李藝涵

（悉尼大學(xué)，悉尼新南威爾士州2027）

很多公共場(chǎng)所如醫(yī)院、學(xué)校等，由于人口、建筑物密集，很難在現(xiàn)有建筑的基礎(chǔ)上擴(kuò)建停車(chē)場(chǎng)，因此如何有效地管理停車(chē)泊位是現(xiàn)代智能交通中緩解停車(chē)壓力的重要措施。目前，停車(chē)管理系統(tǒng)中最大的問(wèn)題是停車(chē)泊位信息不能有效發(fā)布，駕駛員無(wú)法遠(yuǎn)程獲取車(chē)位的目標(biāo)信息，大大降低了各個(gè)停車(chē)場(chǎng)的停車(chē)效率和泊位利用率。因此，設(shè)計(jì)停車(chē)場(chǎng)剩余泊位預(yù)測(cè)系統(tǒng)，及時(shí)發(fā)布泊位信息，可以方便有停車(chē)需求的駕駛員查詢(xún)剩余泊位信息。

文獻(xiàn)[1]提出基于優(yōu)化LSTM 模型的停車(chē)泊位預(yù)測(cè)系統(tǒng)，通過(guò)構(gòu)建LSTM 模型的上一層網(wǎng)絡(luò)預(yù)測(cè)時(shí)間序列進(jìn)行學(xué)習(xí)與訓(xùn)練，及時(shí)捕獲剩余泊位信息，從而預(yù)測(cè)停車(chē)場(chǎng)的剩余泊位；文獻(xiàn)[2]提出基于NB-IoT 技術(shù)和GA-BP 神經(jīng)網(wǎng)絡(luò)的車(chē)位預(yù)測(cè)系統(tǒng)，采用NB-IoT技術(shù)采集車(chē)位信息，并構(gòu)建車(chē)位預(yù)測(cè)模型，預(yù)測(cè)未來(lái)短時(shí)內(nèi)車(chē)位的變化趨勢(shì)。然而，上述兩種預(yù)測(cè)系統(tǒng)的誘導(dǎo)牌誘導(dǎo)效果不佳，缺少合理布設(shè)原則，導(dǎo)致預(yù)測(cè)精準(zhǔn)度較低。面對(duì)該問(wèn)題，設(shè)計(jì)基于boosting 的區(qū)域停車(chē)場(chǎng)剩余泊位預(yù)測(cè)系統(tǒng)。

1 系統(tǒng)硬件設(shè)計(jì)

區(qū)域停車(chē)場(chǎng)剩余泊位預(yù)測(cè)系統(tǒng)硬件結(jié)構(gòu)由中心服務(wù)器、控制器、雙向地磁檢測(cè)傳感器、計(jì)數(shù)修正手柄和配置計(jì)算機(jī)組成，如圖1 所示。

圖1 預(yù)測(cè)系統(tǒng)硬件結(jié)構(gòu)示意圖

由圖1 可知，在停車(chē)場(chǎng)出入口設(shè)置雙向地磁檢測(cè)傳感器，用于檢測(cè)車(chē)輛的通行信息；控制器負(fù)責(zé)控制雙向地磁檢測(cè)傳感器進(jìn)行數(shù)據(jù)傳送，避免傳輸擁塞；計(jì)數(shù)修正手柄負(fù)責(zé)修正泊位預(yù)測(cè)誤差；中心服務(wù)器通過(guò)網(wǎng)絡(luò)收集停車(chē)場(chǎng)的車(chē)輛信息，并進(jìn)行統(tǒng)計(jì)和顯示[3-5]。

1.1 雙向地磁檢測(cè)傳感器

利用STM32 作為主控芯片，結(jié)合HMC5843 傳感器，研制雙向地磁檢測(cè)傳感器，該傳感器主要通過(guò)I2C 通信協(xié)議識(shí)別車(chē)輛通過(guò)時(shí)的環(huán)境磁場(chǎng)強(qiáng)度，實(shí)現(xiàn)對(duì)車(chē)輛的檢測(cè)。由于雙向地磁檢測(cè)傳感器采集到的地磁數(shù)據(jù)在車(chē)輛通過(guò)時(shí)會(huì)產(chǎn)生很大的變化，當(dāng)車(chē)輛進(jìn)入停車(chē)場(chǎng)后，背景磁場(chǎng)強(qiáng)于局部磁場(chǎng)，說(shuō)明有車(chē)進(jìn)入停車(chē)場(chǎng)[6]。在這種情況下，需要對(duì)車(chē)輛的速度和行駛方向進(jìn)行識(shí)別，當(dāng)背景磁場(chǎng)恢復(fù)到初始值時(shí)，說(shuō)明車(chē)輛通過(guò)完成，并將信息包的檢測(cè)結(jié)果傳送給控制器。

