面向泊位共享的泊位資源預(yù)測與分配模型

鄭圣旺,王京元,高穎超

(1.浙江省交通運輸科學(xué)研究院,杭州 310023;2.深圳大學(xué) 土木與交通工程學(xué)院,廣東 深圳 518060;3.濰坊學(xué)院 數(shù)學(xué)與信息科學(xué)學(xué)院,山東 濰坊 261061)

在城市“停車難”背景下,泊位共享伴隨著共享經(jīng)濟的浪潮應(yīng)運而生。泊位共享是指將某一停車場非高峰時段的閑置泊位為周邊有停車需求的對象提供停車服務(wù)[1-2]。隨著泊位共享理論的共識化推廣,共享泊位資源的預(yù)測與分配作為有重要意義的研究課題,近年來受到了國內(nèi)外學(xué)者的廣泛關(guān)注,并展開了持續(xù)研究。

相關(guān)研究可分為共享泊位的預(yù)測和分配兩方面。在共享泊位資源預(yù)測方面,現(xiàn)有研究大多基于一種理論方法建立單一的預(yù)測模型:Dunning[3]構(gòu)建基于自回歸移動平均理論的泊位占用預(yù)測模型;Caliskan等[4]構(gòu)建基于齊次馬爾可夫算法的空余泊位預(yù)測模型;劉志廣[5]、陳愷[6]構(gòu)建基于時間序列分析方法的泊位共享時間窗預(yù)測模型。由于單一預(yù)測模型考慮因素有限,從預(yù)測結(jié)果看,精度有待提高。在共享泊位資源分配方面:姚恩建等[7]以提高泊位資源利用率為目標,研究住宅區(qū)業(yè)主自主上報的車位空閑時段與停車請求時段匹配模型;唐秋生等[8]為提高居住區(qū)泊位利用率,構(gòu)建一種錯時錯位泊位共享匹配模型;Xie等[9]將結(jié)構(gòu)方程模型和Logit模型相結(jié)合,構(gòu)建泊位動態(tài)分配模型;CAI等[10]以拒絕停車請求最少、共享收益和泊位利用率最大為目標建立兩階段泊位分配方法;Shao等[11]、張水潮等[12]從停車運營管理方出發(fā),以運營企業(yè)收益最大化為目標,基于0～1線性規(guī)劃理論構(gòu)建共享泊位與停車需求者間的泊位分配模型。上述研究均是在全局信息已知情況下構(gòu)建的車位級固定泊位分配模型[13-16]。由于固定泊位分配模型要將停車需求分配到具體泊位,因此需要知道每個泊位的空閑時間,要求泊位所有者自主如實的上報泊位空閑時間,由于泊位所有者共享意愿影響因素較多[17],上報的泊位空閑時長不確定性較大。而在實際運營中,停車場多為有車位即可停的隨機泊位模式,且收費模式會影響駕駛?cè)藢ν＼噲龅倪x擇和泊位分配結(jié)果。

鑒于此,文中提出一種基于共享泊位供給量預(yù)測的泊位分配模型,先建立基于停車歷史數(shù)據(jù)的泊位供給量組合預(yù)測模型,進而構(gòu)建不同收費模式下的共享泊位分配模型。理論上,該方法無需依賴泊位擁有者上報的泊位空閑時間,僅利用共享停車場歷史停車數(shù)據(jù)即可實現(xiàn)對共享泊位供給量的預(yù)測,且能改善既有研究單一理論模型預(yù)測精度不高的問題;在應(yīng)用中,該模型與停車場實際運營結(jié)合更為緊密,且停車場歷史車輛進出數(shù)據(jù)較易獲得,更具實踐性。

1 共享泊位供給預(yù)測

1.1 建模機理分析

停車場供給共享泊位即空余泊位,是指給定時段(統(tǒng)計周期)內(nèi)自始至終均未被占用的泊位數(shù)。其短期變化為非平穩(wěn)非線性,影響因素較多且難以用函數(shù)量化,但長期來看,變化趨勢呈現(xiàn)出一定規(guī)律性,每個時段的空余泊位數(shù)與歷史數(shù)據(jù)存在某種相關(guān)性[18]。研究表明,BP神經(jīng)網(wǎng)絡(luò)對于具有非線性、難量化等特征的時間序列問題預(yù)測具有較好的適用性[19],因此,文中基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建共享泊位供給組合預(yù)測模型。

