行之知识产权综合服务平台

技术领域

本发明涉及模糊控制领域，具体是一种面向自然语言，利用沉淀的元数据信息进 行诱导停车的决策方法。

背景技术

由于国内经济发展呈层次化、阶梯化的形态，因此对于智慧停车场的需求和理解 也呈现了不同的状态。简而言之，经济欠发达地区对于停车场资源透明度、可视度的处理尚 未完善，因为汽车数量不及一、二线城市多，对于停车场的需求也呈现了差异化；对于经济 高度发展的大型城市而言，城市公共或私有停车场都做到了信息透明，可以实时的呈现在 网页端，甚至一些移动客户端上。但关于停车场内的诱导停车服务却做得不尽如意，主要表 现在以下几个方面：

(1)简单粗暴的元数据。由于技术能力的落后，一些停车场只通过简单的车位识别 和加法运算处理后的“元数据”展现给被服务主体。车辆驾驶者并无法从这些基础的数据中 得到直接的帮助，例如，前方有23个车位，左侧有34个车位。这只是信息的展示，换句话说这 简单粗暴的诱导只能叫做ParkingGuidanceandInformation(PGI)。大量的原始数据并 没有完全处理，系统没有发掘出其背后的意义。

(2)无处不在的RFID。为了提供形式上“一对一”有针对性的诱导服务，停车场的管 理系统不得不掌握车辆的位置，因此就需要一定数量的RFID遍布整个停车场，并实时与汽 车进行信息识别。这种形式的诱导停车看似感知了整个环境和被服务主体，实际上只是在 堆砌同类型的硬件而已。利用RFID或者NFC技术来明确个人标识，并没有主动匹配用户需求 与停车场的资源。

(3)免费的移动软件客户端。为了得到能够更好的呈现效果和用户体验，停车场管 理者不遗余力的开发各种移动终端上的APP，用来展示停车场信息。然而得到的效果却不是 那么的明显，主要原因有以下几点：

a.由于电信运营商的网速限制或者移动终端的性能不一，导致用户体验有了差异 化。用户不能实时地获得一手信息，也就不能及时地作出判断。

b.信息的展现与互动是建立在用户统一的软件界面，甚至是相同的硬件架构之上 的。对于停车场的老用户尚不能普及，更不用说新来的用户了。更何况每个停车场的管理系 统平台不一样，这样对于用户的耐心、其手机的性能都是一种负担。

综上所述，现阶段国内停车场的智能诱导服务做的尚未完善，用户的需求分析不 明朗、体验感欠缺，现阶段主要受困于以下几个方面的问题：

(1)停车场不能准确把握被服务者需求；

(2)驶入汽车限于技术只能被动接受信息；

(3)需要被服务主体拥有统一的软、硬件平台的因素。

发明内容

为了解决上述现有技术存在的缺陷，本发明提供了一种基于Mamdani算法的停车 诱导决策方法，能够发掘历史数据库中更深层的意义，能够主动匹配用户需求和停车场资 源。

本发明采用的技术方案：一种基于Mamdani算法控制的停车诱导决策方法，包括用 于输入车辆种类的模糊化接口1和用于输入停车频率的模糊化接口2，包括以下步骤：

S1：按照停车场电梯终点和特征，将电梯分为四类：直达商场的商场直梯，悠闲到 达商场的扶手电梯，直达电影院的电影院直梯和直达写字楼的写字楼直梯；

按照上月车辆平均每次停留时长，将停车场内的停车类型Type分为四种，即模糊 化接口1的输入：时长为0～1小时定义为“短暂停留”，时长为1～2小时定义为“购物”，时长 为2～3小时定义为“看电影或吃饭”，时长为3～24小时定义为“工作”；

按照上月车辆停车次数Times，划分停车频率Frequency，停车次数为0～30次的， 记其停车频率为停车次数，即Frequency＝Times；停车次数为31～40次的，记其停车频率为 31；停车次数大于40次的，记其停车频率为32；

停车类型和停车频率均记录在系统后台数据仓库；

S2：车牌识别与语音输入甄别，用户可以在停车场入口识别车牌时，说出停车目 的，系统自动甄别停车类型，停车类型为“短暂停留”的，模糊化接口1输入Type＝-1；停车类 型为“购物”的，模糊化接口1输入Type＝0；停车类型为“看电影或吃饭”的，模糊化接口1输 入Type＝1；停车类型为“工作”的，模糊化接口1输入Type＝1；

