CN114093196A - 基于移动性权重分簇算法的智能停车位选择方法 - Google Patents
基于移动性权重分簇算法的智能停车位选择方法 Download PDFInfo
- Publication number
- CN114093196A CN114093196A CN202111362049.8A CN202111362049A CN114093196A CN 114093196 A CN114093196 A CN 114093196A CN 202111362049 A CN202111362049 A CN 202111362049A CN 114093196 A CN114093196 A CN 114093196A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- attribute
- parking
- formula
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 20
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 15
- 238000005562 fading Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
- G08G1/148—Management of a network of parking areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本文公开了一种基于移动性权重分簇算法的智能停车位选择方法,其特征在于,包括如下步骤:1)最佳停车场选择评价指标的确定;2)最佳停车位选择;3)确定方案的属性决策矩阵;4)评价指标属性权重的确定;5)确定加权标准化决策矩阵;6)正负理想解的确定;7)相对接近度的计算;8)相对接近指数的确定。这种方法能提高信道利用率、节约汽车用户的停车时间、提高停车效率、缓解停车场周围的交通压力。
Description
技术领域
本发明涉及城市交通与通信技术领域,具体是一种基于移动性权重分簇算法的智能停车位选择方法。
背景技术
随着城市汽车数量的增多,我们在享受汽车带来的方便的同时也面临着停车带来的一系列问题,“互联网+停车”的模式为城市停车问题带来了新的研究方向。停车场实行对外停车位资源的共享,人们在实施出行路径规划的同时查找是否有合适的停车位信息并可以进行预约,这为开车出行的人带来了极大的便利。
但是现有停车场预约选择时只考虑了静态的一些评价指标,并没有考虑当前道路的通行状态,因此通过实时的计算从出发点到目的地的道路阻抗就可以反映当前的道路信息,并纳入停车场选择的评价指标中,但是这样会使得车辆反复从基站获取信息就增加了通信的压力、需要传输信息的重复,使得信道利用率不高,采用车辆分簇的方法可以达到车辆之间进行通信的同时使通信网络有稳定的拓扑结构,缓解了通信的压力,减小了信息重复传输和中断传输导致的能量损耗,提高了信道的利用率。
因此,在移动车载网络中,将车辆通过移动性权重分簇的方法进行分簇,获取车辆及周围邻居节点的信息计算车辆行驶道路上的路径阻抗,将这一反映道路交通状况的因素加入停车场选择的评价指标之中,对备选的停车场和停车位方案进行评价获得最优的停车场和停车位选择方案,在通信上减少了中断概率,提高了信道利用率,在城市交通方面节约汽车用户的停车时间,提高了停车效率,也从一定程度上缓解了停车场周围的交通压力。
发明内容
本发明的目的是针对现有技术的不足,而提供一种基于移动性权重分簇算法的智能停车位选择方法。这种方法能提高信道利用率、节约汽车用户的停车时间、提高停车效率、缓解停车场周围的交通压力。
实现本发明目的的技术方案是:
一种基于移动性权重分簇算法的智能停车位选择方法,包括如下步骤:
1)最佳停车场选择评价指标的确定:考虑停车场的综合属性对车主选择停车场的影响,选择四个属性作为评价的指标:分别为道路交通状况、行驶距离、步行距离、可预约停车位数,道路交通状况可以采用改进的移动性权重分簇算法MWCA(Mobility basedWeighted Clustering Algorithm,简称MWCA)计算道路阻抗得到、距离可以采用各种地图软件获得、可预约车位数可以通过停车场信息管理平台获得;
2)最佳停车位选择:综合考虑停车场的情况和车主对停车位的喜爱程度,选择三个属性作为最佳停车位选择评价的指标:分别是行驶距离、步行距离、车两侧的停车情况,距离可以采用各种地图软件获得、车两侧情况可以通过停车场信息管理平台获得;