1.2 關(guān)鍵參數(shù)確定

綜合考慮預(yù)測效果、模型復(fù)雜度和網(wǎng)絡(luò)學(xué)習(xí)時間[20],文中采用單隱藏層BP神經(jīng)網(wǎng)絡(luò)。根據(jù)網(wǎng)絡(luò)結(jié)構(gòu),結(jié)合空余泊位預(yù)測特點和已有研究成果[21],確定網(wǎng)絡(luò)主要參數(shù)取值。

1.2.1 輸入層神經(jīng)元個數(shù)

采用皮爾遜相關(guān)系數(shù)r進行相關(guān)性判斷,r的絕對值越接近1,表明兩個數(shù)據(jù)序列相關(guān)性越強;r的絕對值越接近0,表明兩個數(shù)據(jù)序列相關(guān)性越弱[22]。選取深圳市前海鯉魚門西街停車場2020年9月21日至9月25日的5個工作日空余泊位統(tǒng)計數(shù)據(jù),計算所預(yù)測時段空余泊位與前m個相鄰時段空余泊位之間的相關(guān)性。初選m=10,即計算所預(yù)測時段與前10個相鄰時段的相關(guān)性大小,結(jié)果表明:隨著時間序列的前移,相關(guān)性呈逐漸下降趨勢。以r=0.9作為選取臨界值,由表1可知,當m=5時r≥0.9,故輸入層的神經(jīng)元個數(shù)選取為5,即以預(yù)測時段的前5個相鄰時段空余泊位數(shù)作為預(yù)測輸入數(shù)據(jù)。

表1 相關(guān)系數(shù)r計算結(jié)果

1.2.2 輸出層神經(jīng)元個數(shù)

文中預(yù)測對象為停車場未來某時段的空余泊位數(shù),故輸出層神經(jīng)元個數(shù)為1。

1.2.3 隱藏層神經(jīng)元個數(shù)

采用試驗法確定隱藏層神經(jīng)元個數(shù):首先從少量神經(jīng)元開始訓(xùn)練,再逐個增加神經(jīng)元個數(shù),對比不同神經(jīng)元個數(shù)下的預(yù)測誤差,誤差最小的即為符合試驗要求的隱藏層神經(jīng)元個數(shù)。試驗結(jié)果表明(見表2),當隱藏層神經(jīng)元個數(shù)為8時預(yù)測效果最好,故隱藏層神經(jīng)元個數(shù)確定為8。

表2 隱藏層神經(jīng)元個數(shù)實驗結(jié)果

1.2.4 激活函數(shù)

BP神經(jīng)網(wǎng)絡(luò)需要確定隱藏層和輸出層兩個激活函數(shù)。根據(jù)文獻[18]所述,隱藏層的激活函數(shù)選用Sigmoid非線性函數(shù),輸出層的激活函數(shù)根據(jù)實際預(yù)測問題來選擇。文中預(yù)測對象為停車場未來某時段的空余泊位數(shù),屬于回歸預(yù)測問題,回歸預(yù)測問題是根據(jù)輸入數(shù)據(jù)預(yù)測一個連續(xù)數(shù)值,選用Purelin線性函數(shù)。

1.2.5 學(xué)習(xí)速率

根據(jù)文獻[21]所述,學(xué)習(xí)速率用來調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)過程中參數(shù)調(diào)整的快慢,若每一步跨越太大,就會失去曲線很多變化信息,學(xué)習(xí)速率過小,網(wǎng)絡(luò)訓(xùn)練速度也會較慢,文中取學(xué)習(xí)速率為0.01。

