基于模糊信息粒的停車泊位可變容量預測

喬 雪，盧海軍，張道明

(齊齊哈爾大學，黑龍江 齊齊哈爾 161006)

1 引言

在社會經濟快速發展的背景下，大眾的交通需求逐漸提升，擁有私家車的人數也與日俱增，導致商業區與行政服務集中區出現了停車難的情況，增加了交通的擁堵程度[1，2]。研究結果顯示，三分之一的交通擁堵是由尋找停車位造成的[3，4]，所以，停車泊位可變容量預測具有非常重要的研究意義。

劉菲[5]等人提出基于優化LSTM模型的停車泊位預測算法，建立LSTM模型，通過該模型對經過網絡預測后的時間序列進行進一步訓練。利用多個實測道路停車場的實時數據進行有效性驗證，分析實驗結果可知，該算法預測效率較高，但預測精度有待提升。金康[6]等人提出基于引力和斥力的停車位發現算法，該算法通過定義停車位引力因子和車間斥力實現對停車位的分級，并分析了各因子之間的競爭關系。實驗結果表明，該算法縮短了車輛停車位的搜索時間，但若預測步長數量有所增加，所得結果的精準度會出現極大程度的下降。

針對上述問題，本文通過模糊理念的運用，對基于模糊信息粒的停車泊位可變容量預測進行研究，將時間作為變量，創建路內線性函數與路外階段性函數表達式，基于容量函數及對應約束條件，實施各項指標運算，采用模糊信息粒處理時間序列數據，通過隸屬度函數完成數據轉換，利用特征數據合理描述初始窗口信息，得到以子序列窗口為基礎的模糊信息矩陣，通過大量記憶模塊的引入與樣條插值處理，對特征數據進行重構，最后根據獲取的完整預測時間序列數據，使停車泊位可變容量預測得以完成。

2 基于模糊信息粒的停車泊位可變容量預測方法

2.1 停車泊位可變容量分析

一個物體的粒化會生成一系列粒，而每一粒都是一個簇點，復雜的空間信息構成了信息系統，而大量的空間信息粒則組成了空間信息。信息粒化(Information Granulation，簡稱IG)在許多方法與技術里都占有一席之地，其對信息粒的處理主要采用非模糊化形式，但空間信息與判定推理時涉及到的大部分空間信息粒都是模糊的，也就是說，空間信息粒具有模糊性。

根據上述原理分析，運用模糊信息粒對停車泊位可變容量進行預測。由于停車泊位容量可變，因此對路內、路外的停車泊位展開分析，分別構建相應的函數表達式。將規劃路內停車泊位的可變容量設定為N內，建立線性函數，如下式所示

N內=at+b0

(1)

式中，b0為路內停車泊位的初始可變容量，a為參數，t為當日零時整的預測時間戳。

不同于路內停車場，路外停車泊位要建立地下停車場、立體停車庫等專門的停車場所，因此其泊位可變容量具有一定的周期性，并且建立周期很長。由于停車泊位可變容量將隨著時間的遞增而呈現階段性的提升趨勢，因此以時間t為變量，對規劃路外停車泊位可變容量階段性函數進行創建，得到如下公式

(2)

式中，λj為停車場所建立的第j階段系數，Nj為第j階段的路外停車泊位容量，m為規劃停車場建立階段的總數。

綜合上式，得出停車泊位可變容量函數表達式

(3)

其相應的約束條件為pi(t)≤p′i(t)，根據時間分布函數pi(t)以及第j小時的停車泊位容量進行求解，其計算公式分別如下所示

pi(t)=xPi+yt

(4)

Pij=Pi+j·(tj-1)

(5)

(6)

并采用下列函數Fi(·)表示第i類機動車駕駛員的出行效用

Fi(pi，di，hi，vi)=βi1pi+βi2di+βi3hi+βi4vi

(7)

由于函數計算對泊位容量的預測準確性不高，所以，引入模糊信息粒，提升預測精準度。

2.2 模糊信息粒引用及數據轉換

2.2.1 引用模糊信息粒

基于一定的分類準則，對一個信息整體進行分類，從而完成對部分的劃分，其中分解得到的部分就是信息粒。當前共存在三種主要的信息粒化模型：模糊集模型、粗糙集模型以及商空間理論模型。通過模糊信息粒化方法的應用，實現停車泊位可變容量的模糊信息粒化處理。該粒化方法由窗口分類與信息模糊化兩個環節構成，其中，窗口分類把所有時間序列分解成若干個子序列，各子序列都是一個操作窗口；信息模糊化基于一定的模糊原則，轉換所有窗口數據為對應的模糊信息粒。作為粒化階段的重點，信息模糊化應實現初始窗口信息可以被新架構的模糊集合替代。

