基于貝葉斯網絡的停車場主動引導算法研究

王征　王鋮杰　趙風尚

摘要：針對目前國內停車場普遍存在的停車難、管理亂等現實問題，提出了基于貝葉斯網絡的停車場車位引導模型。通過選取停車行為相關因素作為選擇變量，構建了面向停車引導的貝葉斯網絡結構，并計算停車入位行為的最大后驗概率，以此分析出停車引導的最佳路徑。

關鍵詞：貝葉斯網絡；停車入位；主動引導

中圖分類號：TP3016文獻標識碼：A

doi：10.14031/j.cnki.njwx.2017.10.002

Abstract：In this paper， based on the practical problems such as parking difficulty and management chaos in domestic parking lot， this paper puts forward a parking model based on Bayesian network. By selecting the relevant factors of parking behavior as the selection variables， the Bayesian network structure for parking guidance is constructed， and the maximum posteriori probability of parking entry behavior is calculated to analyze the best path of parking guidance.

Keywords： bayesian network； parking entry； active guidance

0引言

隨著經濟的持續快速發展，汽車消費進入了高速增長期，機動車保有量的增大不僅給城市道路交通帶來了巨大的壓力，同時停車設施短缺、停車難、管理亂等問題已成為影響城市交通發展的一大難題[1]。停車場智能化車位引導算法可以有效引導待停車量，在不擴張停車場容量的前提下提高它的利用率。同時增強停車場的安全性和可靠性，節約大量的人力物力，具有十分重要的現實意義。

1貝葉斯網絡簡介

貝葉斯網絡（BayesianNetwork， BN）是人工智能領域的一種重要的處理概率問題的建模方法。貝葉斯網絡是不確定性推理的圖模型。在圖模型中，節點表示變量，弧表示變量之間的依賴關系。

貝葉斯網絡推理是統計模型推理的一種基本方法，其基本思想是：已知條件概率表達式和先驗概率分布，利用貝葉斯公式轉換成后驗概率，根據最大后驗概率得出推理結論。

如公式1所示的貝葉斯公式中，事件Bi的概率為P（Bi），事件Bi已發生條件下事件A的概率為P（A│Bi），事件A發生條件下事件Bi的概率為P（Bi│A）。

P（Bi│A）=P（Bi） P（A│Bi）∑nj=1P（Bj） P（A│Bj）（1）

最大后驗概率（Maximum a Posteriori assignment，MAP）是使后驗概率達到最大值時的概率分布狀態。它可以看做貝葉斯推理的一種特殊形式。在給定E=e的條件下，h為目標變量子集構成的一個聯合狀態賦值。如公式2所示。

MAP=argmaxhP（H=h|E=e）

（2）

2停車場車位引導模型

將停車場按車輛行駛路徑劃分成不同區塊，每個區塊行駛路徑兩側均包含不同數量的停車泊位[2]。停車區塊的集合為Pa，變量Xij∈Pa，其中變量Xij表示當前停車區塊的狀態。i標識路徑是否暢通的狀態，如i=0表示路不通，i=1表示路通。j標識當前變量區塊空余車位狀態，j=0表示無空余車位，j=1表示有空余車位。X11就表示此時段X區塊狀態為道路通暢且有空余車位。這樣停車場內每個停車區塊所處的狀態都可用表1列出的狀態所表示出來。

設集合E為包含所有觀察到有空余車位區塊的集合，且E={ek|k=1，2，…，n}為空余車位區塊數，則ek=X11，X11∈Pa，EPa。

那么由停車場入口區塊In到停車場區塊ek的停車路徑可表示為由∪Xij到ek的一個通路，其中∪Xij的約束條件是變量X為路徑中排序在ek之前的區塊。

另一方面，對于優化停車進入泊位的整個過程并不是只由空車位和道路狀況兩個因素決定的，它還受到其它各種因素的相互影響，這些多種因素相互之間的影響關系可以通過貝葉斯網絡表示出來[3]。

3構建貝葉斯網絡

3.1變量選擇

考慮到停車行為受多種相關性因素的影響，同時結合北京市2016年停車場停車流量調查數據分析，選擇了七個變量為貝葉斯網絡構建的節點變量，分別是車主身份（owner identity，OI）、起停時間（parking start time，PST）、停車時長（parking internval，PI）、步行距離（walking distance，WD）、停車區域（parking area，PA）、停車入位時間（parking time，PT）和道路狀況（road condition，RC）[4]。這些變量的取值情況如表2所示。

3.2構建貝葉斯網絡

以北京市2016年停車場停車流量調查數據樣本為訓練數據集，通過應用貝葉斯網絡經典的K2算法和Matlab的Full-BNT工具箱進行貝葉斯網絡結構學習，確定如圖2所示停車場車位引導貝葉斯網絡的結構。

由貝葉斯網絡停車引導結構圖可以看出，停車行為從入口到最終泊車入位是受七個變量因素的相互制約與影響，其中停車空閑區塊（ek）的觀察變量PA（ek）和RC（ek）的取值應等于1，其余五個變量（OI，PT，PI，WD，PT）則是根據不同的取值反映出不同情況下各種停車入位行為的相關狀態。這種停車入位行為的狀態可以用后驗概率的形式表示出來。那么停車入位的最優引導方案就可以認為是這些后驗狀態中的最大后驗概率（MAP），即MAP（ek）=argmaxekP（OI，PT，PI，WS，PT|PAek=1，RCek=1）。

4停車入位引導的實現

通過計算停車引導貝葉斯網絡MAP求得最佳停車區塊ek，可以搜索由停車場入口In到此最佳停車區塊ek的各條路徑，從中選擇停車入位時間最短的一條通路作為當前的最優停車路徑。而在當前車輛駛入停車位之前，應避免停車場內其余車輛已引導的通行路徑與其沖突。具體的停車入位流程如圖3所示。

5結束語

該停車場主動引導算法以車位為中心，建立停車場車位分布圖背景下的貝葉斯網絡數學模型，尋找最合理空閑車位并加以引導的分析過程。該算法可用于智能化程度較高的室內大型停車場，可以有效減少停車場管理人員成本，提高停車入位效率，在解決停車難問題中擁有更大的應用前景。

參考文獻：

[1]王一軍，陶杰.現代大型停車場車位誘導優化算法及仿真[J]. 計算機仿真，2007（11）.

[2]陳群，史峰，姚加林，等.區域內停車場停車量分配優化[J].西南交通大學學報，2009（2）：280.

[3]季彥婕，王煒，鄧衛.停車場內部泊車行為特性分析及最優泊位選擇模型[J].東南大學學報（自然科學版），2009（2）：399.

[4]閻瑩，張巍，劉盼芝.停車場管理系統的初步設計[J].交通與運輸：學術版，2005（1）：75.

（03）endprint