另外,最大訓(xùn)練次數(shù)取10 000次,最小設(shè)定誤差取0.000 1。

1.3 預(yù)測模型構(gòu)建

基于BP神經(jīng)網(wǎng)絡(luò),將歷史數(shù)據(jù)作為先驗條件對未來時段空余泊位數(shù)進行預(yù)測,但先驗數(shù)據(jù)時間粒度的選取會直接影響預(yù)測結(jié)果的精確度[23]。為具有對比性,分別采用當日相鄰時刻、相鄰工作日同時刻、相鄰周同工作日同時刻等不同時間粒度對輸入層樣本數(shù)據(jù)進行處理,構(gòu)建3種不同時間粒度下的預(yù)測模型,并基于3種預(yù)測結(jié)果進一步構(gòu)建組合預(yù)測模型,以提高預(yù)測精度。

1.3.1 當日相鄰時刻預(yù)測模型

基于當前時刻以及與其相鄰的前4個時刻空余泊位,預(yù)測未來相鄰時刻空余泊位。如圖1所示,設(shè)當前時刻為Tn,n表示時刻,當前時刻有效泊位數(shù)量為Xn,則Xn+1為對應(yīng)Tn時刻所預(yù)測的期望輸出值。

圖1 當日相鄰時刻預(yù)測模型

1.3.2 相鄰工作日同時刻預(yù)測模型

基于當前工作日的當前時刻,以及與其相鄰的前4個工作日在相同時刻的空余泊位,預(yù)測未來相鄰工作日在相同時刻的空余泊位。如圖2所示,設(shè)當前時刻為Tn,m表示周工作日(weekday),n表示時刻,對應(yīng)的有效泊位數(shù)量為Xmn,則X(m+1)n為對應(yīng)Tn時刻所預(yù)測的期望輸出值。

圖2 相鄰工作日同時刻預(yù)測模型

1.3.3 相鄰周同工作日同時刻預(yù)測模型

基于當前周的當前工作日當前時刻,以及與其相鄰的4個周在相同工作日、相同時刻的空余泊位,預(yù)測未來相鄰周在相同工作日、相同時刻的空余泊位。如圖3所示,設(shè)當前時刻為Tn,k表示周,m表示周工作日(weekday),n表示時刻,對應(yīng)的有效泊位數(shù)量為Xkmn,則X(k+1)mn為對應(yīng)Tn時刻所預(yù)測的期望輸出值。

1.3.4 組合預(yù)測模型

組合預(yù)測模型基本思想是把各單一模型預(yù)測結(jié)果進行加權(quán)組合,得到一個更加準確的預(yù)測結(jié)果[24],如圖4所示。

圖4 組合預(yù)測模型

以誤差平方和最小原則確定各單一預(yù)測模型權(quán)值。記Q為組合模型預(yù)測誤差平方和,則可建立以下模型,最終可求得各單一預(yù)測模型權(quán)值分配結(jié)果。

(1)

(2)

式中:xt為所要預(yù)測的目標對象第t時刻的真實值;zt為組合模型第t時刻預(yù)測值;et為組合預(yù)測模型第t時刻預(yù)測誤差;m為單一預(yù)測模型個數(shù);wi為第i種單一預(yù)測模型在組合模型中所占的權(quán)重。

1.4 實證分析

1.4.1 數(shù)據(jù)來源

以深圳前海鯉魚門西街停車場2020年9月24日08:00—20:00時段內(nèi)空余泊位預(yù)測為例,通過前海停車管理云平臺獲取鯉魚門西街停車場2020年8—9月的車輛進出時間序列數(shù)據(jù),并以15 min為統(tǒng)計周期,統(tǒng)計各時段空余泊位數(shù)量。

1.4.2 預(yù)測流程

基于BP神經(jīng)網(wǎng)絡(luò)和組合預(yù)測理論的停車場空余泊位預(yù)測流程如圖5所示。

圖5 基于BP神經(jīng)網(wǎng)絡(luò)和組合預(yù)測理論的空余泊位預(yù)測流程

1.4.3 仿真實驗

采用前述3種基于BP神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型處理樣本數(shù)據(jù);再分別將設(shè)定好的BP神經(jīng)網(wǎng)絡(luò)參數(shù)代入到預(yù)測流程進行仿真實驗,分別得到3種單一預(yù)測模型的預(yù)測結(jié)果;最后,將3種預(yù)測結(jié)果代入到組合預(yù)測模型,求得3種單一預(yù)測模型的最優(yōu)權(quán)值分別為0.077 3、0.089 1和0.833 6,進一步得到組合預(yù)測模型預(yù)測結(jié)果。具體預(yù)測結(jié)果如圖6～7所示。