若針對單個窗口，將總體數據序列Q當成一個窗口，然后實施模糊化處理，也就是說，模糊化任務在序列Q中架構模糊粒子g。下式表示模糊概念G和模糊粒子g的關系

g=Fi(x·G)

(8)

式中，x為論域的變量，以X為論域的模糊集合就是模糊概念G。

模糊粒子的常用形式為三角形、高斯型、拋物型以及梯形等。因為預測對象為停車泊位的容量變化，相當于對窗口數據的大小極值進行求解，因此，需要采用三角形模型粒子完成數據轉換，下式所示即為其隸屬度函數表達式

(9)

式中，a為初始數據變化的極小值參數，表示該窗口的數據變動下限；m為平均值，表示數據變化平均水平；b為極大值，表示數據波動上限。

2.2.2 窗口數據變化

因為停車泊位容量是一種可以根據時間改變而持續變更的數據，因此針對其龐大的非線性時間序列[7]數據，需采用壓縮方法提取重要信息，從而取得相應的特征數據集合。通過模糊信息粒化策略的采用，能夠重構和粒化停車泊位容量的時間序列，該策略為提取大規模數據重要信息的有效途徑。模糊信息粒化時間序列共有以下兩個階段：

1)分解時間序列為若干個子序列，形成執行窗口。

2)模糊化所有操作窗口，架構模糊集合，該集合即為模糊信息粒。

由于經過處理的數據樣本仍能留存初始樣本數據的屬性，因此，對一組較小的樣本區間進行獲取，計算過程將更為便捷。

設定X為停車泊位的時間序列數據，其表達式如下所示

X={xt1，xt2，…，xti}

(10)

式中，xti為在ti時的停車泊位容量。

根據現實需求對一個等間隔時間粒度T序列數據進行分解，將所得的多個子序列[8]數據作為粒化窗口，并得到各粒化窗口相應的停車泊位容量極值與初始、末尾時刻停車泊位容量。設定第k個粒化窗口中泊位容量的極小值為lowk，極大值為upk，初始時刻泊位容量用startk表示，末尾時刻泊位容量用endk表示，得到下列表達式

Pk=(startk，lowk，upk，endk)

(11)

其中，k=1，2，…，n。對初始窗口數據采用四個特征數據進行合理描述，實現初始時間序列的簡化，相當于將時間序列數據進行模糊信息粒化。基于所得的low、up數值，引入各窗口中的時間特征，對low、up值相應的峰值時間tlow與tup進行獲取，最終獲得Y1，Y2，…，Yn。根據下列表達式，轉換時間為時間戳[9]Tstamp

Yk=(lowk，tlowk，upk，tupk)

(12)

其中，k=1，2，…，n。由于經過轉換的時間戳數值較大，無法與數據特征進行擬合，所以，通過下列公式對時間偏移t′進行界定

t′=Tstamp-Yk[t+(k-1)×60T]

(13)

式中，Tstamp為當前時間戳，T為明確后的時間粒度，第k個粒化窗口用k表示。把所有粒化窗口的峰值時刻變成區間為(0，60T)的值后，得到下列表達式

Y′k=(lowk，t′lowk，upk，t′upk)

(14)

通過合并所有子序列窗口的模糊信息，可以取得如下所示的矩陣X′與Y′

2.3 模糊信息粒化下停車泊位預測的實現

根據模糊信息數據轉換的特征矩陣，對停車泊位容量變化特征進行預測，從而制定具有記憶屬性的預測策略，其不僅可以避免反向傳輸的梯度爆炸[10]與衰減等弊端，而且能夠通過隱藏層中的記憶模塊，實現時間序列短長期的關系聯立，利用重要信息的篩除、儲存控制，完成泊位容量的預測。

預測策略內含有大量的記憶單元，其主要組成部分有輸入門、輸出門、遺忘門以及儲存模塊，框架圖如圖1所示。

圖1 記憶單元框架示意圖

若策略輸入由特征矩陣X′與Y′來實現，那么前者負責泊位數變化的預測，后者則負責峰值時間的預測。依據策略中隱藏層的迭代運算，得到第k+1個粒化窗口的泊位數量變化與相應峰值時刻t′lowk、t′upk，其中，泊位數量變化表達式如下所示

