CN108010376A - 一种基于物联网技术的城市停车诱导系统及方法 - Google Patents

Abstract

本发明涉及一种基于物联网技术的城市停车诱导系统及方法，包括信息采集模块、信息传输模、信息分析与处理模块、信息管理与发布模块四大模块，其方法包括：1)将决策矩阵X标准化为矩阵Y＝{y_ij|i＝1,2,…,m；j＝1,2,…,n}；2)计算组合权重W_i；3)a₀与a_i的灰色关联系数矩阵；4)确定最优方案。本发明的有益效果是：对于停车场内的车位诱导，用户依旧是被动式接受系统推荐车位，随着科技进步，驾驶用户可以主动自主选择满意车位以及路径行驶，这也是未来场内停车引导的一个目标。

Description

一种基于物联网技术的城市停车诱导系统及方法

技术领域

本发明涉及城市停车诱导系统及方法，它涉及一种物联网技术的城市停车诱导系统及方法。

背景技术

物联网的理论概念是通过射频识别、二维码、红外感应、条形码、GPS系统以及激光扫描器等各种信息传感设备，按一定的协议规定，把任何物体与互联网紧密结合在一起，实现物体的信息交换和通信，以达到对物体的智能化识别、定位、跟踪、监控和管理目的的一种巨大网络。

广义上讲，物联网是一个未来发展的趋势，可以说是未来的网络，实现人与物、物与物之间利用任何通信网络都能随时随地进行信息交流；狭义上说，物联网是一种局域网，通过传感器能把各种物品连接起来，其涵盖RFID、WSN、互联网、无线通信网。物联网的实质是利用传感网、移动互联网、等多种网融合技术，把对物体智能识别的感知信息发送到数据处理中心快速处理，实现物品间自动识别、安全传递和智能处理信息。

物联网新型技术广泛的应用领域已成为目前社会的主流，遍布到各行各业中去，如医疗、消防、交通、家居等智能化运作。物联网技术的应用给城市提供更便捷、智能化的公共管理的创新服务模式。

智能交通是物联网技术应用的一个重要而且效果极其明显的应用领域之一，形成一个高效、有序的智能化交通体系。同时，增加交通的便利性也能够促进城市旅游行业快速发展，整体提高城市甚至国家的综合实力，增加核心竞争力。目前，物联网在交通范畴中的应用最为典型的就是ETC系统、交通诱导系统、智能交通信号控制系统以及智能停车场管理系统等。

自驾出行是人们高质量生活水平的体现，然而出行停车是人们出行前所要考虑的问题，虽然停车是出行过程的最后步骤，但它是交通出行不可或缺的环节，对正常运行的城市交通系统具有牵制作用。对于停车难、停车乱问题不仅是我国居民所要面临的问题，同时是全国出现的普遍现象，这更是一件需要我们共同努力亟待解决的难题。在现有的停车场资源的基础上，有效合理地提高停车位的重复利用率是当前解决停车难问题的有效可行方法。

停车诱导系统便是一种有效改善停车管理水平的服务型应用体系，进而对解决停车难问题起到相当显著作用。可利用车载导航、移动电话、道路诱导屏等多种方法向用户提供各停车场的有用信息，引导停车人员快速、准确地找到合适、可靠的停车位，有效减少道路违章停车的不良现象，缩短驾驶人员在道路上无效寻找空余车位的时间，缓解道路交通运行量的压力，提高车位利用率，间接激发城市经济的快速发展。

专利201210018034.4“一种基于停车指数发布和预报的停车诱导系统及其方法”提供了一种改进的基于停车指数发布和预报的停车诱导系统，可实现发布停车指数预报和预出行信息，直观、全面，同时可有效结合现有停车诱导信息及其他实时路况等动态信息。此方法选用停车场内空车位与总泊位数的比值空泊比作为分级标准来定义停车指数从而进行预报，直观反映当前及未来一段时间内停车难易程度。专利201410150943.2“一种考虑停车时间的停车诱导系统的监控方法”认为空余泊位信息并不能直观反映每个停车场泊位利用情况和进入停车场的难以程度，故其提出了一种新型的考虑体感车时间的动态停车诱导系统的调控方法，根据停车时间，计算驾驶员在当前位置选取区域内不同停车场所需的停车时间并选取合适的方式进行发布，并同时提供区域内个停车场的泊位信息及行驶路线。

这两种方法更侧重的是场外引导方法，用户在出发前通过该系统查询目的地停车场的相关信息，并获取行车路线。然而，由于对场内停车诱导不重视，导致进入场内后，特别是商业中心、机场等一些大型停车场，驾驶员只能凭感觉盲目寻找合适的车位。第二种方法简单提供了停车场内泊位信息，但由于驾驶员的自身特性及停车偏好的不同，对于不满所找到空位的用户而言，他们会重新在场内盲目寻找车位，频繁出现这样情况，也是对时间人力的一种浪费。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于物联网技术的城市停车诱导系统。