圖6 4種預(yù)測模型預(yù)測結(jié)果與實際值對比

圖7 4種預(yù)測模型預(yù)測結(jié)果相對誤差

1.4.4 結(jié)果分析

采用平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)3個預(yù)測誤差評價指標,比較4種模型的預(yù)測效果,計算結(jié)果如表3所示。

表3 4種模型預(yù)測結(jié)果評價

上述對比結(jié)果表明:就3種基于BP神經(jīng)網(wǎng)絡(luò)算法的單一預(yù)測模型來說,相鄰周同工作日同時刻模型的性能指標評價值均為最低,預(yù)測效果最好,反映了人們在不同周的相同工作日具有比較相似的出行特征;而組合預(yù)測模型,使得3個性能評價指標均得到了一定程度的改善,預(yù)測效果相對最好。綜合各單一預(yù)測模型的組合預(yù)測模型在一定程度上能更加全面地反映數(shù)據(jù)變化信息,有效預(yù)測停車場下一時刻的泊位變化趨勢。

2 共享泊位分配模型

區(qū)別于既有泊位分配模型研究“共享泊位供給數(shù)據(jù)全局已知”的假定,文中所構(gòu)建分配模型的供給數(shù)據(jù)基于前述預(yù)測模型得出,且將收益管理思想引入分配過程,分別構(gòu)建固定收費和階梯收費模式下的共享泊位分配模型。

2.1 問題描述

假設(shè)在夜間停車矛盾突出的某居住區(qū),存在步行距離在可接受范圍的某辦公停車場,二者達成泊位共享意愿,居住區(qū)為共享泊位需求方,辦公停車場為共享泊位供給方。

假設(shè)ts為泊位共享開始時間,te為泊位共享結(jié)束時間,則[ts,te]為共享時段,將共享時段以Δt等間隔劃分為K個離散時間間隔,則第k個間隔的時間段為[ts+(k-1)Δt,ts+kΔt]。

假設(shè)居住區(qū)在時段[ts,te]內(nèi)有溢出停車需求M個,為解決停車需求,每個溢出的停車需求用戶m在共享平臺提交停車請求。定義DM×K為共享泊位需求矩陣,表示共享平臺收集的停車請求,矩陣元素dm×k表示停車用戶m在k時段是否有需求,若在k時段有需求,則取值為1,否則取值為0,則有

DM×K=[dmk]M×K,m=1,2,…,M;

k=1,2,…,K

(3)

其中

dmk=

(4)

假設(shè)辦公停車場在[ts,te]時段內(nèi)有空余泊位用于共享,定義S1×K為共享泊位供給矩陣,表示各間隔時段可用于共享的泊位數(shù)量,矩陣元素sk為k時段所預(yù)測的空余泊位數(shù),則有

S1×K=[sk]1×K,k=1,2,…,K

(5)

文中所構(gòu)建模型的共享泊位供給數(shù)據(jù)是基于BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型得出。

假設(shè)停車運營管理方在泊位分配決策時段內(nèi)將共享泊位需求與供給進行優(yōu)化匹配,以最大共享效益為目標做出泊位分配決策。定義X1×K為共享泊位分配矩陣,表示共享泊位需求與供給的匹配結(jié)果,矩陣元素xm表示用戶m的停車請求是否被接受,若被接受,則取值為1,否則取值為0,則有

X1×M=[xm]1×M,m=1,2,…,M

(6)

其中

(7)

2.2 模型構(gòu)建

2.2.1 目標函數(shù)

停車場收費模式會對駕駛員的選擇和泊位分配結(jié)果產(chǎn)生直接影響,以停車場運營方共享收益最大化為共享泊位分配模型的優(yōu)化目標,總目標函數(shù)為

w=Gs-Gj-Gy

(8)

