[0071] 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。
[0072] 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:
[0073] 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:
[0074] 商场直梯(Lift)=-1;扶手电梯(Escalator)=0;
[0075] 电影院直梯(Elevator__Movie)=1;写字楼直梯(Elevator__Work)=2。
[0076] 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:
[0077]
[0078] 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[0079] 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。
[0080] 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:
[0081]
[0082] 其中,31与32作为特殊值来约束边界条件。
[0083] 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;
[0084] 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。
[0085] 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。
[0086] 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。
[0087] 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。
[0088] S3:计算可靠度指数Reliability Index,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。
[0089] 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,…,dD}构成时,其相应的模糊型数据库为{μd1,μd2,…,μdD},其中μ为模糊化隶属度函数,μdk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。
[0090] 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:
[0091] 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:
[0092] 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:
[0093] if Type=1and Frequency then Target=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;
[0094] 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Reliability Index、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:
[0095] if Frequency=Often and Tpye=1and Reliability Index〉0.65then Target=1 (1)
[0096] if Frequency=Always and Tpye=1and Reliability Index〉0.5then Target=1 (2)
[0097] if Frequency=31and Tpye=1then Target=1 (3)
[0098] 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。
[0099] 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、Reliability Index、Frequency分别默认为-1、0、0;具体规则为:
[0100] if Type=1and not Reliability Index and not Frequency then Target=-1。
[0101] S6:计算模糊规则的支持度。
[0102] 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。
[0103] 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”。
[0104] 本发明定义模糊规则支持度表述如下:
[0105]
[0106] 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。
[0107] 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;
[0108] 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;
[0109] 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:
[0110]
[0111] 公式中,
[0112] Typeupdate--最后更新的Type数据;
[0113] Times--系统后台数据仓库中既有数据;
[0114] Typecalculate--步骤S7得到的结果;
[0115] Typeexistence--系统后台数据仓库中原有的Type数值;
[0116] Typethis--根据汽车真实停留时间得到的汽车Type数值。
[0117] 其中,步骤S3中可靠度指数Reliability Index计算方法如下:
[0118] 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;
[0119] 计算语速 和语速指数
[0120]
[0121] 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First time,偶尔Few times,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First time;
[0122] 计算Reliability Index=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。
[0123] 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:
[0124]
[0125] 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: 其中,
[0126] E为常数1,控制隶属函数的幅值;
[0127] t为隶书函数的取值范围;
[0128] b为钟形曲线的平移量。
[0129] 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:
[0130]
[0131]
[0132] 公式中,
[0133] Cx--重心的x坐标;
[0134] Cy--重心的y坐标;
[0135] Dix--第i个模糊规则的x坐标;
[0136] Diy--第i个模糊规则的y坐标;
[0137] Vi--模糊化输入的三角或者钟形隶属函数。
[0138] 实施例一:
[0139] 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
经计算,
[0140] 通过Fuzzy Editor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。
[0141] 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Typeupdate如下, 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。
[0142] 实施例二:
[0143] 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Reliability Index=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: 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。