1.2 控制器

控制器主要由無(wú)線(xiàn)接口、232 串口和485 串口組成，其結(jié)構(gòu)示意圖如圖2 所示。

由圖2 可知，ATMega1280 是控制器的主要處理芯片，并配備SIM300C 模塊，集成GPRS 無(wú)線(xiàn)通信系統(tǒng)，使控制器接收信息包的過(guò)程更加穩(wěn)定。另外，控制器配有電池，可在突然斷電時(shí)繼續(xù)保持穩(wěn)定工作的狀態(tài)，并具有為系統(tǒng)提供小容量數(shù)據(jù)存儲(chǔ)的功能。

圖2 控制器結(jié)構(gòu)示意圖

1.3 停車(chē)誘導(dǎo)子系統(tǒng)

1.3.1 信息采集子系統(tǒng)

信息采集子系統(tǒng)由監(jiān)控裝置、感測(cè)裝置組成，監(jiān)控裝置負(fù)責(zé)監(jiān)視誘導(dǎo)區(qū)域內(nèi)的停車(chē)情況，感測(cè)裝置負(fù)責(zé)感測(cè)停車(chē)場(chǎng)內(nèi)的停車(chē)狀態(tài)、車(chē)流量和車(chē)速信息[7-9]。

1.3.2 信息處理子系統(tǒng)

信息處理子系統(tǒng)對(duì)停車(chē)場(chǎng)的停車(chē)狀態(tài)、車(chē)流、車(chē)速信息進(jìn)行處理，并將這些信息轉(zhuǎn)化成數(shù)據(jù)的形式發(fā)布給駕駛員，它能為停車(chē)需求狀態(tài)預(yù)測(cè)、停車(chē)泊位等提供輔助服務(wù)[10]。

1.3.3 信息傳輸子系統(tǒng)

信息傳輸子系統(tǒng)主要由采集端、管理中心、發(fā)布端三部分組成，負(fù)責(zé)采集、處理和發(fā)布過(guò)程之間的信息交換。

1.3.4 信息發(fā)布子系統(tǒng)

根據(jù)誘導(dǎo)標(biāo)志，信息發(fā)布子系統(tǒng)主要負(fù)責(zé)發(fā)布停車(chē)場(chǎng)的位置、停車(chē)泊位的使用情況以及周邊道路的交通狀況信息[11-12]。

2 系統(tǒng)軟件部分設(shè)計(jì)

2.1 基于boosting的停車(chē)誘導(dǎo)距離計(jì)算

在系統(tǒng)硬件設(shè)計(jì)完成后，結(jié)合boosting算法，加大停車(chē)數(shù)據(jù)管理力度，研究停車(chē)場(chǎng)剩余泊位數(shù)據(jù)跟蹤和檢測(cè)差異性，計(jì)算差異值數(shù)據(jù)，建立以下數(shù)據(jù)計(jì)算公式：

式中，κi，n表示差值數(shù)據(jù)參數(shù)，ri，n表示象征性數(shù)據(jù)跟蹤檢測(cè)指數(shù)，n表示操作的基礎(chǔ)數(shù)據(jù)，i為方向角標(biāo)[13-15]。

完成上述內(nèi)部操作后，清除混亂的空間數(shù)據(jù)，構(gòu)建內(nèi)部調(diào)整系統(tǒng)，利用系統(tǒng)的中心調(diào)整性能來(lái)獲取具有較大相關(guān)性的空間數(shù)據(jù)，并對(duì)并行boosting 算法進(jìn)行標(biāo)準(zhǔn)化改造。

使用選定的指數(shù)參數(shù)建立預(yù)測(cè)模型，如式（2）所示：

式中，W表示泊位區(qū)間數(shù)據(jù)，T表示時(shí)間范圍，N表示數(shù)據(jù)總量，η表示可操作泊位數(shù)據(jù)，μ表示調(diào)控系統(tǒng)數(shù)據(jù)。