式中:w為總收益;Gs為總收入;Gj為拒絕停車請求懲罰總成本;Gy為預(yù)測誤差懲罰總成本。

2.2.2 固定收費模式下的共享泊位分配模型

固定收費即每小時收費為定值,不隨停車時長而變。設(shè)每小時收費為p0,停車時長不足1 h的按1 h收費,則總收入為

(9)

當供給小于需求時,部分停車請求會被拒絕,會影響被拒絕停車請求用戶對共享平臺的信任度,因此,需對拒絕的停車請求設(shè)置一定潛在懲罰損失,設(shè)隱形懲罰系數(shù)為μ,則有

(10)

當預(yù)測值與實際值存在誤差時,可能會出現(xiàn)已經(jīng)接受的停車請求按時到達停車場卻無泊位可停情況。故針對預(yù)測誤差,需設(shè)置一定的潛在懲罰損失,設(shè)隱形懲罰系數(shù)為σ,預(yù)測誤差為φ,則有

(11)

綜上所述,可建立以下分配模型

(12)

(13)

(14)

(15)

式(13)表示每個時間間隔接受的停車請求數(shù)不得超過該時間間隔內(nèi)的共享泊位供給數(shù);式(14)表示停車請求的預(yù)約進出場時間均需在泊位共享時間段內(nèi);式(15)表示決策變量為0～1。

2.2.3 階梯收費模式下共享泊位分配模型

(16)

(17)

2.3 模型求解

共享泊位分配模型實質(zhì)為0～1整數(shù)線性規(guī)劃模型,可將其轉(zhuǎn)化為以下一般矩陣形式進行求解。

max(min)w=CX

(18)

(19)

式中:約束方程系數(shù)矩陣A為共享泊位需求矩陣DM×K的轉(zhuǎn)置矩陣;矩陣B為共享泊位供給矩陣X1×K的轉(zhuǎn)置矩陣;目標函數(shù)系數(shù)矩陣C可根據(jù)所給條件計算得出。

2.4 指標體系

為驗證分配模型在實際應(yīng)用中的有效性,采用以下3種評價指標對分配結(jié)果進行評價分析。

2.4.1 共享停車總收益

記共享停車總收益為θ,為共享泊位分配模型的目標函數(shù)值,以固定收費模式為例,則有

(20)

2.4.2 停車請求接受率

記停車請求接受率為λ,為停車場所接受的停車請求數(shù)與總停車請求數(shù)的比值,則有

(21)

2.4.3 共享泊位利用率

記共享泊位利用率為τ,表示接受的停車請求占總時長與共享泊位供給總時長的比值,則有

(22)

3 數(shù)值分析

以深圳前海鯉魚門西街停車場及其周邊龍海家園居住小區(qū)為例,對共享泊位供給預(yù)測及分配結(jié)果進行分析。

3.1 實驗數(shù)據(jù)

3.1.1 模型基礎(chǔ)參數(shù)

鯉魚門西街停車場工作日夜間19:00至次日早8:00時段泊位占用率較低,而其周邊居住區(qū)剛好相反。因此,選取工作日夜間19:00至次日早8:00時段為共享泊位分配時段,以Δt=15 min為劃分間隔。為使各收費模式有可比性,以停車時長為平均停車時長時3種收費模式的總收入相同為原則,確定收費規(guī)則。經(jīng)調(diào)查,周邊居住區(qū)夜間平均停車時長為5 h,最高可接受總停車費用為20元。固定收費模式下,取停車費為每小時4元;遞減階梯收費模式下,取首小時停車費為10元,之后每小時2.5元;遞增階梯收費模式下,取首小時停車費為2元,之后每小時4.5元。

3.1.2 共享泊位供給數(shù)據(jù)

采用基于BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型,對泊位共享開放時間段內(nèi)各15 min間隔時段的空余泊位數(shù)進行預(yù)測,預(yù)測誤差φ=0.48%,預(yù)測結(jié)果如表4所示?；陬A(yù)測結(jié)果,可得共享泊位供給矩陣S1×52(限于篇幅,表4以1 h的4個時段為1行)。

表4 基于BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型預(yù)測結(jié)果

3.1.3 共享泊位需求數(shù)據(jù)