3)确定方案的属性决策矩阵:将车主对停车场和停车位的选择假设为多属性决策问题的评价,假设每个问题待决策的方案有m个,组成方案集A={a1,a2,a3,…,am},每个方案有n={3,4}个属性作为评价指标,组成属性集B={b1,b2,b3,…,bn};其中M={1,2,3,…,m},N={1,…,n},i∈M,j∈N,M、N为自然数构成的决策矩阵为X={xij|i=1,…,m,j=1,2,3,…,n},即:
对属性决策矩阵X进行规范标准化后得到的矩阵为R=(rij)m×n如公式(1)所示:
其中xij∈X,rij则是将X进行标准化后的矩阵R中的元素;
4)评价指标属性权重的确定:根据1-9标度法来定义属性的权值并构造出判断矩阵,采用计算判断矩阵对应的特征向量来确定方案属性的主观权重,采用信息熵定义来确定方案属性的客观权重,再求平均计算出综合属性权重,设cij为方案每个属性对该方案的影响程度,则构造判断矩阵C=(cij)n×n如公式(2)所示:
设判断矩阵C的每一列进行归一化后的矩阵为E=[μ1,μ2,…,μm],m∈M,按行求和可得到判断矩阵的特征向量μ=[α1,α2,…,αm]T,即为方案属性的主观权重,
由信息熵定义可得到客观属性权重如公式(3)所示:
综上,第j项属性对应的综合属性权重ωj如公式(4)所示:
5)确定加权标准化决策矩阵:加权标准化决策矩阵V=(vij)n×m如公式(5)所示:
V=Rω (5);
6)正负理想解的确定:求取正理想解A+与负理想解A-:
其中:
7)相对接近度的计算:计算每个方案的属性与正负理想解之间的距离如公式(12)、公式(13)所示:
步骤1)中所述的改进的移动性权重分簇算法MWCA包括:
1)计算车辆行驶过程中通信信道的衰减模型为双瑞利衰落时的信道容量:由香农定理可知,双瑞利衰落信道下信息接收方的信道容量如公式(15)所示:
I=lb(1+γ) (15),
I表示能够以最小错误率传达信息时所需要的最大信息速率,其中γ表示簇头车辆接收信息瞬时接收信息信噪比;
2)计算车辆在通信范围内可以连接的其它车辆的总数:通常,给出的簇中时间t的节点i的邻居数量Ni(t)计算公式如(16)所示:
其中j表示车辆i的潜在邻居,d(i,j,t)是在时间t存在车辆i和车辆j之间的连接,否则它不存在,Rtran表示节点i的传输范围;
3)计算车辆在路上行驶的平均速度:在自由流量交通状态中假设车辆的速度是正态分布,则概率密度函数如下公式(17)所示:
其中,σ表示自由流状态下车辆速度的标准差,μ是平均值,所有相邻车辆的平均速度μavg表示如下公式(18)所示:
其中δd、δt分别表示总距离和所覆盖总时间,j=1,2,…,n表示车辆可通信范围内的相邻车辆,归一计数标准化的平均速度vnormal如下公式(19)所示:
其中vi表示车辆的速度;
4)计算与车辆直接相关的汽车平均距离:假设车辆节点位置坐标由x和y表示,则每个节点位置坐标可以用np=(xi,yi)来表示,车辆的平均距离计算公式如(20)所示:
车辆j是车辆i通信范围内的任意邻近车辆,Ni(t)是在t时刻车辆i通信范围内的车辆总数,将平均距离进行标准的归一化用dnormal表示如公式(21)所示:
节点位置由np表示,σd表示标准偏差;
5)簇头的选举:通过计算信道容量、连接级别、平均速度和距离来选举簇头节点,计算公式如公式(22)、公式(23)所示:
βi=wv1*I+wv2*Ni(t)+wv3*vnormal+wv4*dnormal (22),
wv1+wv2+wv3+wv4=1 (23),
当簇没有形成时,每个车辆都是自由节点,通过与传输范围内邻居节点交换移动性信息,计算自己的权重值,选择较高权重值的车辆成为簇头;
6)中断概率的计算:双瑞利衰落信道下,簇头车辆接收信息信噪比如公式(24)所示:
γ=γ(t)=|α(t)|2Es/N0 (24),
γ的概率密度函数如公式(25):
而γ的概率分布函数如公式(26):
其中,K1[·]为修正的一阶第II类贝塞尔函数,由于车辆在行驶过程中与基站之间的通信信道状况是变化的,所以信道容量I也是一个随机变量,对于一个系统中给定的信息源速率R,当信道容量I大于或等于R时,可以使源信号进行无差错传输,当信道容量I小于R时,会产生中断,没有办法传递信息,此时系统中的中断概率的计算如公式(27)所示:
步骤1)中所述的计算道路阻抗为:
采用最常用的阻抗函数为美国联邦公路局函数BPR函数如公式(28)所示:
其中T(i)为编号为i的路径在流量为xi下的阻抗值,Ti 0为编号为i的路径在自由流行驶状态下的平均行程时间,Ci为编号为i的路径的实际通行能力,ω,σ为待定参数、计算公式如公式(29)-公式(35)所示:
其中,V(x)表示速度流量函数,V0表自由流速,xmax为路径的最大流量,Vm表示对应路径最大流量时的速度,即为车辆在路径中行驶的最小速度,在实际的交通状态中,路径的交通流量为车辆在当前路径上行驶的平均速度与车辆密度的乘积,即如公式(35)所示:
本技术方案针对停车场与停车位的最优选择根据移动性权重的分簇方法将行驶的车辆进行分簇,通过收集到的信息计算路径阻抗,将反映道路交通情况的路径阻抗加入停车场选择的评价指标之中,获得最优的停车场停车位的选择。
这种方法能提高信道利用率、节约汽车用户的停车时间、提高停车效率、缓解停车场周围的交通压力。
附图说明
图1为实施例中停车场附近车载通信模型的示意图;
图2为实施例中行驶在道路上的车载通信模型示意图;
图3为实施例方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明的内容作进一步的阐述,但不是对本发明的限定。
实施例:
参照图3,一种基于移动性权重分簇算法的智能停车位选择方法,包括如下步骤:
1)最佳停车场选择评价指标的确定:考虑停车场的综合属性对车主选择停车场的影响,选择四个属性作为评价的指标:分别为道路交通状况、行驶距离、步行距离、可预约停车位数,如图1所示,道路交通状况可以采用改进的移动性权重分簇算法MWCA计算道路阻抗得到、距离可以采用各种地图软件获得、可预约车位数可以通过停车场信息管理平台获得;
2)最佳停车位选择:综合考虑停车场的情况和车主对停车位的喜爱程度,选择三个属性作为最佳停车位选择评价的指标:分别是行驶距离、步行距离、车两侧的停车情况,距离可以采用各种地图软件获得、车两侧情况可以通过停车场信息管理平台获得;
3)确定方案的属性决策矩阵:将车主对停车场和停车位的选择假设为多属性决策问题的评价,假设每个问题待决策的方案有m个,组成方案集A={a1,a2,a3,…,am},每个方案有n={3,4}个属性作为评价指标,组成属性集B={b1,b2,b3,…,bn};其中M={1,2,3,…,m},N={1,…,n},i∈M,j∈N,M、N为自然数构成的决策矩阵为X={xij|i=1,…,m,j=1,2,3,…,n},即:
对属性决策矩阵X进行规范标准化后得到的矩阵为R=(rij)m×n如公式(1)所示:
其中xij∈X,rij则是将X进行标准化后的矩阵R中的元素;
4)评价指标属性权重的确定:根据1-9标度法来定义属性的权值并构造出判断矩阵,采用计算判断矩阵对应的特征向量来确定方案属性的主观权重,采用信息熵定义来确定方案属性的客观权重,再求平均计算出综合属性权重,设cij为方案每个属性对该方案的影响程度,则构造判断矩阵C=(cij)n×n如公式(2)所示:
设判断矩阵C的每一列进行归一化后的矩阵为E=[μ1,μ2,…,μm],m∈M,按行求和可得到判断矩阵的特征向量μ=[α1,α2,…,αm]T,即为方案属性的主观权重,
由信息熵定义可得到客观属性权重如公式(3)所示:
综上,第j项属性对应的综合属性权重ωj如公式(4)所示:
5)确定加权标准化决策矩阵:加权标准化决策矩阵V=(vij)n×m如公式(5)所示:
V=Rω (5);
6)正负理想解的确定:求取正理想解A+与负理想解A-:
其中:
7)相对接近度的计算:计算每个方案的属性与正负理想解之间的距离如公式(12)、公式(13)所示:
步骤1)中所述的改进的移动性权重分簇算法MWCA包括:如图2所示,
1)计算车辆行驶过程中通信信道的衰减模型为双瑞利衰落时的信道容量:由香农定理可知,双瑞利衰落信道下信息接收方的信道容量如公式(15)所示:
I=lb(1+γ) (15),
I表示能够以最小错误率传达信息时所需要的最大信息速率,其中γ表示簇头车辆接收信息瞬时接收信息信噪比;
2)计算车辆在通信范围内可以连接的其它车辆的总数:通常,给出的簇中时间t的节点i的邻居数量Ni(t)计算公式如(16)所示:
其中j表示车辆i的潜在邻居,d(i,j,t)是在时间t存在车辆i和车辆j之间的连接,否则它不存在,Rtran表示节点i的传输范围;
3)计算车辆在路上行驶的平均速度:在自由流量交通状态中假设车辆的速度是正态分布,则概率密度函数如下公式(17)所示:
其中,σ表示自由流状态下车辆速度的标准差,μ是平均值,所有相邻车辆的平均速度μavg表示如下公式(18)所示:
其中δd、δt分别表示总距离和所覆盖总时间,j=1,2,…,n表示车辆可通信范围内的相邻车辆,归一计数标准化的平均速度vnormal如下公式(19)所示:
其中vi表示车辆的速度;
4)计算与车辆直接相关的汽车平均距离:假设车辆节点位置坐标由x和y表示,则每个节点位置坐标可以用np=(xi,yi)来表示,车辆的平均距离计算公式如(20)所示:
车辆j是车辆i通信范围内的任意邻近车辆,Ni(t)是在t时刻车辆i通信范围内的车辆总数,将平均距离进行标准的归一化用dnormal表示如公式(21)所示:
节点位置由np表示,σd表示标准偏差;