Pk+1=(startk+1，lowk+1，upk+1，endk+1)

(17)

由于上述預測特征數據為離散分布的形式，而插值就是基于離散數據，實施已知函數參數的確定或者建立近似函數，令其可以理想擬合已知數據，從而完成“斷鏈”部分模擬值的求解，使曲線得以重構。

通過三次樣條插值完成相應的數據處理，以重構特征數據，并獲取預測區間中泊位容量的連續變化狀態。相比于高次樣條，該插值的運算量更小，內存占用更少，運行更加穩定，對整體的靈活性與運算效率做出合理的考慮后，制定如下的插值重構流程：

1)升序排列第k+1個粒子窗口時間序列，并實現區間劃分，從而完成相應時刻泊位容量的獲取。

2)經過三次樣條插值函數的建立，使插值重構得以達成。

設定[t′startk+1，t′upk+1]、[t′upk+1，t′lowk+1]以及[t′lowk+1，t′endk+1]分別為粒化窗口分解的三個區間，以區間[t′startk+1，t′upk+1]為例，對相應的三次樣條插值函數建立進行描述，因此，下列公式即為三次樣條插值的函數表達式

S(xj)=dj(x-xj)3+cj(x-xj)3+bj(x-xj)

(18)

式中：j=0，1，…，n-1，xj與yj分別表示某一時刻及其相應的泊位容量，mj為常數值。

采用建立的插值函數插值重構預測區間，基于插值曲線獲得相應的預測時間序列數據。同理插值處理區間[t′upk+1，t′lowk+1]與[t′lowk+1，t′endk+1]后，將所得序列數據相結合，即可獲取完整的預測時間序列數據，最終預測出停車泊位的可變容量。

3 仿真與結果分析

為了驗證基于模糊信息粒的停車泊位可變容量預測方法是否具有可行性，進行仿真。選取某一地區地上停車場作為實驗對象，對文獻[5]方法、文獻[6]方法與本文方法進行對比分析。仿真環境基于MATLAB R2012a軟件，采用64位Windows7系統，奔騰雙核2.8GHz CPU，8GB運行內存。

對實驗研究區域的停車設施進行重點調查，匯總分析調查得到的數據，從而得到該停車場停車泊位的周轉率與利用率情況，具體結果如表1所示。

表1 實驗區域停車場停車泊位情況

根據停車泊位的情況，將預測結果與實際值一起繪制成圖，觀察二者之間的擬合效果，該停車場的實際泊位容量曲線與本文方法的預測曲線如下圖2所示。

圖2 停車場泊位容量預測

根據預測曲線圖發現，本文方法與實際容量曲線走勢擬合度較高，本文方法的預測結果與實際值之間差距較小，可以說明該方法的預測結果較為準確，這是因為本文方法基于模糊信息粒方法，將時間序列關系進行聯立，并采用三次樣條插值方法實現特征數據的重構。在數據重構的基礎上，預測區間泊位容量的變化狀態，從而提高了預測準確度。

根據上述實驗環境與停車場實際容量曲線圖，選取某天的6：00-120：0時段做具體比較，分別采用文獻[5]方法、文獻[6]方法與本文方法對該停車場泊位容量進行預測，測試不同方法的預測準確度，結果如圖3所示。

圖3 不同方法預測準確率對比

通過圖3可以看出，相比于文獻[5]預測方法和文獻[6]預測方法，本文方法的停車泊位可變容量預測結果準確率更高。說明基于模糊信息粒的停車泊位可變容量預測方法可以為用戶提供準確的可用車位數量，輔助其迅速找到車位，使停車難度得到一定的緩解。該方法不僅可以防止用戶抵達停車場所才得知沒有泊位的狀況產生，而且解決了因停車而引發的交通堵塞問題。

4 結論

為了使用戶的出行更加便捷，本文提出一種基于模糊信息粒的停車泊位可變容量預測方法，依據時間變量，對線性函數與階段性函數進行架構，根據所得容量函數與約束條件，對相關指標與用戶出行效用進行計算，通過模糊信息粒及其隸屬度函數，完成時間序列數據的處理與轉換，利用記憶模塊實現時間序列聯立，依據插值的離散數據，建立近似函數，以達成特征數據重構，基于完整的預測時間序列數據，預測出停車泊位可變容量。經過仿真，本文方法能夠精準預測停車泊位容量，信息粒化概念的引入，較好地解決了停車泊位容量預測不精準的問題，為后續研究提供了一定的理論支撐。