駕駛員在A 視認(rèn)點(diǎn)上已經(jīng)找到了S 標(biāo)志，從B 點(diǎn)開(kāi)始讀出標(biāo)志的信息，到C 點(diǎn)就可以將標(biāo)志內(nèi)容全部讀完，這個(gè)距離稱(chēng)為讀標(biāo)記距離[16]?？吹綐?biāo)記后，作出判斷動(dòng)作，這種距離稱(chēng)為判斷距離。然后，開(kāi)始行動(dòng)。這時(shí)車(chē)輛已經(jīng)走到D 點(diǎn)，而動(dòng)作點(diǎn)D 到動(dòng)作結(jié)束的距離稱(chēng)為動(dòng)作距離L，計(jì)算公式如下：

式中，v1表示接近車(chē)位的速度；v2表示容易發(fā)生車(chē)禍的速度；a表示減速時(shí)的加速度；h表示當(dāng)前位置到目標(biāo)位置的距離；d表示前置距離；l表示標(biāo)志距離；L*表示倒車(chē)所需距離。

停車(chē)牌誘導(dǎo)標(biāo)志信息處理流程如圖3 所示。

圖3 停車(chē)牌誘導(dǎo)標(biāo)志信息處理流程

由圖3 可知，經(jīng)過(guò)此處理流程，能夠及時(shí)將停車(chē)場(chǎng)內(nèi)部停車(chē)情況傳送到停車(chē)場(chǎng)外部，為泊位預(yù)測(cè)提供信息支持。

2.2 泊位預(yù)測(cè)流程設(shè)計(jì)

結(jié)合停車(chē)牌誘導(dǎo)標(biāo)志信息，設(shè)計(jì)基于boosting 的區(qū)域停車(chē)場(chǎng)剩余泊位預(yù)測(cè)流程，如下所示：

步驟一 數(shù)據(jù)準(zhǔn)備：準(zhǔn)備的數(shù)據(jù)包括已知停車(chē)場(chǎng)剩余泊位數(shù)目形成的訓(xùn)練集合，以及由預(yù)計(jì)停車(chē)泊位數(shù)目構(gòu)成的測(cè)試集。

步驟二 數(shù)據(jù)檢驗(yàn)：取得系統(tǒng)軟件操作所需的內(nèi)部數(shù)值，不斷結(jié)合系統(tǒng)運(yùn)行區(qū)內(nèi)相關(guān)程度較高的停車(chē)場(chǎng)剩余泊位預(yù)測(cè)數(shù)據(jù)，并檢驗(yàn)?zāi)繕?biāo)數(shù)據(jù)存在的合理性，構(gòu)造數(shù)據(jù)檢驗(yàn)公式，如式（4）所示：

式中，g表示目標(biāo)數(shù)據(jù)空間占比系數(shù)，q表示數(shù)據(jù)合理性參數(shù)，φ表示數(shù)據(jù)相關(guān)程度數(shù)值。根據(jù)以上研究調(diào)整最終的數(shù)據(jù)操作狀態(tài)，獲取軟件系統(tǒng)設(shè)計(jì)的關(guān)鍵信息參數(shù)。

步驟三 初始化權(quán)值：當(dāng)進(jìn)行初始化時(shí)，所有訓(xùn)練樣本都被賦予相同的權(quán)重，因此有：

式中，m表示樣本總數(shù)。

步驟四T輪訓(xùn)練：結(jié)合boosting 算法對(duì)樣本集進(jìn)行T輪訓(xùn)練，保證每次訓(xùn)練結(jié)束后，每個(gè)樣本都具備較大權(quán)重，方便后續(xù)對(duì)剩余樣本進(jìn)行學(xué)習(xí)與訓(xùn)練，由此獲取預(yù)測(cè)函數(shù)序列。

步驟五 計(jì)算該預(yù)測(cè)函數(shù)的錯(cuò)誤率，如式（6）所示：

步驟六 重復(fù)上述步驟，直到獲取最優(yōu)迭代數(shù)據(jù)為止，并輸出最終參數(shù)。

步驟七 將測(cè)試集中的預(yù)估停車(chē)場(chǎng)剩余泊位數(shù)以及最終的參數(shù)代入預(yù)測(cè)模型中，得到最終預(yù)測(cè)的剩余停車(chē)泊位數(shù)。