一种基于物联网技术的城市停车诱导系统，包括：

1)信息采集模块

信息采集模块是数据处理的信息源，对驾驶人员、车辆、停车场入出口检测、场内停车位、场内道路状况以及场内检测装备运作状态的全方位检测，做到实时准确采集信息，通过信息传输模块，把采集的数据传送到信息处理模块，进行分析、加工、处理，最后将信息发布出去；

对于车场出入口的检测包括车辆信息标识的信息、车辆出入停车场的时间及入口周边交通状况或车辆等候排队车辆；车位检测收集空余车位的具体位置、数量、预约车位或者推荐车位与实际占用车位的情况；

2)信息传输模块

信息传输模块是其他模块之间信息通信的桥梁，任务是安全可靠高效传送数据；交流对象是采集模块与分析处理模块、分析处理模块与发布模块、发布模块与终端设备的信息传送；本系统采用无线传感网络；

3)信息分析与处理模块

信息分析与处理模块主要对数据存储、处理，并高效化地把来自用户处、管理中心以及感知层的海量信息进行清洗、融合等，后以文字、语音等形式展现终端设备和管理中心；该模块收到用户车位预订请求后，会立即分析停车位的剩余情况，若有最佳车位推荐给用户则将实时信息快速发送给车位预订模块，确保系统对信息实时更新，最后发送给用户终端同时对停车付费进行电子结算的处理；

4)信息管理与发布模块

信息管理与发布模块需要对信息处理模块传送的数据以及指挥管理中心的数据以文字、图片、语音发布到手机、PC、车载终端或动态诱导屏上；同时，发布模块有存储功能，包括各个停车场的信息，进入停车场内的车辆信息，停车场内剩余有效车位数、为用户推荐车位及路线信息；对于数据库的建设能够实现数据共享，用户能按照各自需求进行查询预订以及多个用户间通信。

这种基于物联网技术的城市停车诱导系统的方法，包括如下步骤：

设停车场在某一时刻有m个可用车位，即有m个备选方案，设集合A＝{a_i|i＝1,2,…,m}；停车位有n个属性，设集合F＝{f_i|i＝1,2,…,n}；

在某个方案的某一属性下，其决策矩阵可表示为X＝{X_ij|i＝1,2,…,m；j＝1,2,…,n}，设定一个理想方案为，其中决策推导如下：

1).将决策矩阵X标准化为矩阵Y＝{y_ij|i＝1,2,…,m；j＝1,2,…,n}；

I₁表示效益型属性指标，I₂表示成本型属性指标；

2).计算组合权重W_i；

组合权重W_i＝αW_i+βW_i---------------(3)

其中，

距离函数

d(w_i′,w_i″)²＝(α-β)²--------------(5)

α+β＝1-------------------------(6)

主、客观权重分别记为W_i′、W_i″，α，β表示分配系数

3).假设相对最优方案a₀＝(a₀₁,a₀₂,…,a_0n)，用δ_ij表示最优方案a₀与备选方案a_i相对f_j的决策值的灰色关联系数为：

其中，

ρ∈[0，1]为分辨系数，一般取

4).a₀与a_i的灰色关联系数矩阵

确定灰色关联决策矩阵

5).确定最优方案

设理想解

负理想解

欧式空间距离

相对贴近度

其中

根据上述公式计算各备选方案的C_i，若C_i＝max(C₁,C₂,…C_m)，则确定a_i为最优方案。

作为优选：所述步骤2)具体包括如下步骤：

1).主观权重

参照信息采集模块传来的驾驶人员的行为特性，创建判断矩阵A，同时对各因素间相互比较，按其重要程度进行层次排序，根据萨蒂给出的九个等级进行赋权；

对于特殊的偏离矩阵，通过矩阵的最大特征值求解权向量，然后对A做一致性检验：

一致性指标

一致性比率

其中，n为决策指标数量，RI表征随机一致性指标；

根据萨蒂给出的RI值；

2).客观权重

客观权重通过大量的客观事实信息计算出的指标权重，按照熵的思想，要得到准确合理的决策，意味着有效信息量越多越可靠，由于信息量的多少决定这决策结果的精确性；熵的特性能够满足这一需求，不仅能从繁多的信息中找到对决策者有价值的信息，做出的决策很合理；先通过上述公式(1)(2)对决策矩阵标准化再归一化

第j个指标熵值

差异系数-g_j＝1-e_j,(1≤j≤n)-----------------(20)

各指标权重

3).组合权重

据上述B通过主客观权重的线性组合计算改进的组合权重，进而确定灰色关联决策矩阵，最终对最优理想解的相对贴近度对比，得出最佳停车位。

本发明的有益效果是:

1.本文的研究进局限于理论的分析，就现实的应用与开发是都会遇到各种意想不到的困难，进而需要后期改进与完善；

2.针对最佳车位的选择模型方案，应该还存在很多值得研究的算法模型并进一步做对比分析，找出更优的设计方案，同时缺少足够的监测数据，在该模型的动态定量分析中不够直观，这些都需要在今后继续深入探究；

3.对于停车场内的车位诱导，用户依旧是被动式接受系统推荐车位，随着科技进步，驾驶用户可以主动自主选择满意车位以及路径行驶，这也是未来场内停车引导的一个目标；

4.研究对停车场研究仅考虑单层车库，而对于复杂的多层次的停车库并未充分考虑，所以系统还需要进一步完善。

附图说明

图1是本发明提出的基于物联网技术的停车诱导系统的总体功能模块的结构图；

图2是本发明描述的停车场内有效车位分配情况的示例图；

图3是本发明描述的停车场内车位类型的示例图；

图4是本发明提出的停车场内车辆停放难易度数值表的设计图；

图5是本发明提出的关于衡量停车位相关因素重要程度的等级赋值表的示例图；

图6是本发明提出的RI值示例图；

图7是本发明提出的某一时刻停车场内停车位分布状况平面俯视的示例图；

图8是本发明提出的最优车位实例分析中的各个备选方案针对每个决策指标的数值表的示例图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

这种系统重点关注停车诱导系统中停车场内诱导规划设计，提供最优车位选择模型，此模型并不单一考虑某一属性，而是采取基于多属性决策的方式，更大程度上接近驾驶员偏好，从而为用户做出更可靠满意的决策。

从物联网体系结构、及用户的服务需求考虑，可以将停车诱导系统划分为以下几个功能模块，包括感知层的信息采集模块、网络层的信息传输模块、应用服务层的数据分析处理以及管理发布模块。另外本系统增加了智能化、人性化的停车位预订和网上缴费等功能，各功能模块之间的关系如图1所示。

在现有系统基础上，融合物联网关键技术并进一步改进，要求各个车辆均有唯一特有的身份鉴定标识(RFID电子标签)，这是设计整个系统的基石。车辆标识唯一无异性，在后续的车辆信息采集及定位中都有关键作用，使管理者能高效可靠地为车位的路径诱导和调度管理。同时基于无线传感网的优势，传感器低成本，微型低能耗，适合广泛全方位布局避免遗漏有效位置。结合目前普及的移动通信网络和互联网，可以高速实时发布诱导信息，方便驾驶人员查询预订空余车位情况，以银行支付统一的标准接口，实现用户的电子结算。

1)信息采集模块

信息采集模块是数据处理的信息源，主要对驾驶人员、车辆、停车场入出口检测、场内停车位、场内道路状况以及场内检测装备运作状态的全方位检测，做到实时准确采集信息，通过信息传输模块，把采集的数据安全、可靠、高效传送到信息处理模块，进行分析、加工、处理，最后将信息发布出去。

对于车场出入口的检测主要包括车辆信息标识的信息、车辆出入停车场的时间及入口周边交通状况或车辆等候排队车辆。车位检测主要是收集空余车位的具体位置、数量、预约车位或者推荐车位与实际占用车位的情况。

2)信息传输模块

信息传输模块是其他模块之间信息通信的桥梁，主要任务是安全可靠高效传送数据。简单地说它的职务就是一个快递员，主要交流对象是采集模块与分析处理模块、分析处理模块与发布模块、发布模块与终端设备的信息传送。随着物联网技术的不断发展，信息传输不仅局限于电缆光纤或电话线的远距离有线传输，还可以无线传输数据，考虑到停车场内车位分布密集，需要的检测设备数量巨多，本系统采用适用于短距离、成本廉价的无线传感网络，其能对车、位、场三者建立紧密联系，实现实时可靠信息交互。

3)信息分析与处理模块

信息分析与处理模块主要对数据存储、处理，并高效化地把来自用户处、管理中心以及感知层的海量信息进行清洗、融合等，后以文字、语音等形式展现终端设备和管理中心。该模块收到用户车位预订请求后，会立即分析停车位的剩余情况，若有最佳车位推荐给用户则将实时信息快速发送给车位预订模块，确保系统对信息实时更新，最后发送给用户终端同时对停车付费进行电子结算的处理。

4)信息管理与发布模块

停车诱导系统建设最主要的目的就是给用户提供一个最佳车位以及最优行车路径，对于用户如何及时准确收到推荐信息是一个关键性环节。信息管理与发布模块需要对信息处理模块传送的数据以及指挥管理中心的数据以合适的形式发布，如文字、图片、语音等发布到手机、PC、车载终端或动态诱导屏上。同时，发布模块也有一定的存储功能，包括各个停车场的信息，进入停车场内的车辆信息，停车场内剩余有效车位数、为用户推荐车位及路线信息等等。对于数据库的建设能够实现数据共享，用户能按照各自需求进行查询预订以及多个用户间通信。