根据用户语音输入信息或车辆上月停车频率，模糊化接口2输入停车频率 Frequency；

如果用户在识别车牌期间保持沉默，则系统根据车辆上月平均每次停留时长来输 入停车类型，根据车辆上月停车次数输入停车频率；

如果用户没有说出停车目的，且车辆是第一次驶入停车场，则系统自动将该车辆 类型归类为“购物”，模糊化接口1输入Tpye＝0，模糊化接口2输入Frequency＝0；

S3：计算可靠度指数ReliabilityIndex，如果有用户语音信息，则按照语音信息 中的关键词计算；如果没有用户语音信息，则通过历史数据分析得到可靠度指数；

S4：建立隶属函数，将由输入变量、输出变量构成的普通型关系数据库转换为模糊 型关系数据库，普通型数据库共有D个数据元组{d₁，d₂，…，d_D}构成，其相应的模糊型数据库 为{μ_d1，μ_d2，…，μ_dD}，其中μ为模糊化隶属度函数，μ_dk由组成，k＝1，2，…，D，其中和分别是模糊输入的隶属函数，则是输出的函数；

S5：创建模糊规则库，基于if-then的规则表述，利用逻辑，将模糊化输入、输出相 关联，得到初步模糊规则库，其方法为：

若用户明确目的地，则根据模糊化输入量Frequency确定停车位置，其划分的原则 依照其历史月驶入的次数，如图4；若用户没有明确表达目的地，且不是第一次进入停车场， 则系统根据历史数据确定停车类型；若用户没有明确表达目的地，且是第一次进入停车场， 则系统自动按照目的地为商场直梯来处理；

S6：计算模糊规则的支持度，其表述如下：

sup p ( T y p e , F r e q u e n c y , Re l i a b i l i t y = > T arg e t ) = Σ K = 1 D μ d k T y p e μ d k F r e q u e n c y μ d k Re l i a b i l i t y μ d k T arg e t D ; ]]>

完成初步模糊规则库后，通过计算模糊规则的支持度，筛选支持度最高的规则，除 去支持度低于0.5的冗余规则，得到完备模糊规则库；

S7：反模糊化过程，采用反模糊化方法从模糊型数据库中获得精确结果；

S8：诱导停车，通过步骤S7得出的汽车目标停车位，通过显示手段向驾驶员传递最 终结果；

S9：汽车驶出停车场后，将步骤S7中的系统推理结果、系统后天数据仓库中的汽车 目标地类型和汽车真实停车类型进行比较后，进行数据更新和用户习惯升级，其计算方法 如下：

Type u p d a t e = 2 × Type C a l c u l a t e + T i m e s × Type e x i s t e n c e + 5 × Type t h i s T i m e s + 7 ]]>

公式中，

Type_update--最后更新的Type数据；

Times--系统后台数据仓库中既有数据；

Type_calculate--步骤S7得到的结果；

Type_existence--系统后台数据仓库中原有的Type数值；

Type_this--根据汽车真实停留时间得到的汽车Type数值。

优选的，步骤S3中可靠度指数ReliabilityIndex计算方法如下：

S31：如果有用户语音输入，则识别语音信息中的关键词Keyword、汉字个数 Length、声音分贝Loud和语音时长Period；

计算语速 S p e e d = [ P e r i o d L e n g t h ] , ]]>和语速指数 Speed , = ]]>

( S p e e d - 0.3 ) × ( a - b ) ( 0.33 - 0.3 ) + a S p e e d ∈ [ 0.3 , 0.33 ] a S p e e d < 0.3 b S p e e d > 0.33 ]]>

其中，[0.3，0.33]为语速正常范围区间A，a和b为关键词Keyword所对应的语速指 数区间[a，b]的上下限；关键词第一次Firsttime，偶尔Fewtimes，有时Sometimes，经常 Often，一直Always，对应的五个语速指数区间分别为[0，0.3]；[0，0.6]；[0.2，0.8]；[0.4， 1]；[0.7，1]；若识别不出有效关键词，则归类为第一次Firsttime；