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)

采集某一停車(chē)場(chǎng)區(qū)域的停車(chē)數(shù)據(jù)，生成停車(chē)場(chǎng)內(nèi)部邏輯圖，并上傳到系統(tǒng)的服務(wù)端。該電子地圖覆蓋了泊位狀態(tài)、實(shí)際地址等實(shí)時(shí)信息，可以作為泊位優(yōu)化計(jì)算的輔助工具，停車(chē)場(chǎng)內(nèi)部邏輯地圖如圖4所示。

由圖4 可知，以某個(gè)停車(chē)場(chǎng)的7 個(gè)區(qū)域?yàn)槔謩e是南一環(huán)A、B 區(qū)，東一環(huán)A、B 區(qū)，西一環(huán)A、B 區(qū)，北一環(huán)A 區(qū)，截至2018 年10 月份底，該市的停車(chē)場(chǎng)資源情況如表1 所示。

表1 停車(chē)資源調(diào)度表

圖4 停車(chē)場(chǎng)邏輯地圖

3.2 實(shí)驗(yàn)結(jié)果與分析

停車(chē)場(chǎng)泊位使用率指的是一個(gè)時(shí)間段內(nèi)的泊位情況，停車(chē)場(chǎng)泊位使用率實(shí)際數(shù)據(jù)統(tǒng)計(jì)如表2 所示。

表2 停車(chē)場(chǎng)泊位使用率實(shí)際數(shù)據(jù)統(tǒng)計(jì)

根據(jù)表2 各個(gè)時(shí)間段的泊位使用率信息，能夠?qū)Ρ确治龌趦?yōu)化LSTM 模型、NB-IoT 技術(shù)和GABP 神經(jīng)網(wǎng)絡(luò)的車(chē)位預(yù)測(cè)系統(tǒng)和基于boosting 的預(yù)測(cè)系統(tǒng)的泊位使用率預(yù)測(cè)情況，如圖5 所示。

由圖5 可知，使用基于優(yōu)化LSTM 模型，在12 h左右的泊位使用率達(dá)到最高，為72%，且在6～8 h 內(nèi)，出現(xiàn)了高達(dá)將近16%的泊位使用率，與實(shí)際數(shù)據(jù)不一致；使用NB-IoT 技術(shù)和GA-BP 神經(jīng)網(wǎng)絡(luò)的車(chē)位預(yù)測(cè)系統(tǒng)，在10～11 h 泊位使用率達(dá)到最高為71%，且在4～8 h 內(nèi)，出現(xiàn)了高達(dá)將近56%的泊位使用率，與實(shí)際數(shù)據(jù)不一致；使用基于boosting 的預(yù)測(cè)系統(tǒng)，在13.5 h 左右的泊位使用率達(dá)到最高，為91%，與實(shí)際數(shù)據(jù)一致。

圖5 3種系統(tǒng)泊位使用率預(yù)測(cè)情況對(duì)比結(jié)果

通過(guò)上述分析結(jié)果可知，該系統(tǒng)泊位使用率與實(shí)際數(shù)據(jù)一致，說(shuō)明該系統(tǒng)的泊位預(yù)測(cè)結(jié)果較為精準(zhǔn)，實(shí)際應(yīng)用的價(jià)值較高，可以幫助司機(jī)實(shí)現(xiàn)高效停車(chē)。

4 結(jié)束語(yǔ)

在分析固有區(qū)域停車(chē)需求的基礎(chǔ)上，結(jié)合boosting算法，提出并設(shè)計(jì)區(qū)域停車(chē)場(chǎng)剩余泊位預(yù)測(cè)系統(tǒng)。利用停車(chē)場(chǎng)歷史數(shù)據(jù)進(jìn)行分析和研究，建立停車(chē)場(chǎng)剩余泊位預(yù)測(cè)模型。該模型考慮多種因素，具有良好的預(yù)測(cè)效果，將該系統(tǒng)應(yīng)用于車(chē)位信息發(fā)布中，能夠有效提高泊車(chē)效率，避免停車(chē)場(chǎng)沒(méi)有空余車(chē)位，或者空余車(chē)位未被發(fā)現(xiàn)的情況。