上述模型中的上月停車次數(shù)和時(shí)長(zhǎng)等信息，得到Target模型如下：

特別地，Target的取值區(qū)間為[-1,2],即為目標(biāo)電梯的取值范圍。

1.2.2 模糊規(guī)則倉(cāng)庫(kù)

通過(guò)車牌識(shí)別、數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)處理和挖掘，可以確定Times、Frequency、Duration和Reliability輔助預(yù)測(cè)Target。由此，可以形成實(shí)時(shí)誘導(dǎo)停車決策數(shù)據(jù)庫(kù)，包括用戶個(gè)人信息與停車場(chǎng)出口的最優(yōu)匹配結(jié)果。

Mamdani模糊算法采用主從關(guān)系和數(shù)據(jù)挖掘方法產(chǎn)生模糊規(guī)則，具體步驟如下:

2)計(jì)算規(guī)則的支持度。從數(shù)據(jù)挖掘角度看，如果一條規(guī)則有實(shí)際意義，必須具有足夠的支持度，它反映了樣本數(shù)據(jù)庫(kù)對(duì)該條規(guī)則的支持程度。定義支持度如下：

supp(Type,Freauency,Reliability?Target)

3)創(chuàng)建完備的模糊規(guī)則庫(kù)。首先要保證輸入變量構(gòu)成的每個(gè)模糊子空間都能被遍歷, 其次，輸出變量在模糊子空間選用哪個(gè)模糊集, 由規(guī)則的最大支持度決定。

1.2.3 模糊邏輯推理

由于Mamdani模糊推理算法具有運(yùn)算簡(jiǎn)便、解決問(wèn)題更為直觀的優(yōu)點(diǎn)，所以文中選取Mamdani極大極小的推理算法。對(duì)于三維模糊系統(tǒng)，若輸入X是Type，Y是Frequency，Z是Reliability，模糊規(guī)則為F1,F2,…,Fn。第i條規(guī)則可表示為：若輸入X是Typei，Y是Frequencyi，Z是Reliabilityi，O是Targeti；推理強(qiáng)度為

式中：(X)，(Y)，(Z)----分別為Type,Frequency,Reliability的隸屬度函數(shù)。

對(duì)于第i條模糊規(guī)則Fi有輸出量Targeti，其隸屬度函數(shù)為：

在所有控制規(guī)則的共同作用下，最后輸出量的隸屬函數(shù)為：

1.2.4 反模糊化過(guò)程

文中采用重心法，即取模糊隸屬度函數(shù)曲線與橫坐標(biāo)圍成面積的重心為模糊推理最終輸出值。在得到輸出值之后，可根據(jù)模糊規(guī)則庫(kù)查詢最終處理結(jié)果作為系統(tǒng)后臺(tái)數(shù)據(jù)倉(cāng)庫(kù)中用戶個(gè)人信息的反饋記載。

1.3 應(yīng)用測(cè)試

根據(jù)模型表述，Mamdani的誘導(dǎo)停車決策FIS輸入分別是Car.Type、Car.Frequency、Car.Reliability，先假設(shè)用戶為該CBD綜合體的上班族，上個(gè)月上班全勤，天數(shù)為26 d,如圖2所示。

圖2 模糊化輸入CAR_Frequenct

通過(guò)基于Mamdani的誘導(dǎo)停車決策表明，其最適宜?？康奈恢脼榭拷麰levator_Work的1.9位置。Type、Frequency、Reliability和Target之間的映射曲面如圖3所示。

圖3 曲表面視圖 Surface View

系統(tǒng)再根據(jù)其一段時(shí)間內(nèi)歷史數(shù)據(jù)更新數(shù)據(jù)倉(cāng)庫(kù)的信息，以便實(shí)現(xiàn)數(shù)據(jù)資源與用戶習(xí)慣的負(fù)反饋過(guò)程，從而達(dá)到系統(tǒng)深度學(xué)習(xí)的目的。