而其中的停车场内诱导规划设计综合考虑每位驾驶人员对车位的选择心理偏好，在前人基础上设计出基于物联网技术的停车诱导系统：参考信息采集端用户信息以及停车场内各个停车位的数据，信息分析处理模块综合分析停车因素，将为驾驶人员提供最心仪的车位以及内部诱导路线图，通过信息发布端将车位号及路径发送到场内动态诱导屏上，进而为用户提供一次满意的停车服务。

用户择位关键因素与个人特性和车位的状态特性有密切联系，包括车位与收费处距离、车位与目的地距离、车位所处的位置(是否在角落)。针对国内外学者的调查分析结果可以得出影响驾驶员择位的几个重要参数，下面具体分析这些关键因素：

a.步行距离：指停车位与出口之前的距离，相对停车场每个车位的位置都是固定不变，但是距离都有所不同。不考虑其他因素的情况，驾驶员一般会选择离出口(安全出口或者电梯口)比较近的车位停放，减少步行时间，特别是驾驶员在商场购物后携带很多物品，更希望能更快返回搬运到车上，以减少负重。

b.车行距离：指驾驶员从停车检测入口行驶到目标车位的距离，或是停车位抵达自动收费(停车场出口)的距离，它不仅与车位的具体地理位置有关，更重要的是与车辆行驶的路径有关。因此驾驶员更希望能以最短的路径抵达目标车位，进而转化为求最短路径问题，其中还需要综合考虑行车方向以及车位之间的关联性。

c.步行时间：取决于路程与步行速度，步行距离一般在确定车位后就固定不变了，但步行速度因人而异，其他因素影响较小(这里假设每个人的步行速度为定值)。因此，个人步行时间的长短取决于步行距离。

d.车行时间：指车辆在停车场内的行驶时间，车辆行驶时间相比步行时间掺杂的影响因素要多，不仅与车辆行驶路径有关，还与道路行驶质量(有效车行速度)有关，停车场内道路上的车流量是动态变化的，每个车的行车方向也不一致，多种因素共同影响着车行速度，系统要考虑的是是驾驶员在最短的时间通行，顺利快速到达指定车位，提高道路运行效率。

e.入库难度：就驾驶员个人来说，其驾驶车辆水平是确定的，对于车辆进库的难易度，还与车位的状态有关。一般停车场的可用车位是实时变化的，有效车位的分配类型都各有不同，针对一个可用车位而言，车位状态随其他左右两侧车辆出入而不同，这里分为以下四种类型介绍，如图2所示。若只考虑这一种因素，驾驶员更喜欢两侧均未被占用的车位，其次就是只有一侧被占用的车位。考虑到车辆的安全性与驾驶车辆的熟练度，在出入库的过程中，很容易出现车辆刮碰等状况。因此其他两种类型是驾驶员所不愿接受的。

而对于不同的停车场，停车位的设计类型有所不同，根据调查调查结果，目前停车位共有以下三种类型，如图3所示。对于斜线型的停车位在现实操作过程中是最容易方便停放的，然而一字型则是三者中车位类型中最难停放的，次之则是非一字型车位类型。

车位停放难易程度，可以通过数值赋值的方式表征，其中数值越大表示停放车辆越难，如图4所示。

f.遮阴时长：是驾驶员对停车位择取的一个因素，主要是在露天的室外停放时，车辆在太阳光照射下，对车辆的车身以及轮胎损伤比较大，尤其在酷热的夏季中午，温度比较高，放在外面会使车内温度增高，影响司机驾驶的舒适度。基于以上考虑，驾驶员通常会把车辆停放到遮阴效果明显，并且光照时间短的优越的停车位处。

g.安全性：车辆停放停车场的安全性，实际是车辆停放指定车位被保护的程度。通常与车位的位置以及被监控范围有紧密联系，相对来讲，有效车位所处位置越拥挤密集，车辆被刮碰的可能性就越大；同时停车场的监控设施有限，有些车位被监控的视角或光线不够明显，停放此处的车辆很容易被不法分子盯上，而造成被偷的危险后果，如此一来，驾驶员希望把车停到监控无死角，而且空间比较开阔的停车位。

通过归纳影响车位选择的七大关键指标，可将其分为：越低越优的成本型指标，如步行时间、车行时间和入库难易度；越高越优的效益型指标，如遮荫时长和安全性。

停车选择是驾驶员主观决策行为，选择最佳车位是一个复杂的过程，对于每个时刻，空余可用车位量、类型分布以及停车场的道路状态都在实时变化。对于每个停车位均包含多种属性，同时表征各个属性的权重也是动态变化的，对于这些未知权重可以用户的偏好做指标来表征，因此车位选择可转化为多属性决策问题。