计算ReliabilityIndex＝Loud*Speed’，实际声音分贝大于40时，取Loud＝1，实 际分贝在20-40之间时，取Loud＝0.5，实际分贝小于20时，取Loud＝0.1。

S32：如果没有语音输入，可靠度指数通过历史数据分析得到，具体如下：

Re l i a b i l i t y I n d e x = 0.67 * ( 0.17 + ( T i m e s - 5 ) / 30 ) F r e q u e n c y ∈ [ 0 , 10 ) 0.67 * ( 0.45 + ( T i m e s - 13.5 ) / 30 ) F r e q u e n c y ∈ [ 0 , 17 ) 0.67 * ( 0.8 + ( T i m e s - 24 ) / 30 ) F r e q u e n c y ∈ [ 17 , 30 ) 0.67 * ( T i m e s / 30 ) F r e q u e n c y = 31 0.67 * ( 0.41 - 1 / T i m e s ) F r e q u e n c y = 32 ]]>

优选的，步骤S4中模糊化隶属度函数μ采用三角或者钟形隶属度函数，μ的函数初 始表达式为： μ ( t ) = Ee - ( t ) 2 + b , ]]>其中，

E为常数1，控制隶属函数的幅值；

t为隶书函数的取值范围；

b为钟形曲线的平移量。

优选的，步骤S7中反模糊化方法采用重心法，利用重心法取隶属度函数曲线与横 坐标围成面积的重心推理最终目标停车位，其计算公式如下：

C x = ΣD i x V i ΣV i ]]>

C y = ΣD i y V i ΣV i ]]>

公式中，

C_x--重心的x坐标；

C_y--重心的y坐标；

D_ix--第i个模糊规则的x坐标；

Di_y--第i个模糊规则的y坐标；

V_i--模糊化输入的三角或者钟形隶属函数。

本发明的有益效果：本发明利用Mamdani算法，将自然语言与历史数据相结合，经 过模糊化处理和反模糊化推理得出最合适的停车位置，一方面解决了短时间内对用户直接 需求的有效分析，另一方面可以有效地将沉淀的数据用来辅助决策，变废为宝，使停车诱导 走向主动式的服务模式。

附图说明

图1是本发明Mamdani算法模型的基本组成；

图2是本发明Mamdani算法控制原理图；

图3是本发明的停车场平面示意图；

图4是本发明模糊化输入Frequency的图形；

图5是自然语言的模糊化输入隶属函数图形；

图6是本发明模糊化输入Reliability的图形；

图7是本发明模糊化输入target的图形；

图8是本发明的模糊规则图形示例；

图9是本发明Type、Frequency、Reliability和Target之间的映射曲面图；

图10是本发明的实施例二的图示。

具体实施方式

为了进一步表述本发明技术方案的细节及其优点，现结合附图和实施例进行说 明。

一种基于Mamdani算法控制的停车诱导决策方法，包括用于输入车辆种类的模糊 化接口1和用于输入停车频率的模糊化接口2，具体包括以下步骤：

S1：按照停车场电梯终点和特征，将电梯分为四类：直达商场的商场直梯，悠闲到 达商场的扶手电梯，直达电影院的电影院直梯和直达写字楼的写字楼直梯，如图3所示，其 中，四种电梯位置信息赋值如下：

商场直梯(Lift)＝-1；扶手电梯(Escalator)＝0；

电影院直梯(Elevator__Movie)＝1；写字楼直梯(Elevator__Work)＝2。

按照上月车辆平均每次停留时长，系统将停车场内的停车类型Type分为四种，即 模糊化接口1的输入：时长为0～1小时定义为“短暂停留”，时长为1～2小时定义为“购物”， 时长为2～3小时定义为“看电影或吃饭”，时长为3～24小时定义为“工作”，具体如下：

上述表达式为系统后台定义的四种停车类型，是根据上月平均停车时长决定的分 段函数，其中平均时段Duration为前月停泊总小时数除以总次数的商，并下取整

其中，暂时停留(0～1小时)的顾客需要通过乘坐商场直梯后快速购买，逛街(1～2 小时)的顾客可以悠闲地乘坐扶手电梯；而长时间停泊(2～24小时)的顾客有可能是看电 影、用餐或是工作。

