CN114093196A - 基于移动性权重分簇算法的智能停车位选择方法 - Google Patents

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

基于移动性权重分簇算法的智能停车位选择方法

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,…,a_m}，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,…,b_n}；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＝{x_ij|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＝(r_ij)_m×n如公式(1)所示：

其中x_ij∈X，r_ij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c_ij为方案每个属性对该方案的影响程度，则构造判断矩阵C＝(c_ij)_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,…,μ_m],m∈M，按行求和可得到判断矩阵的特征向量μ＝[α₁,α₂,…,α_m]^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：

其中

δ_j为第j项指标的信息权重，e_j为第j项指标的信息熵，

综上，第j项属性对应的综合属性权重ω_j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＝(v_ij)_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：

式中，

是正理想解中的最优加权属性值，

为负理想解中最劣加权属性值，I₁为效益型指数集，指标越大对最终决策越有利、I₂为成本型指数集、指标越小对最终决策越有利；

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：

其中，

分别为第i个方案与正负理想解之间的距离；

8)相对接近指数的确定：计算每个方案与理想解决方案的相对接近指数

如公式(14)所示：

设求得的N个相对接近系数组成的矩阵为

最后通过对求得的

中每个元素进行排序，得出最佳的停车解决方案。

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N_i(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，R_tran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μ_avg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v_normal如下公式(19)所示：

其中v_i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n_p＝(x_i,y_i)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，N_i(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d_normal表示如公式(21)所示：

节点位置由n_p表示，σ_d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：

β_i＝wv₁*I+wv₂*N_i(t)+wv₃*v_normal+wv₄*d_normal (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)|²E_s/N₀ (24)，

其中,E_s为发送的有用信号在一个符号间隔内的平均能量，N₀为信道中混有的高斯白噪声的单边功率谱密度，α(t)为信道的衰落系数，假设α(t)平均功率为1并在一个符号间隔内保持不变，此时平均接收信噪比为

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x_i下的阻抗值，T_i 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，C_i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，x_max为路径的最大流量，V_m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,…,a_m}，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,…,b_n}；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＝{x_ij|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＝(r_ij)_m×n如公式(1)所示：

其中x_ij∈X，r_ij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c_ij为方案每个属性对该方案的影响程度，则构造判断矩阵C＝(c_ij)_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,…,μ_m],m∈M，按行求和可得到判断矩阵的特征向量μ＝[α₁,α₂,…,α_m]^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：

其中

δ_j为第j项指标的信息权重，e_j为第j项指标的信息熵，

综上，第j项属性对应的综合属性权重ω_j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＝(v_ij)_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：

式中，

是正理想解中的最优加权属性值，

为负理想解中最劣加权属性值，I₁为效益型指数集，指标越大对最终决策越有利、I₂为成本型指数集、指标越小对最终决策越有利；

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：

其中，

分别为第i个方案与正负理想解之间的距离；

8)相对接近指数的确定：计算每个方案与理想解决方案的相对接近指数

如公式(14)所示：

设求得的N个相对接近系数组成的矩阵为

最后通过对求得的

中每个元素进行排序，得出最佳的停车解决方案。

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N_i(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，R_tran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μ_avg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v_normal如下公式(19)所示：

其中v_i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n_p＝(x_i,y_i)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，N_i(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d_normal表示如公式(21)所示：

节点位置由n_p表示，σ_d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：

β_i＝wv₁*I+wv₂*N_i(t)+wv₃*v_normal+wv₄*d_normal (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)|²E_s/N₀ (24)，

其中,E_s为发送的有用信号在一个符号间隔内的平均能量，N₀为信道中混有的高斯白噪声的单边功率谱密度，α(t)为信道的衰落系数，假设α(t)平均功率为1并在一个符号间隔内保持不变，此时平均接收信噪比为

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x_i下的阻抗值，T_i 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，C_i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，x_max为路径的最大流量，V_m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,…,a_m}，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,…,b_n}；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＝{x_ij|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＝(r_ij)_m×n如公式(1)所示：

其中x_ij∈X，r_ij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c_ij为方案每个属性对该方案的影响程度，则构造判断矩阵C＝(c_ij)_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,…,μ_m],m∈M，按行求和得到判断矩阵的特征向量μ＝[α₁,α₂,…,α_m]^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：

其中

δ_j为第j项指标的信息权重，e_j为第j项指标的信息熵，

综上，第j项属性对应的综合属性权重ω_j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＝(v_ij)_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：

式中，

是正理想解中的最优加权属性值，

为负理想解中最劣加权属性值，I₁为效益型指数集，I₂为成本型指数集；

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：

其中，

分别为第i个方案与正负理想解之间的距离；

8)相对接近指数的确定：计算每个方案与理想解决方案的相对接近指数

如公式(14)所示：

设求得的N个相对接近系数组成的矩阵为

最后通过对求得的

中每个元素进行排序，得出最佳的停车解决方案。

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N_i(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，R_tran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μ_avg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v_normal如下公式(19)所示：

其中v_i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n_p＝(x_i,y_i)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，N_i(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d_normal表示如公式(21)所示：

节点位置由n_p表示，σ_d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：

β_i＝wv₁*I+wv₂*N_i(t)+wv₃*v_normal+wv₄*d_normal (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)|²E_s/N₀ (24)，

其中,E_s为发送的有用信号在一个符号间隔内的平均能量，N₀为信道中混有的高斯白噪声的单边功率谱密度，α(t)为信道的衰落系数，假设α(t)平均功率为1并在一个符号间隔内保持不变，此时平均接收信噪比为

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x_i下的阻抗值，T_i 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，C_i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，x_max为路径的最大流量，V_m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：

Images