基于信用評分卡的停車信用模型及智能預約停車決策方法

朱 偉，賈曉虎，何美美

（中國公路工程咨詢集團有限公司，北京 100195）

1 引言

近年來，隨著我國經濟快速發展，汽車保有量不斷提高，城市普遍存在停車難的問題。除停車泊位供給不足外，停車難與停車場智能化管理水平有關，具有預約停車功能的停車場可以提高泊位利用率并最大化停車收益。因此，關于預約停車決策方法的研究是提高車位利用率、期望收益的重點。

針對預約停車行為違約和預約車亂停放的問題，現有方式主要通過增加停車費來約束違規行為，但應從問題根源——車主實際的停車行為出發，建立停車信用評價體系。

針對上述問題，應根據車主的歷史停車行為，建立車主預約違規概率的信用評分模型，停車管理系統即可根據車主的信用評價進行停車預約決策。一方面，引入停車信用評分模型，對車主信用進行評級，另一方面，將信用模型作為停車預約決策的依據，提高停車場的車位利用率和運營效益。

2 停車信用評分模型

2.1 停車信用評分模型分析

停車信用評分模型參照銀行貸款申請評分模型的思想，在車主停車預約時，評價其歷史停車信用，預測車主發生違約行為的概率，并作為停車場預約決策的主要依據。針對停車預約時間內未抵達、超出預約時間停車、不按指示停車等違約行為，建立停車用戶信用評分模型。

2.2 建模方法

2.2.1 數據獲取及預處理

獲取數據后，先對缺失值進行處理，刪除缺失樣本、填補有相關關系和相似性的缺失數據。通過離群值檢測的方法，找出樣本總體中的異常值。最后為了驗證模型的擬合效果，將數據集切分成訓練集和測試集。

2.2.2 變量選擇

首先對變量進行離散化（分箱）處理。優先選擇對連續變量進行最優分段，通過WOE（證據權重）分析方法選取變量，即通過比較指標分箱和對應分箱的違約概率來確定指標是否相關。

2.2.3 模型開發

為了便于信用評分并加快邏輯回歸時自變量的處理速度，將篩選后的特征變量進行WOE轉換。

2.2.4 模型檢驗

利用測試集數據檢驗模型的預測能力，通過ROC曲線和AUC評估模型的擬合能力。根據模型的預測值和實際值可以計算出召回率TPR和誤報率FPR：

式中：TP——被正確識別的正樣本；

AP——所有正樣本；

FP——被錯誤識別的負樣本；

AN——所有負樣本。

2.2.5 信用評分

將Logistic模型轉換為標準評分卡形式。個人信用評分為基礎分（scoreb）與各部分得分（scorep）之和。基礎分通過假定的基準分值（b）、比率翻倍的分值（PDO）和基準分值對應的好壞比（odds）計算得出：

式中：coer——邏輯回歸模型的系數，

coer——特指常數項；

woe× ——特征變量轉換后的WOE值。

2.2.6 主標尺設計

由信用風險標準評分卡通過邏輯回歸方程原理可以計算出該評分卡所有得分范圍對應的違約概率。評分和違約概率的關系見下式：

其中，

3 預約決策算法

車主預約停車中的違約行為會導致停車場收益減少，因此重點考慮預約停車違約概率對期望收益的影響。通過分析車主的信用評分，用停車違約概率和最優預約人數上限的關系評估停車預約行為。

3.1 累積最大期望收益

當時段t的預約狀態為S時，設由時段0到時段t停車場的累積最大期望收益為Vt(s)，采用馬爾可夫過程描述預約過程。

若預約請求被接受，則累積收益為：

式中：p——車主違約的概率；

r——向一位車主提供停車服務所帶來的收益；

L''——一個空閑時段的損失。

若預約請求被拒絕，則累積收益為：

式中：L——拒絕一個預約車主的預約請求的損失。

車主滿意度造成的損失記為L'，故累計收益為：

式中：m——停車場車位數。

若式（12）的值大于式（11），則應接受預約請求；反之拒絕。

因此，當時段t的預約狀態為S時，有新預約請求時停車場的最大累積收益應為：

綜上，由時段0到時段t停車場的累積最大期望收益為：

其中，表示有無停車預約請求的概率。

3.2 停車預約決策方法

停車預約決策方法即在保證停車場最大期望收益下確定任意預約時段t內數量達到最優數量上限[u(s)的方法。當車主預約停車時，先計算平均信用及違約概率，再找到對應的最優預約上限數量，若預約總數小于該上限值，則接受預約請求；反之拒絕。圖1顯示了預約決策流程。

圖1 變量信息值（IV）

4 實驗仿真

采用多智能體仿真模式生成停車數據，數據預處理后進行模型開發，先驗證模型的有效性，再得到停車信用評分卡和主標尺。最終計算出不同違約概率下的最優預約人數上限即最優停車預約決策方法。

4.1 建立模型

每一輪仿真隨機選取4000名用戶中的800名進入停車場，模擬停車場一天的停車行為。仿真90輪，得到4000名用戶3個月的停車數據。將數據集的70%作為訓練集，用于建立模型；30%作為測試集，用于驗證模型的有效性。

通過對各變量的分箱結果、信息值（IV）如下：

由圖1可得，各變量之間的相關性小，刪除不相關變量x1、x2、x3。

通過Logistics回歸，得出AUC值為0.77。此時，模型的預測能力最佳。

圖2 AUC

建立標準評分卡：文章取基準分值為200分，PDO為20（每高20分好壞比翻一倍），基準分值對應的好壞比取20。此時基礎分為101分，并得到相應的違約概率。

表1 標準信用評分卡

表2 主標尺

4.2 基于信用評分的預約決策方法

假設每天預約停車數量服從泊松分布，且違約概率在0～0.5之間。參數設置如下。

表3 參數設置說明

圖3 不同違約概率對應的預約決策方法示意圖

表4表示[u(s)隨著違約概率增高而增高，當違約概率較高時，應通過多接受預約減少收益損失。一方面，違約概率較高時，停車場可減少違約造成的損失；違約概率較低時，可保證停車場能提供車位供應。另一方面，車主違約概率高時，預約成功率低；車主違約概率低時，預約成功率高。通過提倡守約的策略，提高停車預約業務的穩定性，提高停車場收益。

表4 不同違約概率下的最優預約數量上限

5 結語

基于信用評分卡建立了一種停車信用模型，并提出一種預約停車決策方法。通過仿真實驗，實現車主信用水平的量化評價，證明模型有效并具有實用性，能夠較準確地預測車主違約概率，為停車場最大期望收益下的停車預約提供決策依據。