按照上月车辆停车次数Times，划分停车频率Frequency，停车次数为0～30次的， 记其停车频率为停车次数，即Frequency＝Times；停车次数为31～40次的，记其停车频率为 31；停车次数大于40次的，记其停车频率为32，具体如下：

F r e q u e n c y = F r e q u e n c y = T i m e s T i m e s ∈ [ 0 , 30 ] 31 T i m e s ∈ ( 30 , 40 ] 32 T i m e s ∈ ( 40 , ∞ ] ]]>

其中，31与32作为特殊值来约束边界条件。

停车类型和停车频率均记录在系统后台数据仓库，即历史数据库；

S2：车牌识别与语音输入甄别，用户可以在停车场入口识别车牌时，说出停车目 的，系统自动甄别停车类型，停车类型为“短暂停留”的，模糊化接口1输入Type＝-1；停车类 型为“购物”的，模糊化接口1输入Type＝0；停车类型为“看电影或吃饭”的，模糊化接口1输 入Type＝1；停车类型为“工作”的，模糊化接口1输入Type＝1。

根据用户语音输入信息，如图5所示，或车辆上月停车频率，模糊化接口2输入停车 频率Frequency。

如果用户在识别车牌期间保持沉默，则系统根据车辆上月平均每次停留时长来输 入停车类型，根据车辆上月停车次数输入停车频率。

如果用户没有说出停车目的，且车辆是第一次驶入停车场，则系统自动将该车辆 类型归类为“购物”，模糊化接口1输入Tpye＝0，模糊化接口2输入Frequency＝0。

S3：计算可靠度指数ReliabilityIndex，如果有用户语音信息，则按照语音信息 中的关键词计算；如果没有用户语音信息，则通过历史数据分析得到可靠度指数；可靠度指 数将用于模糊化过程，相当于将输入信息加权，进而用于二次分析数据来源的可靠程度。

S4：建立隶属函数，将由输入变量、输出变量构成的普通型关系数据库转换为模糊 型关系数据库，当普通型数据库共有D个数据元组{d₁，d₂，…，d_D}构成时，其相应的模糊型数 据库为{μ_d1，μ_d2，…，μ_dD}，其中μ为模糊化隶属度函数，μ_dk由 组成，k＝1，2，…，D，其中和分别是模糊输入的隶属函数，则是输出的函数。

S5：创建模糊规则库，基于if-then的规则表述，利用逻辑，将模糊化输入、输出相 关联，得到初步模糊规则库，其方法为：

若用户明确目的地，则根据模糊化输入量Frequency确定停车位置，其划分的原则 依照其历史月驶入的次数，如图4；若用户没有明确表达目的地，且不是第一次进入停车场， 则系统根据历史数据确定停车类型；若用户没有明确表达目的地，且是第一次进入停车场， 则系统自动按照目的地为商场直梯来处理。以用户的目的是看电影为例，具体步骤如下：

S5.1：若用户语音表示去影城，则模糊输入量Type的值为1，规则将为：

ifType＝1andFrequencythenTarget＝1，表示若用户明确目的地，则根据模 糊化输入量Frequency确定停车位的位置；

S5.2：若用户没有明确表达影城为目的地，并且不是第一次进入停车场，根据模糊 输入量ReliabilityIndex、Frequency和后台数据来制定，若用户的行为为经常性的习惯 及Frequency属于偶尔、经常等如图4，则规则可表达为：

ifFrequency＝OftenandTpye＝1andReliabilityIndex〉0.65thenTarget ＝1(1)

ifFrequency＝AlwaysandTpye＝1andReliabilityIndex〉0.5thenTarget ＝1(2)

ifFrequency＝31andTpye＝1thenTarget＝1(3)

其中，规则(1)表示当可靠性达到0.65并且后台历史数据表示为偶尔来看电影， 则目标泊车点在影城直梯附近；规则(2)表示当可靠性达到0.5并且后台历史数据表示为常 常来看电影，则目标泊车点在影城直梯附近。Frequency的频率越高，规则对于可靠性参数 的依赖也就越低。

S5.3：若用户既没有明确表达目的地，也是第一次驶入停车场，则系统自动按照商 场直梯的目的地处理，模糊输入量Type、ReliabilityIndex、Frequency分别默认为-1、0、 0；具体规则为：

ifType＝1andnotReliabilityIndexandnotFrequencythenTarget＝- 1。

S6：计算模糊规则的支持度。

Mamdani算法控制就是将自然语言通过if-then的规则转换成可量化的数学表达 式，其中模糊规则也如同关联规则一般。关联规则是形如X→Y的蕴涵式，其中X和Y分别称为 关联规则的先导(antecedent或left-hand-side,LHS)和后继(consequent或right-hand- side,RHS)。关联规则X和Y，存在支持度，因此，支持度是检验规则有效性的一种途径，使得 系统对于任意给定的输入均有相应的控制规则作用。

具体地说，模糊规则就是联系模糊输入和输出的一种羁绊，通过if-then的逻辑表 达式展现的。本发明中有三种模糊输入，分别是两种自然语言和一种后台数据提取信息，其 相应的规则的表示如下例子所示：If“看电影的车子&&经常来看电影&&系统后台信息确认 经常来”then“目标停车位靠近电影院直梯”。

本发明定义模糊规则支持度表述如下：

sup p ( T y p e , F r e q u e n c y , Re l i a b i l i t y = > T arg e t ) = Σ K = 1 D μ d k T y p e μ d k F r e q u e n c y μ d k Re l i a b i l i t y μ d k T arg e t D ]]>

完成初步模糊规则库后，通过计算模糊规则的支持度，筛选支持度最高的规则，除 去支持度小于0.5的冗余规则，得到完备模糊规则库，具体地说，就是在众多的模糊规则中 需要设计每个模糊化的输入，并且在相仿规则中选取支持度最大的规则。停车场管理者也 可以根据需求，修改或者添加模糊规则以满足管理要求。

S7：反模糊化过程，采用反模糊化方法从模糊型数据库中获得精确结果；

S8：诱导停车，通过步骤S7得出的汽车目标停车位，通过显示手段向驾驶员传递最 终结果；

S9：汽车驶出停车场后，将步骤S7中的系统推理结果、系统后天数据仓库中的汽车 目标地类型和汽车真实停车类型进行比较后，进行数据更新和用户习惯升级，其计算方法 如下：

Type u p d a t e = 2 × Type C a l c u l a t e + T i m e s × Type e x i s t e n c e + 5 × Type t h i s T i m e s + 7 ]]>

公式中，

Type_update--最后更新的Type数据；

Times--系统后台数据仓库中既有数据；

Type_calculate--步骤S7得到的结果；

Type_existence--系统后台数据仓库中原有的Type数值；

Type_this--根据汽车真实停留时间得到的汽车Type数值。

其中，步骤S3中可靠度指数ReliabilityIndex计算方法如下：

S31：如果有用户语音输入，则识别语音信息中的关键词Keyword、汉字个数 Length、声音分贝Loud和语音时长Period；

计算语速 S p e e d = [ P e r i o d L e n g t h ] , ]]>和语速指数 Speed , = ]]>

( S p e e d - 0.3 ) × ( a - b ) ( 0.33 - 0.3 ) + a S p e e d ∈ [ 0.3 , 0.33 ] a S p e e d < 0.3 b S p e e d > 0.33 ]]>

其中，[0.3，0.33]为语速正常范围区间A，a和b为关键词Keyword所对应的语速指 数区间[a，b]的上下限；关键词第一次Firsttime，偶尔Fewtimes，有时Sometimes，经常 Often，一直Always，对应的五个语速指数区间分别为[0，0.3]；[0，0.6]；[0.2，0.8]；[0.4， 1]；[0.7，1]；若识别不出有效关键词，则归类为第一次Firsttime；

计算ReliabilityIndex＝Loud*Speed’；实际声音分贝大于40时，取Loud＝1，实 际分贝在20-40之间时，取Loud＝0.5，实际分贝小于20时，取Loud＝0.1。

S32：如果没有语音输入，可靠度指数通过历史数据分析得到，具体如下：

Re l i a b i l i t y I n d e x = 0.67 * ( 0.17 + ( T i m e s - 5 ) / 30 ) F r e q u e n c y ∈ [ 0 , 10 ) 0.67 * ( 0.45 + ( T i m e s - 13.5 ) / 30 ) F r e q u e n c y ∈ [ 0 , 17 ) 0.67 * ( 0.8 + ( T i m e s - 24 ) / 30 ) F r e q u e n c y ∈ [ 17 , 30 ) 0.67 * ( T i m e s / 30 ) F r e q u e n c y = 31 0.67 * ( 0.41 - 1 / T i m e s ) F r e q u e n c y = 32 ]]>

步骤S4中模糊化隶属度函数μ采用三角或者钟形隶属度函数，本实施例中，μ的函 数初始表达式为： μ ( t ) = Ee - ( t ) 2 + b , ]]>其中，

E为常数1，控制隶属函数的幅值；

t为隶书函数的取值范围；

b为钟形曲线的平移量。

步骤S7中反模糊化方法采用重心法，如图8所示，利用重心法取隶属度函数曲线与 横坐标围成面积的重心推理最终目标停车位，其计算公式如下：

C x = ΣD i x V i ΣV i ]]>

C y = ΣD i y V i ΣV i ]]>

公式中，

C_x--重心的x坐标；

C_y--重心的y坐标；

D_ix--第i个模糊规则的x坐标；

D_iy--第i个模糊规则的y坐标；

V_i--模糊化输入的三角或者钟形隶属函数。

实施例一：

用户为该CBD综合体的上班族，上个月上班全勤，天数为26天。该用户驾车驶入停车场识 别车牌时表示“我经常在这里工作”，声音分贝为58，用时1.953秒，其中关键词Keyword对应的程 度化词语为Often，Speed＝1.953/6＝0.3255，属于正常语速，声音分贝为58，大于40，取Loud ＝1。因此，得到自然语言输入的可靠度指数 Re l i a b i l i t y I n d e x = L o u d × ( S p e e d - 0.3 ) × ( b - a ) ( 0.33 - 0.3 ) + a , ]]>经计算， Re l i a b i l i t y I n d e x = 1 × ( 0.3255 - 0.3 ) × ( 1 - 0.4 ) ( 0.33 - 0.3 ) - 0.4 = 0.91 ]]>

通过FuzzyEditor的18条模糊规则运算(如图8)，基于重心法系统自动得出汽车 目标停车位为1.9。通过基于Mamdani的诱导停车决策表明，其最适宜停靠的位置为靠近写 字楼电梯附近的1.9位置。Type、Frequency、Reliability和Target之间的映射曲面如图9所 示。

在汽车驶出停车场之后，将系统初始预测结果、系统后台历史数据仓库的汽车目 标地类型信息Type和真实汽车驶出信息进行比较后，进行数据更新和用户习惯升级，最终 更新后的Type_update如下， Type u p d a t e = 2 × 1.9 + 26 × 1.77 + 5 × 2 26 + 7 = 1.81 ]]>下次该汽车再次驶入停车场时， 系统默认汽车目标停车位为1.81。

实施例二：

用户上个月停车次数为12次，今天再次驶入该CBD综合体。在进入停车场的时候并 没有任何自然语言的输入。假设根据系统上次自学习的结果，其目标停车位为0.03。系统计 算出其可靠指数ReliabilityIndex＝0.67*(0.45+(12-13.5)/30＝0.268，根据Mamdani模 型得出其目标位置为0.015，如图10。当其驶出停车场时，系统发现停车时间为3个小时，则 系统自学习结果如下： Type u p d a t e = 2 × 0.015 + 26 × 0.03 + 5 × 1 12 + 7 = 0.31 , ]]>也就是说，下次目标停车位将会 在购物和看电影的电梯之间找到了新的平衡点。0.31处于0和1之间，根据系统学习的结果， 一方面说明系统得出用户最近的泊车目的在购物(扶手电梯)和看电影吃饭(电影院直梯) 之间徘徊；另一方面，用户每次来泊车更倾向于逛街的目的。因此系统将会在扶手电梯和电 影院直梯之间寻找有效停车位，并且位置将更靠近扶手电梯。这样一方面满足了用户对于 停车诱导服务的需求，另一方面也充分调用了非电梯周边的停车泊位资源，使得资源合理 分配、有效利用。