將鯉魚門西街停車場附近的龍海家園小區(qū)車輛進出數(shù)據(jù),作為共享平臺停車需求數(shù)據(jù)的備選數(shù)據(jù)集,根據(jù)數(shù)值實驗(見3.2節(jié))的測算工況需要,隨機抽取共享時間段內(nèi)M輛車的進出數(shù)據(jù),將各輛車的進出時間作為其請求共享停車的起止時刻,進而計算各停車請求停放時長,得到共享泊位需求矩陣DM×K。

3.2 結(jié)果分析

采用數(shù)值實驗對比分析不同收費模式下的分配效果,并結(jié)合本案例實際,確定實驗輸入模型的停車請求數(shù)[0,1 000]。先抽取M=20個停車共享需求作為第一個測算工況,然后按照20個的步長增加請求車輛數(shù),在上一工況已抽取車輛基礎(chǔ)上進行增補,抽取生成下一工況的共享泊位需求矩陣,直至M=1 000個。綜合分析在停車請求數(shù)變化情況下,不同分配模型各評價指標的變化特征。

3.2.1 評價指標對比分析

圖8～10分別為各分配模型的共享停車收益率、請求接受率和共享泊位利用率等評價指標變化圖。根據(jù)共享停車接受率變化圖,并綜合收益率和利用率曲線,結(jié)合曲線形態(tài)和變化率大小,可發(fā)現(xiàn)存在520和620兩個拐點,從而將變化過程分為3個階段:當共享停車請求數(shù)不超過520個,停車請求接受率均為100%,可理解為空余泊位供給充足,所有請求均可被接受,即供大于求;當超過520個,停車請求接受率開始下降,當大于620個時,停車請求接受率下降加速,詳細分析如下。

圖8 共享停車總收益對比

圖9 停車請求接受率對比

3.2.1.1 階段一:M∈[0,520),供大于求

此階段共享泊位供給充足,所有停車請求均可被接受,且隨著被接受停車車輛數(shù)的增加,共享停車總收益和共享泊位利用率呈線性增長,直至請求數(shù)逼近供給數(shù)520個,但因供給和需求時段的匹配度問題,共享泊位利用率并未達到100%。因所有停車請求均被接受,停車收益主要由停車費率和時長決定,故遞增階梯收費模式的共享停車總收益最高,固定收費模式次之,遞減階梯收費模式最低。

3.2.1.2 階段二:M∈[520,620),需求逼近供給、甚至略大于供給,供求相近

此階段供給約束開始起作用,出現(xiàn)停車請求被拒絕現(xiàn)象,共享停車接受率由100%開始緩慢下降。隨著停車請求數(shù)的增加,平臺共享停車時段的匹配成功率提升,共享泊位利用率仍在緩慢上升。由增加的所接受的停車請求帶來的收入使得總收益在這一階段仍在增加,但受限于所拒絕的停車請求帶來的懲罰成本,增長率明顯放緩,當M=620個時總收益達到最高。3種收費模式的收益高低同階段一,遞增階梯收費模式最高,遞減階梯收費模式最低。

3.2.1.3 階段三:M∈[620,+∞),供小于求

隨著停車請求的進一步增加,共享泊位利用率緩慢向100%逼近,當上升到92%后,逐漸趨于穩(wěn)定,停車接近飽和,平臺無法再接受新的請求。同時,拒絕的停車請求數(shù)量越來越多,停車請求接受率持續(xù)下降。與階段二相比,由于接受的停車請求幾乎沒有增加,而拒絕請求的懲罰成本不斷增加,蠶食停車收益,導(dǎo)致總收益逐漸下降。從收費模式視角看:遞增階梯模式下請求接受率最低,總收益和共享泊位利用率都最高;而遞減階梯收費模式則反之,固定收費模式均居中。

綜上,隨著共享停車請求數(shù)量的變化,3種收費模式下的停車請求接受率與共享泊位利用率全程均非常接近。遞增階梯收費模式的共享停車總收益始終最高,遞減階梯收費模式的共享停車總收益則最低,且呈現(xiàn)出“線性上升—緩慢上升—緩慢下降”三個階段的變化趨勢。