5)簇头的选举:通过计算信道容量、连接级别、平均速度和距离来选举簇头节点,计算公式如公式(22)、公式(23)所示:
βi=wv1*I+wv2*Ni(t)+wv3*vnormal+wv4*dnormal (22),
wv1+wv2+wv3+wv4=1 (23),
当簇没有形成时,每个车辆都是自由节点,通过与传输范围内邻居节点交换移动性信息,计算自己的权重值,选择较高权重值的车辆成为簇头;
6)中断概率的计算:双瑞利衰落信道下,簇头车辆接收信息信噪比如公式(24)所示:
γ=γ(t)=|α(t)|2Es/N0 (24),
γ的概率密度函数如公式(25):
而γ的概率分布函数如公式(26):
其中,K1[·]为修正的一阶第II类贝塞尔函数,由于车辆在行驶过程中与基站之间的通信信道状况是变化的,所以信道容量I也是一个随机变量,对于一个系统中给定的信息源速率R,当信道容量I大于或等于R时,可以使源信号进行无差错传输,当信道容量I小于R时,会产生中断,没有办法传递信息,此时系统中的中断概率的计算如公式(27)所示:
步骤1)中所述的计算道路阻抗为:
采用最常用的阻抗函数为美国联邦公路局函数BPR函数如公式(28)所示:
其中T(i)为编号为i的路径在流量为xi下的阻抗值,Ti 0为编号为i的路径在自由流行驶状态下的平均行程时间,Ci为编号为i的路径的实际通行能力,ω,σ为待定参数、计算公式如公式(29)-公式(35)所示:
其中,V(x)表示速度流量函数,V0表自由流速,xmax为路径的最大流量,Vm表示对应路径最大流量时的速度,即为车辆在路径中行驶的最小速度,在实际的交通状态中,路径的交通流量为车辆在当前路径上行驶的平均速度与车辆密度的乘积,即如公式(35)所示:
Claims (3)
1.一种基于移动性权重分簇算法的智能停车位选择方法,其特征在于,包括如下步骤:
1)最佳停车场选择评价指标的确定:选择四个属性作为评价的指标:分别为道路交通状况、行驶距离、步行距离、可预约停车位数,道路交通状况采用改进的移动性权重分簇算法MWCA计算道路阻抗得到、距离采用地图软件获得、可预约车位数通过停车场信息管理平台获得;
2)最佳停车位选择:选择三个属性作为最佳停车位选择评价的指标:分别是行驶距离、步行距离、车两侧的停车情况,距离采用地图软件获得、车两侧情况通过停车场信息管理平台获得;
3)确定方案的属性决策矩阵:将车主对停车场和停车位的选择假设为多属性决策问题的评价,假设每个问题待决策的方案有m个,组成方案集A={a1,a2,a3,…,am},每个方案有n={3,4}个属性作为评价指标,组成属性集B={b1,b2,b3,…,bn};其中M={1,2,3,…,m},N={1,…,n},i∈M,j∈N,M、N为自然数构成的决策矩阵为X={xij|i=1,…,m,j=1,2,3,…,n},即:
对属性决策矩阵X进行规范标准化后得到的矩阵为R=(rij)m×n如公式(1)所示:
其中xij∈X,rij则是将X进行标准化后的矩阵R中的元素;
4)评价指标属性权重的确定:根据1-9标度法来定义属性的权值并构造出判断矩阵,采用计算判断矩阵对应的特征向量来确定方案属性的主观权重,采用信息熵定义来确定方案属性的客观权重,再求平均计算出综合属性权重,设cij为方案每个属性对该方案的影响程度,则构造判断矩阵C=(cij)n×n如公式(2)所示:
设判断矩阵C的每一列进行归一化后的矩阵为E=[μ1,μ2,…,μm],m∈M,按行求和得到判断矩阵的特征向量μ=[α1,α2,…,αm]T,即为方案属性的主观权重,
由信息熵定义可得到客观属性权重如公式(3)所示:
综上,第j项属性对应的综合属性权重ωj如公式(4)所示:
5)确定加权标准化决策矩阵:加权标准化决策矩阵V=(vij)n×m如公式(5)所示:
V=Rω (5);
6)正负理想解的确定:求取正理想解A+与负理想解A-:
其中:
7)相对接近度的计算:计算每个方案的属性与正负理想解之间的距离如公式(12)、公式(13)所示:
2.根据权利要求1所述的基于移动性权重分簇算法的智能停车位选择方法,其特征在于,步骤1)中所述的改进的移动性权重分簇算法MWCA包括:
1)计算车辆行驶过程中通信信道的衰减模型为双瑞利衰落时的信道容量:由香农定理可知,双瑞利衰落信道下信息接收方的信道容量如公式(15)所示:
I=lb(1+γ) (15),
I表示能够以最小错误率传达信息时所需要的最大信息速率,其中γ表示簇头车辆接收信息瞬时接收信息信噪比;
2)计算车辆在通信范围内可以连接的其它车辆的总数:给出的簇中时间t的节点i的邻居数量Ni(t)计算公式如(16)所示:
其中j表示车辆i的潜在邻居,d(i,j,t)是在时间t存在车辆i和车辆j之间的连接,否则它不存在,Rtran表示节点i的传输范围;