2 結(jié)論與展望

主要研究了基于Mamdani模糊算法的誘導(dǎo)停車決策方案，幫助誘導(dǎo)停車系統(tǒng)有針對(duì)性地預(yù)測(cè)用戶的目標(biāo)停車位置，合理地分配有限停車資源。首先，通過(guò)系統(tǒng)后臺(tái)數(shù)據(jù)倉(cāng)庫(kù)甄別出駛?cè)肫嚨能嚺菩畔ⅲ蝗缓?，根?jù)模糊化后的歷史數(shù)據(jù)預(yù)測(cè)出用戶的目標(biāo)停車泊位；最后，根據(jù)反模糊化的結(jié)果回饋給后臺(tái)的數(shù)據(jù)倉(cāng)庫(kù)，優(yōu)化算法更新用戶數(shù)據(jù)信息。模糊算法的隸屬函數(shù)只是基于其他研究和少量數(shù)據(jù)的挖掘，目前還處于初步探索階段，但隨著積攢數(shù)據(jù)逐漸增多，誘導(dǎo)停車必將更加智慧。

[1] Yanfeng Geng, Christos G, Cassandras. A new “Smart Parking” system infrastructure and implementation[J]. Science Direct,2012,54:1278-1287.

[2] 盧明宇,王興.交叉口交通擁堵分析與對(duì)策[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版，2015,36(3):327-332.

[3] 崔素萍,許勝博,楚彭子,等.智能停車誘導(dǎo)系統(tǒng)的設(shè)計(jì)[J].交通標(biāo)準(zhǔn)化,2014,42(3):55-57.

[4] 許旭柱,易衛(wèi)東.基于無(wú)線傳感器網(wǎng)絡(luò)的停車誘導(dǎo)信息系統(tǒng)中無(wú)線傳輸鏈路性能分析[J].計(jì)算機(jī)研究與發(fā)展,2011,48(1):71-74.

[5] Yang Jun. A system framework of active parking guidance and information system[J]. WASE International Conference on Information Engineering,2010,132:150-154.

[6] 季彥婕,蔣敏,王煒,等.停車誘導(dǎo)可變信息標(biāo)志影響下的多層路網(wǎng)隨機(jī)用戶均衡分配模型[J].東南大學(xué)學(xué)報(bào),2014,44(3):677-681.

[7] 季彥婕,王煒,鄧衛(wèi).基于模糊邏輯的停車泊位預(yù)約實(shí)時(shí)決策方法[J].華南理工大學(xué)學(xué)報(bào),2010,38(10):100-104.

[8] 梅振宇,項(xiàng)貽強(qiáng),陳峻,等.停車誘導(dǎo)信息配置優(yōu)化組合模型與算法[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2009,41(10):163-168.

A parking guidance decision based on mamdani algorithm

YU Bencheng1, XU Xiaoyuan2*, ZHU Xiaolong3

(1.School of Information and Electrical Engineering, Xuzhou College of Industrial Technology, Xuzhou 221004, China;2.Mechanical Engineering College, Jiangsu Open University Information， Nanjing 210017, China;3.School of Management, Hefei University of Technology， Hefei 230009, China)

A parking guidance decision model is established. The initialized fuzzy rules with Mamdani is applied to build FIS which includes custom habits, behavior reliability and parking lot resource distribution. The algorithm can realize nature language quantization, semanticsanalysis, feedback learn process and object judgement ability with storage data.

mamdani control; intelligent parking; effective resource management; deep learning.

10.15923/j.cnki.cn22-1382/t.2017.1.10

2016-11-11

安徽省高校自然科學(xué)重點(diǎn)項(xiàng)目(KJ2015A366); 江蘇省高校自然科學(xué)基金資助項(xiàng)目(14KJD520001)

于本成(1981-)，男，漢族，遼寧大連人，徐州工業(yè)職業(yè)技術(shù)學(xué)院副教授,碩士，主要從事信息安全和網(wǎng)絡(luò)技術(shù)方向研究,E-mail:yubc@mail.xzcit.cn. *通訊作者：許小媛(1980-)，女，漢族，江蘇淮安人，江蘇開放大學(xué)副教授，碩士，主要從事計(jì)算機(jī)軟件應(yīng)用、數(shù)值模擬方向研究,E-mail:626028672@qq.com.

TP 301.6

A

1674-1374(2017)01-0053-05