把每个影响因素以权值大小来度量，进而为用户做出更可靠满意的决策。一般权重的确定方法有主观和客观赋权法以及两者结合的组合赋权法。其中，主观赋权法比较局限于用户个人的主观判断，参杂更多人为因素；客观赋权法更倾向于用事实说话，要求调查的样本容量巨大，由此增加计算复杂度；综合以上两种方法的优点，采取组合赋权法进行对各个影响因素赋值，增加决策结果的合理性。

按照灰色关联分析法的思想，以各个因素间的相似度来度量关联性。进而样本容量的大小对决策精度并无太大影响。其中有些影响最佳车位选择的因素可以用户偏好作为灰色关联分析。

设停车场在某一时刻有m个可用车位，即有m个备选方案，设集合A＝{a_i|i＝1,2,…,m}；停车位有n个属性，设集合F＝{f_i|i＝1,2,…,n}。

在某个方案的某一属性下，其决策矩阵可表示为X＝{X_ij|i＝1,2,…,m；j＝1,2,…,n}，设定一个理想方案为，其中决策推导如下：

1.将决策矩阵X标准化为矩阵Y＝{y_ij|i＝1,2,…,m；j＝1,2,…,n}；

I₁表示效益型属性指标，I₂表示成本型属性指标。

2.计算组合权重W_i；

组合权重W_i＝αW_i+βW_i---------------(3)

其中，

距离函数

d(w_i′,w_i″)²＝(α-β)²--------------(5)

α+β＝1-------------------------(6)

主、客观权重分别记为W_i′、W_i″，α，β表示分配系数

3.假设相对最优方案a₀＝(a₀₁,a₀₂,…,a_0n)，用δ_ij表示最优方案a₀与备选方案a_i相对f_j的决策值的灰色关联系数为：

其中，

ρ∈[0，1]为分辨系数，一般取

4.a₀与a_i的灰色关联系数矩阵

确定灰色关联决策矩阵

5.确定最优方案

设理想解

负理想解

欧式空间距离

相对贴近度

其中

根据上述公式计算各备选方案的C_i，若C_i＝max(C₁,C₂,…C_m)，则确定a_i为最优方案。

其中决策值的计算方法如下：

1.最短距离与最短时间：就步行距离可结合车位与各个出口的最短路径问题解决，步行时间与步行距离和步行速度(个人体质、年龄有关，这里记为定值)有关；而车行距离与停车场入口到目标车位之间的行驶路径有关；行驶时间与道路的车流量、拥堵程度以及道路上的突发事件有关，在这里我们可以通过道路动态实时数据，进行指标赋值。

2.入库难度：入库难度与车位的类型以及车位的分配状态来衡量，车辆停放难易度参照Vehicle parking difficulty table中的赋值来定量。

3.安全性：对于白天考虑车辆停放密集度来衡量，尤其是在夜间的车辆，可以通过车位与监控装置的距离来定量赋值。

4.遮荫性：主要考虑场外或者露天时，其遮荫性可根据遮阳时长度量。

组合权重值的计算方法如下：

1.主观权重

评价一个多属性决策问题，理想的办法是对每个指标定量，对有些因素复杂多变且相互联系的非定量问题，需要寻求一种方法合理定量。层次分析法采用少量信息分析各因素间的内在联系，并以数学语音的形式表现出来，能简洁化地表达决策者思想活动。所以，对解决主观赋权这一问题十分有效。

参照信息采集模块传来的驾驶人员的行为特性(偏好信息)，创建判断矩阵A，同时对各因素间相互比较，按其重要程度进行层次排序，根据萨蒂给出的九个等级进行赋权，如图5所示。

对于有些特殊的偏离矩阵，可通过矩阵的最大特征值求解权向量，即，然后对A做一致性检验：

一致性指标

一致性比率

其中，n为决策指标数量，RI表征随机一致性指标。

根据萨蒂给出的RI值如图6所示：

2.客观权重

客观权重通过大量的客观事实信息计算出的指标权重，按照熵的思想，要得到准确合理的决策，意味着有效信息量越多越可靠，由于信息量的多少决定这决策结果的精确性。熵的特性能够满足这一需求，不仅能从繁多的信息中找到对决策者有价值的信息，做出的决策很合理。先通过上述公式(1)(2)对决策矩阵标准化再归一化

第j个指标熵值

差异系数-g_j＝1-e_j,(1≤j≤n)-----------------(20)

各指标权重

3.组合权重

据上述B通过主客观权重的线性组合计算改进的组合权重，进而确定灰色关联决策矩阵，最终对最优理想解的相对贴近度对比，得出最佳停车位。

总结而言，针对驾驶员车位选择特性以及车位状态，建立一个多属性决策模型，为驾驶员需求一个最佳的车位进而计算出最优路径。详细流程如下：

1.确定模型决策指标。对车位状况及用户的偏好分析，确定择位的影响因素；

2.确定备选方案。通过场内车位检测设备确定有效空余车位，即为备选方案；

3.计算各指标决策值。按重要程度性对各个决策指标的赋值；

4.计算组合权重。采用层次分析法和熵值法分别对主客观赋权，最后综合两种权值，得到线性组合权重；

5.确定灰色关联决策矩阵。通过计算备选方案和相对最优方案的关联系数，并结合组合权重向量得到；

6.确定最优方案。计算各方案的相对贴近度，选出一个最贴近理想解的值作为最有方案，也就是确定最佳停车位；

7.发布最佳车位与最优路径信息。通过路径优化算法，以最佳车位为终点确定最优路径，通过信息发布模块将信息发给停车用户，进而完成一次合理的诱导。

一个具体实施例:

针对某一区域室内停车场做研究分析，其某一时刻停车场内停车位分布状况俯视平面图，如图7所示，根据该停车位的分布把整个区域划分为A,B,C,...H八个区，同时给每个停车位、道路交叉路口以及出入口编号。根据4.4节所介绍的通过用户的停车位影响因素合理设计出最佳车位选择模型，同时在此基础上利用最短路径以及道路影响因素设计最优路径，为驾驶人员提供一个合理满意的停车位以及行车路径。

1.确定模型决策指标

本实例分析安排在室内白天进行，因此对于遮荫时长和安全性的因素不做重点因素考虑，驾驶员要考虑的因素有最短步行距离、最短行车距离以及停放车辆的难易程度。在这里我们将这三个关键因素作为车位选择的决策指标进行分析确定。

2.确定备选方案

针对停车场内停车位检测设备准确实时检测到的有效空余车位进行分析统计，如图7所示的有效空余停车位有B₅,C₅,D₇,E₆,F₈,H₁，此时便可设定为备选方案。

3.计算备选方案各指标决策值

参考数据库中已有的各个节点(车位、交叉路口、出入口)间的距离以及信息模块实时传来的各段道路车流信息，结合最短路径Dijkstra算法求解最短车行距离以及最短步行距离。并综合考虑车位的类型、车位的分布状态判断车辆停放车辆的难易度。

由此计算出各个备选方案针对每个决策指标的数值，如图8所示。

因此可以得到相应的决策矩阵

4.计算组合权重

1)主观权重

基于每个用户的主观经验与偏好不同，因此评价某一属性会有所差异，根据上文介绍的层次分析法构造判断矩阵A，这里不妨设驾驶员水平中等，并对车行距离、步行距离以及停车难易程度分别按重要程度划分为：同等重要、重要、稍微重要进而得到矩阵为

并对矩阵A做归一化处理得到权向量w′＝(0.163,0.540,0.297)，进而得到最大特征根λ＝3.010，按照公式(16)可计算得一致性指标再通过查表13可得随机一致性指标RI＝0.58，再按照公式(17)可计算满足一致性检验。

2)客观权重

根据上述介绍的熵值法对客观性决策有很大效果，其中熵值越大反而所得权重就越小。又由于根据指标属性类型划分，可将这里研究的三个指标划分为成本型，按照公式(2)将决策矩阵X＝(x_ij)₆₃标准处理，再按公式(18)归一化处理得到矩阵

通过熵值法按照公式(19)(20)(21)分别计算出各指标熵值e＝(0.8816,0.8634,0.8595)，各指标的差异系数g＝(0.1184,0.1366,0)以及客观权重w″＝(0.300,0.345,0.355)。

3)计算组合权重

根据主、客观权重可计算出距离函数d(w′,w″)²＝0.06，再根据公式(4)(5)得到权重系数α＝0.623，β＝0.377，进而通过线性组合得到组合权重w＝(0.215,0.466,0.319)。

5.确定灰色关联决策矩阵

根据公式(7)(8)(9)得灰色关联系数矩阵，以及与组合权向量加权后得到的相对最优方案与备选方案的灰色关联决策矩阵：

6.确定最优方案

计算所得的灰色关联决策矩阵能得到理想解V⁺＝[0.215,0.466,0.319]和相应的负理想解V^-＝[0.072,0.213,0.232]。进而计算出对应的欧式空间距离D⁺＝[0.1905，0.1399，0.2141，0.2977，0.2236，0.0332]

D^-＝[0.1467，0.2547，0.1221，0.0232，0.1046，0.02758]，以及各备选方案与理想方案的相对贴近度C＝[0.435，0.646，0.363，0.072，0.3187，0.893]，各个备选方案的贴近度为a₆＞a₂＞a₁＞a₃＞a₅＞a₄，因此能够看出备选方案a6是最优方案，也就是这一时刻H₁是最佳的停车位。