3)计算车辆在路上行驶的平均速度:在自由流量交通状态中假设车辆的速度是正态分布,则概率密度函数如下公式(17)所示:
其中,σ表示自由流状态下车辆速度的标准差,μ是平均值,所有相邻车辆的平均速度μavg表示如下公式(18)所示:
其中δd、δt分别表示总距离和所覆盖总时间,j=1,2,…,n表示车辆可通信范围内的相邻车辆,归一计数标准化的平均速度vnormal如下公式(19)所示:
其中vi表示车辆的速度;
4)计算与车辆直接相关的汽车平均距离:假设车辆节点位置坐标由x和y表示,则每个节点位置坐标用np=(xi,yi)来表示,车辆的平均距离计算公式如(20)所示:
车辆j是车辆i通信范围内的任意邻近车辆,Ni(t)是在t时刻车辆i通信范围内的车辆总数,将平均距离进行标准的归一化用dnormal表示如公式(21)所示:
节点位置由np表示,σd表示标准偏差;
5)簇头的选举:通过计算信道容量、连接级别、平均速度和距离来选举簇头节点,计算公式如公式(22)、公式(23)所示:
βi=wv1*I+wv2*Ni(t)+wv3*vnormal+wv4*dnormal (22),
wv1+wv2+wv3+wv4=1 (23),
当簇没有形成时,每个车辆都是自由节点,通过与传输范围内邻居节点交换移动性信息,计算自己的权重值,选择高权重值的车辆成为簇头;
6)中断概率的计算:双瑞利衰落信道下,簇头车辆接收信息信噪比如公式(24)所示:
γ=γ(t)=|α(t)|2Es/N0 (24),
γ的概率密度函数如公式(25):
而γ的概率分布函数如公式(26):
其中,K1[·]为修正的一阶第II类贝塞尔函数,对于一个系统中给定的信息源速率R,当信道容量I大于或等于R时,使源信号进行无差错传输,当信道容量I小于R时,会产生中断,没有办法传递信息,此时系统中的中断概率的计算如公式(27)所示:
3.根据权利要求1所述的基于移动性权重分簇算法的智能停车位选择方法,其特征在于,步骤1)中所述的计算道路阻抗为:
采用阻抗函数为美国联邦公路局函数BPR函数如公式(28)所示:
其中T(i)为编号为i的路径在流量为xi下的阻抗值,Ti 0为编号为i的路径在自由流行驶状态下的平均行程时间,Ci为编号为i的路径的实际通行能力,ω,σ为待定参数、计算公式如公式(29)-公式(35)所示:
其中,V(x)表示速度流量函数,V0表自由流速,xmax为路径的最大流量,Vm表示对应路径最大流量时的速度,即为车辆在路径中行驶的最小速度,路径的交通流量为车辆在当前路径上行驶的平均速度与车辆密度的乘积,即如公式(35)所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111362049.8A CN114093196B (zh) | 2021-11-17 | 2021-11-17 | 基于移动性权重分簇算法的智能停车位选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111362049.8A CN114093196B (zh) | 2021-11-17 | 2021-11-17 | 基于移动性权重分簇算法的智能停车位选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114093196A true CN114093196A (zh) | 2022-02-25 |
CN114093196B CN114093196B (zh) | 2023-05-09 |
Family
ID=80301293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111362049.8A Active CN114093196B (zh) | 2021-11-17 | 2021-11-17 | 基于移动性权重分簇算法的智能停车位选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114093196B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060071945A1 (en) * | 2004-09-28 | 2006-04-06 | Canon Kabushiki Kaisha | Information processing method and information processing apparatus |
CN103596182A (zh) * | 2013-11-27 | 2014-02-19 | 北京邮电大学 | 一种d2d通信中的频谱资源管理方法 |
