于本成， 許小媛， 朱小龍

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

?

基于Mamdani算法的停車誘導決策

于本成1， 許小媛2*， 朱小龍3

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

構建了停車場停車誘導決策模型，通過Mamdani初始化預測模糊規(guī)則建立包含用戶習慣、行為可靠性和停車場資源分布等三維元素組成的FIS，量化自然語言，分析語義，并結合倉庫數據生成信息負反饋的學習過程和目標預判能力。

Mamdani控制； 智能誘導停車； 有效資源管理； 深度學習

0 引 言

與日俱增的汽車數量與固定并集中的人流潮汐產生了巨大矛盾，其表現為城市整體停車場資源沒有得到合理分配以及交叉口交通擁堵[1-2]。停車誘導服務是通過停車場信息透明化，為駕駛人提供透明、實時的有效信息，并成為化解停車矛盾的重要方法[3]。文獻[4]對停車誘導信息系統中無線傳輸鏈路性能進行了分析;文獻[5]中提到的PGI并沒有完全處理用戶的潛在信息，因此,系統無法有效地預判停車目標;文獻[6]提供了路網分層的可能性，將路網分為路上行駛層、停車巡泊層和步行層3層，用于定量分析停車誘導可變信息標志對駕駛人出行的影響;文獻[6-7]中通過分析硬性因素的復雜性，進一步建立多元運算模型。

以上學者在停車場的智能誘導服務方面做了一定的研究，但對用戶的需求分析不夠明朗、體驗感欠缺，主要表現在以下兩點：

1)停車場不能準確把握被服務者需求，進而無法準確預判目標停車位置；

2)現有的誘導停車算法無法有效地通過多元模型縮短或優(yōu)化計算過程。

針對以上問題，文中設計了基于Mamdani的模糊算法模型，解決了兩大問題:

1)面對不同的用戶潛在需求，通過Mamdani算法模型量化非線性復雜系統，有效地預測用戶習慣，使其得以與停車場進行靜默交互；

2)根據執(zhí)行結果的線性反饋，可以快速地更新、優(yōu)化用戶服務決策方案，進而完善整個系統。

1 Mamdani控制的搭建

1.1 決策模型

預測駛入汽車目標(Target)會根據汽車信息(Type)、停車次數(Times)、頻率(Frequency)、可靠指數(Reliability)、平均每次時長(Duration)五大信息集合的變化而實時做出響應。停車場有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，數據倉庫給出初步響應后，通過Mamdani進行概率模糊推理。根據預設的模糊規(guī)則，系統快速量化非線性的自然語言與用戶習慣，并將離散的數字化數據信號傳遞給系統進行反模糊化過程，最后將處理的數據傳遞給控制對象，并對輸入進行線性反饋與系統規(guī)則再學習[8]。模型基本組成如圖1所示。

圖1 停車誘導決策方案核心Mamdani算法模型基本組成

1.2.1 模糊化處理

為實現誘導停車過程中目標車位預測的功能，算法可以同時考慮用戶習慣、行為可靠性和停車場資源分布，文中采用了一個三維的模糊推理系統(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

對于進入停車場的用戶而言，輸入數據結構可以表示為：

上述表達式為系統后臺定義的4種泊車類型，根據上月平均停車時長決定的。

其中，31與32作為特殊值來約束邊界條件。

1.2.1.2 輸出變量及其模糊化處理

根據數據倉庫的信息，基于上述模型中的上月停車次數和時長等信息，得到Target模型如下：

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

1.2.2 模糊規(guī)則倉庫

通過車牌識別、數據倉庫的數據處理和挖掘，可以確定Times、Frequency、Duration和Reliability輔助預測Target。由此，可以形成實時誘導停車決策數據庫，包括用戶個人信息與停車場出口的最優(yōu)匹配結果。

Mamdani模糊算法采用主從關系和數據挖掘方法產生模糊規(guī)則，具體步驟如下:

2)計算規(guī)則的支持度。從數據挖掘角度看，如果一條規(guī)則有實際意義，必須具有足夠的支持度，它反映了樣本數據庫對該條規(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。首先要保證輸入變量構成的每個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算簡便、解決問題更為直觀的優(yōu)點，所以文中選取Mamdani極大極小的推理算法。對于三維模糊系統，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；推理強度為

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

對于第i條模糊規(guī)則Fi有輸出量Targeti，其隸屬度函數為：

在所有控制規(guī)則的共同作用下，最后輸出量的隸屬函數為：

1.2.4 反模糊化過程

文中采用重心法，即取模糊隸屬度函數曲線與橫坐標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，可根據模糊規(guī)則庫查詢最終處理結果作為系統后臺數據倉庫中用戶個人信息的反饋記載。

1.3 應用測試

根據模型表述，Mamdani的誘導停車決策FIS輸入分別是Car.Type、Car.Frequency、Car.Reliability，先假設用戶為該CBD綜合體的上班族，上個月上班全勤，天數為26 d,如圖2所示。

圖2 模糊化輸入CAR_Frequenct

通過基于Mamdani的誘導停車決策表明，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

系統再根據其一段時間內歷史數據更新數據倉庫的信息，以便實現數據資源與用戶習慣的負反饋過程，從而達到系統深度學習的目的。

2 結論與展望

主要研究了基于Mamdani模糊算法的誘導停車決策方案，幫助誘導停車系統有針對性地預測用戶的目標停車位置，合理地分配有限停車資源。首先，通過系統后臺數據倉庫甄別出駛入汽車的車牌信息；然后，根據模糊化后的歷史數據預測出用戶的目標停車泊位；最后，根據反模糊化的結果回饋給后臺的數據倉庫，優(yōu)化算法更新用戶數據信息。模糊算法的隸屬函數只是基于其他研究和少量數據的挖掘，目前還處于初步探索階段，但隨著積攢數據逐漸增多，誘導停車必將更加智慧。

[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策[J].長春工業(yè)大學學報:自然科學版，2015,36(3):327-332.

[3] 崔素萍,許勝博,楚彭子,等.智能停車誘導系統的設計[J].交通標準化,2014,42(3):55-57.

[4] 許旭柱,易衛(wèi)東.基于無線傳感器網絡的停車誘導信息系統中無線傳輸鏈路性能分析[J].計算機研究與發(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.停車誘導可變信息標志影響下的多層路網隨機用戶均衡分配模型[J].東南大學學報,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約實時決策方法[J].華南理工大學學報,2010,38(10):100-104.

[8] 梅振宇,項貽強,陳峻,等.停車誘導信息配置優(yōu)化組合模型與算法[J].哈爾濱工業(yè)大學學報,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重點項目(KJ2015A366); 江蘇省高校自然科學基金資助項目(14KJD520001)

于本成(1981-)，男，漢族，遼寧大連人，徐州工業(yè)職業(yè)技術學院副教授,碩士，主要從事信息安全和網絡技術方向研究,E-mail:yubc@mail.xzcit.cn. *通訊作者：許小媛(1980-)，女，漢族，江蘇淮安人，江蘇開放大學副教授，碩士，主要從事計算機軟件應用、數值模擬方向研究,E-mail:626028672@qq.com.

TP 301.6

A

1674-1374(2017)01-0053-05