3.2.2 所接受停車請求的停車時長分布對比分析

以給定停車請求M=800個為例,對比分析3種分配模型所接受請求的停車時長分布情況,如圖11所示。由圖11可知,遞增階梯收費模式接受的長時停車請求最多,而遞減階梯收費模式接受的短時停車請求最多,表明在既定收費模式下,共享停車位的分配結(jié)果均為獲得最大收益,與式(16)的優(yōu)化目標一致。另外,這也解釋了以下原因:遞增階梯收費模式的停車接受率略低,而泊位利用率卻略高;遞減階梯收費模式的停車接受率略高,而泊位利用率卻略低。

圖11 3種收費模式下所接受停車請求的停車時長分布對比(M=800)

3.2.3 泊位共享實施效果分析

基于以上分析,本案例選取遞增階梯收費模式下的泊位分配模型,以給定停車請求M=800個為例,對比分析共享停車模式實施前后,停車場泊位利用率的變化情況,即不同時段停車場被占用泊位數(shù)與總泊位數(shù)的比值變化情況。從圖12可看出,共享停車實施前后,泊位利用率發(fā)生顯著變化,尤其是夜間,實施前低谷時僅為14%,實施后,泊位利用率顯著提升,峰值達到76%。

圖12 共享停車模式實施前后停車場泊位利用率對比圖(M=800)

4 結(jié) 論

區(qū)別于既有研究中“共享泊位供給數(shù)據(jù)全局已知”的假定,文中將泊位預(yù)測與分配相結(jié)合,提出一種基于共享泊位供給量預(yù)測的泊位分配方法。采用基于BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型對停車場未來不同時段共享泊位供給量進行預(yù)測,從停車運營管理方的視角以總收益最大為目標,構(gòu)建固定收費、遞減階梯收費、遞增階梯收費3種收費模式下的共享泊位分配模型。通過數(shù)值實驗,從共享停車總收益、停車請求接受率、共享泊位利用率、停車時長分布、停車場泊位利用率等多方面對模型的分配效果進行分析和驗證?；诒景咐玫揭韵陆Y(jié)論。

1)組合預(yù)測模型能有效改善單一預(yù)測模型預(yù)測效果,提升共享泊位供給量預(yù)測精度,文中案例的平均絕對百分比誤差為6.49%。

2)從供需關(guān)系視角看,共享泊位利用率隨停車請求數(shù)單調(diào)增加,逐漸逼近100%。停車接受率在供大于求時為100%,供需相近時開始降低,而共享停車總收益則呈現(xiàn)“線性上升—緩慢上升—緩慢下降”的三階段變化趨勢,在供求相近階段的尾端達到最大值。

3)從收費模式視角看,遞增收費模式的共享停車總收益一直最高,遞減階梯收費模式則反之,固定收費模式居中。停車請求接受率和共享泊位利用率在需求接近供給后開始體現(xiàn)出稍許差別。遞增階梯模式下,請求接受率最低,共享泊位利用率則最高,遞減階梯收費模式則反之。

4)基于共享收益最大為優(yōu)化目標的分配結(jié)果表明,遞增階梯收費模式接受的長時停車請求最多,而遞減階梯收費模式接受的短時停車請求最多。遞增階梯收費模式與遞減階梯收費模式相比,停車接受率略低,而泊位利用率卻略高。

5)所構(gòu)建的共享泊位分配模型可顯著提高整個停車場泊位利用率,在夜間共享時段,停車場泊位利用率由共享前低谷的14%提升到共享后的76%。

基于上述結(jié)論可以看出,站在停車運營管理方角度,在停車請求接受率相差不大的情況下,為追求更高效益,具有更高共享收益和泊位利用率的遞增階梯收費模式往往是首選,尤其是對于實施長時泊位共享用地類型,遞減階梯收費模式對于實施短時泊位共享的用地類型會體現(xiàn)出一定優(yōu)勢。研究成果可為共享停車場運營模式的制定和共享泊位的分配決策提供有效參考。需要指出的是本研究將共享時間段設(shè)定為連續(xù)時間段,對在實際中開放多個不連續(xù)共享時間段的停車場共享泊位分配問題可做進一步研究。