US20180128638A1 (en) * | 2015-10-30 | 2018-05-10 | Chongqing University Of Posts And Telecommunications | Parking space navigation method, parking space management method, mobile terminal, and server |
CN109544916A (zh) * | 2018-11-09 | 2019-03-29 | 同济大学 | 一种基于抽样轨迹数据的路网车辆od估计方法 |
CN110942653A (zh) * | 2019-10-20 | 2020-03-31 | 黄旭仕 | 一种基于车联网的智能驾驶汽车辅助泊车系统 |
CN111131031A (zh) * | 2019-12-27 | 2020-05-08 | 南京邮电大学 | 一种基于移动性权重的vanet集群分簇优化方法 |
AU2020101761A4 (en) * | 2020-08-11 | 2020-09-17 | Nanjing University Of Science & Technology | Method for planning path of parking agv based on improved dijkstra algorithm |
CN111724625A (zh) * | 2020-08-05 | 2020-09-29 | 湖南汽车工程职业学院 | 一种基于5g以及物联网的停车场泊车路径优化系统 |
CN111985835A (zh) * | 2020-08-31 | 2020-11-24 | 盐城工学院 | 一种居住区共享停车泊位的分配方法 |
CN112487281A (zh) * | 2020-10-30 | 2021-03-12 | 南京云牛智能科技有限公司 | 一种立体车库推荐方法 |
CN113362637A (zh) * | 2021-05-04 | 2021-09-07 | 温州大学 | 一种区域性多场点空余停车位预测方法及系统 |
CN113506457A (zh) * | 2021-07-08 | 2021-10-15 | 湖南大学 | 基于大型停车场场景下寻找停车位的装置和方法 |
-
2021
- 2021-11-17 CN CN202111362049.8A patent/CN114093196B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060071945A1 (en) * | 2004-09-28 | 2006-04-06 | Canon Kabushiki Kaisha | Information processing method and information processing apparatus |
CN103596182A (zh) * | 2013-11-27 | 2014-02-19 | 北京邮电大学 | 一种d2d通信中的频谱资源管理方法 |
US20180128638A1 (en) * | 2015-10-30 | 2018-05-10 | Chongqing University Of Posts And Telecommunications | Parking space navigation method, parking space management method, mobile terminal, and server |
CN109544916A (zh) * | 2018-11-09 | 2019-03-29 | 同济大学 | 一种基于抽样轨迹数据的路网车辆od估计方法 |
CN110942653A (zh) * | 2019-10-20 | 2020-03-31 | 黄旭仕 | 一种基于车联网的智能驾驶汽车辅助泊车系统 |
CN111131031A (zh) * | 2019-12-27 | 2020-05-08 | 南京邮电大学 | 一种基于移动性权重的vanet集群分簇优化方法 |
CN111724625A (zh) * | 2020-08-05 | 2020-09-29 | 湖南汽车工程职业学院 | 一种基于5g以及物联网的停车场泊车路径优化系统 |
AU2020101761A4 (en) * | 2020-08-11 | 2020-09-17 | Nanjing University Of Science & Technology | Method for planning path of parking agv based on improved dijkstra algorithm |