7.发布最佳车位与最优路径信息

在确定好最佳车位H₁的基础上，根据步骤3中最短车行距离与最短步行距离可得整个路径为S-N1-N8-H1-04。系统快速计算好路径与最佳车位通过发布端的多种途径把信息发送给用户，进而能够实现高效化的停车过程。

Claims (3)

1.一种基于物联网技术的城市停车诱导系统，其特征在于，包括：

1)信息采集模块

信息采集模块是数据处理的信息源，对驾驶人员、车辆、停车场入出口检测、场内停车位、场内道路状况以及场内检测装备运作状态的全方位检测，做到实时准确采集信息，通过信息传输模块，把采集的数据传送到信息处理模块，进行分析、加工、处理，最后将信息发布出去；

对于车场出入口的检测包括车辆信息标识的信息、车辆出入停车场的时间及入口周边交通状况或车辆等候排队车辆；车位检测收集空余车位的具体位置、数量、预约车位或者推荐车位与实际占用车位的情况；

2)信息传输模块

信息传输模块是其他模块之间信息通信的桥梁，任务是安全可靠高效传送数据；交流对象是采集模块与分析处理模块、分析处理模块与发布模块、发布模块与终端设备的信息传送；本系统采用无线传感网络；

3)信息分析与处理模块

信息分析与处理模块主要对数据存储、处理，并高效化地把来自用户处、管理中心以及感知层的海量信息进行清洗、融合等，后以文字、语音等形式展现终端设备和管理中心；该模块收到用户车位预订请求后，会立即分析停车位的剩余情况，若有最佳车位推荐给用户则将实时信息快速发送给车位预订模块，确保系统对信息实时更新，最后发送给用户终端同时对停车付费进行电子结算的处理；

4)信息管理与发布模块

信息管理与发布模块需要对信息处理模块传送的数据以及指挥管理中心的数据以文字、图片、语音发布到手机、PC、车载终端或动态诱导屏上；同时，发布模块有存储功能，包括各个停车场的信息，进入停车场内的车辆信息，停车场内剩余有效车位数、为用户推荐车位及路线信息；对于数据库的建设能够实现数据共享，用户能按照各自需求进行查询预订以及多个用户间通信。

2.一种如权利要求1所述的基于物联网技术的城市停车诱导系统的方法，其特征在于，包括如下步骤：

设停车场在某一时刻有m个可用车位，即有m个备选方案，设集合A＝{a_i|i＝1,2,…,m}；停车位有n个属性，设集合F＝{f_i|i＝1,2,…,n}；

在某个方案的某一属性下，其决策矩阵可表示为X＝{X_ij|i＝1,2,…,m；j＝1,2,…,n}，设定一个理想方案为，其中决策推导如下：

1).将决策矩阵X标准化为矩阵Y＝{y_ij|i＝1,2,…,m；j＝1,2,…,n}；

<mrow> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <mi>i</mi> <mo>&amp;le;</mo> <mi>m</mi> </mrow> </munder> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </mfrac> <mo>,</mo> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <mi>i</mi> <mo>&amp;le;</mo> <mi>m</mi> </mrow> </munder> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;NotEqual;</mo> <mn>0</mn> <mo>,</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>I</mi> <mn>1</mn> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <mi>i</mi> <mo>&amp;le;</mo> <mi>m</mi> </mrow> </munder> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mfrac> <mo>,</mo> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mrow> <mn>1</mn> <mo>&amp;le;</mo> <mi>i</mi> <mo>&amp;le;</mo> <mi>m</mi> </mrow> </munder> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;NotEqual;</mo> <mn>0</mn> <mo>,</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>I</mi> <mn>2</mn> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

I₁表示效益型属性指标，I₂表示成本型属性指标；

2).计算组合权重W_i；

组合权重W_i＝αW_i′+βW_i″---------------(3)

其中，

距离函数

d(w_i′,w_i″)²＝(α-β)²--------------(5)

α+β＝1-------------------------(6)

主、客观权重分别记为W_i′、W_i″，α，β表示分配系数

3).假设相对最优方案a₀＝(a₀₁,a₀₂,…,a_0n)，用δ_ij表示最优方案a₀与备选方案a_i相对f_j的决策值的灰色关联系数为：

<mrow> <msub> <mi>&amp;delta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <munder> <mi>min</mi> <mi>i</mi> </munder> <munder> <mi>min</mi> <mi>j</mi> </munder> <mrow> <mo>|</mo> <mrow> <msub> <mi>x</mi> <mrow> <mn>0</mn> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> <mo>|</mo> </mrow> <mo>+</mo> <mi>&amp;rho;</mi> <munder> <mi>max</mi> <mi>i</mi> </munder> <munder> <mi>max</mi> <mi>j</mi> </munder> <mrow> <mo>|</mo> <mrow> <msub> <mi>x</mi> <mrow> <mn>0</mn> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> <mo>|</mo> </mrow> </mrow> <mrow> <mrow> <mo>|</mo> <mrow> <msub> <mi>x</mi> <mrow> <mn>0</mn> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> <mo>|</mo> </mrow> <mo>+</mo> <mi>&amp;rho;</mi> <munder> <mi>max</mi> <mi>i</mi> </munder> <munder> <mi>max</mi> <mi>j</mi> </munder> <mrow> <mo>|</mo> <mrow> <msub> <mi>x</mi> <mrow> <mn>0</mn> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> <mo>|</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>

其中，

ρ∈[0，1]为分辨系数，取

4).a₀与a_i的灰色关联系数矩阵

<mrow> <msub> <mi>R</mi> <mi>&amp;delta;</mi> </msub> <mo>=</mo> <msub> <mrow> <mo>(</mo> <msub> <mi>&amp;delta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mrow> <mi>m</mi> <mo>&amp;times;</mo> <mi>n</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "|" close = "|"> <mtable> <mtr> <mtd> <msub> <mi>&amp;delta;</mi> <mn>11</mn> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>&amp;delta;</mi> <mrow> <mn>1</mn> <mi>n</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <msub> <mi>&amp;delta;</mi> <mrow> <mi>m</mi> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>&amp;delta;</mi> <mrow> <mi>m</mi> <mi>n</mi> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>

确定灰色关联决策矩阵

<mrow> <mi>Z</mi> <mo>=</mo> <msub> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mrow> <mi>m</mi> <mo>&amp;times;</mo> <mi>n</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>R</mi> <mi>&amp;delta;</mi> </msub> <mi>w</mi> <mo>=</mo> <mfenced open = "|" close = "|"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;</mi> <mn>11</mn> </msub> <msub> <mi>w</mi> <mn>1</mn> </msub> </mrow> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mrow> <msub> <mi>&amp;delta;</mi> <mrow> <mn>1</mn> <mi>n</mi> </mrow> </msub> <msub> <mi>w</mi> <mi>n</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;delta;</mi> <mrow> <mi>m</mi> <mn>1</mn> </mrow> </msub> <msub> <mi>w</mi> <mn>1</mn> </msub> </mrow> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mrow> <msub> <mi>&amp;delta;</mi> <mrow> <mi>m</mi> <mi>n</mi> </mrow> </msub> <msub> <mi>w</mi> <mi>n</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>

5).确定最优方案

设理想解

负理想解

欧式空间距离

<mrow> <msubsup> <mi>D</mi> <mi>i</mi> <mo>+</mo> </msubsup> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>z</mi> <mi>j</mi> <mo>+</mo> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mi>m</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msubsup> <mi>D</mi> <mi>i</mi> <mo>-</mo> </msubsup> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>z</mi> <mi>j</mi> <mo>-</mo> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mi>m</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>

相对贴近度

<mrow> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <msubsup> <mi>D</mi> <mi>i</mi> <mo>-</mo> </msubsup> <mrow> <msubsup> <mi>D</mi> <mi>i</mi> <mo>+</mo> </msubsup> <mo>+</mo> <msubsup> <mi>D</mi> <mi>i</mi> <mo>-</mo> </msubsup> </mrow> </mfrac> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mi>m</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>

其中

根据上述公式计算各备选方案的C_i，若C_i＝max(C₁,C₂,…C_m)，则确定a_i为最优方案。

3.根据权利要求2所述的基于物联网技术的城市停车诱导系统的方法，其特征在于,所述步骤2)具体包括如下步骤：

1).主观权重

参照信息采集模块传来的驾驶人员的行为特性，创建判断矩阵A，同时对各因素间相互比较，按其重要程度进行层次排序，根据萨蒂给出的九个等级进行赋权；

对于特殊的偏离矩阵，通过矩阵的最大特征值求解权向量，然后对A做一致性检验：

一致性指标

一致性比率

其中，n为决策指标数量，RI表征随机一致性指标；

根据萨蒂给出的RI值；

2).客观权重

客观权重通过大量的客观事实信息计算出的指标权重，按照熵的思想，要得到准确合理的决策，意味着有效信息量越多越可靠，由于信息量的多少决定这决策结果的精确性；熵的特性能够满足这一需求，不仅能从繁多的信息中找到对决策者有价值的信息，做出的决策很合理；先通过上述公式(1)(2)对决策矩阵标准化再归一化

<mrow> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </mfrac> <mo>,</mo> <mrow> <mo>(</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>m</mi> <mo>;</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>18</mn> <mo>)</mo> </mrow> </mrow>

第j个指标熵值

差异系数-g_j＝1-e_j,(1≤j≤n)-----------------(20)

各指标权重

3).组合权重

据上述B通过主客观权重的线性组合计算改进的组合权重，进而确定灰色关联决策矩阵，最终对最优理想解的相对贴近度对比，得出最佳停车位。