CN111985835A (zh) * | 2020-08-31 | 2020-11-24 | 盐城工学院 | 一种居住区共享停车泊位的分配方法 |
CN112487281A (zh) * | 2020-10-30 | 2021-03-12 | 南京云牛智能科技有限公司 | 一种立体车库推荐方法 |
CN113362637A (zh) * | 2021-05-04 | 2021-09-07 | 温州大学 | 一种区域性多场点空余停车位预测方法及系统 |
CN113506457A (zh) * | 2021-07-08 | 2021-10-15 | 湖南大学 | 基于大型停车场场景下寻找停车位的装置和方法 |
Non-Patent Citations (4)
Title |
---|
ZE-XUE WU等: "A Whole Crow Search Algorithm for Solving Data Clustering" * |
吴晨杰: "基于移动性的车联网分簇优化算法的研究与实现" * |
蒋燕: "基于出行可靠性的最优路径推荐模型研究" * |
郭爱煌等: "异构网络下基于车辆权值的分簇算法" * |
Also Published As
Publication number | Publication date |
---|---|
CN114093196B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105245563B (zh) | 一种基于车辆节点连通稳定度的动态分簇方法 | |
RU2501088C2 (ru) | Определение экономного маршрута транспортного средства | |
CN102625237B (zh) | 路边设备与车辆通信中的最佳中继选择方法 | |
CN107948246A (zh) | 一种基于车联网车辆社交性的rsu部署方法及系统 | |
CN106657209A (zh) | 一种基于vanet的obu与rsu快速切换方法 | |
TW201037270A (en) | Fleet maintenance method and in-vehicle communication system | |
CN103973789A (zh) | 一种联合车辆历史信用及当前状态的vanet成簇方法 | |
CN114743401B (zh) | 一种基于公交数字化转型的数据可视化公交调度管理平台 | |
CN110414795B (zh) | 基于改进两步移动搜索法的新增高铁枢纽可达性影响方法 | |
CN107274713A (zh) | 一种基于簇的停车诱导方法 | |
CN110519682B (zh) | 一种结合位置与通信范围预测的v2v路由方法 | |
CN111063191B (zh) | 用于公交线网设计的发车频率与线网结构联合优化方法 | |
CN105448115A (zh) | 高速交通网络中被动群集车辆间通信方法 | |
CN111586568A (zh) | 基于边缘计算的车载通信紧急消息传输优化方法 | |
Cao et al. | ETCS: An efficient traffic congestion scheduling scheme combined with edge computing | |
CN114093196A (zh) | 基于移动性权重分簇算法的智能停车位选择方法 | |
CN116629567B (zh) | 考虑动态需求的需求响应公交与共享电单车耦合优化方法 | |
CN105306157B (zh) | 一种基于网络连通的车载通信建模方法 | |
CN116321351A (zh) | 基于区域路由算法的车联网优化方法、系统和车辆 | |
CN114071420B (zh) | 一种基于动态分簇的v2x高速车载信息传输方法 | |
CN104753783A (zh) | 基于车载短距离通信网的快收敛蚁群路由建立方法 | |
CN114827946A (zh) | 一种车联网场景下基于任务相似度的边缘计算方法及系统 | |
Bhanja et al. | Dynamic trafile congestion detection in VANETS using a Fuzzy rule-based system and K-means clustering | |
CN114923512A (zh) | 一种基于共享单车和出租车移动轨迹的城市污染物监测优化方法 | |
CN113011466A (zh) | 一种虚实公交站点的设置系统和设置方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |