基于主观停车决策的停车场协同推荐模型研究∗

潘 晟 戚 湧 李千目

（南京理工大学计算机科学与工程学院 南京 210094）

1 引言

停车选择是指停车用户对停车地点的搜索和选择，与个人偏好、经济条件、环境等多种因素有关。分析停车用户的停车选择，可以了解区域内的车辆停放的趋势，为管理者合理分配停车场资源提供依据，以提高综合管理的效率和效益，缓解城市停车难问题。

国外的研究主要是对停车行为进行调查分析，建立有效的模型来描述停车行为选择过程。Young［1］等提出的PARKSM系统可以模拟出停车用户在停车场内的停车行为过程，但是该模型主要研究的是停车政策对停车选择的影响。Erke和Chatteijee［2～3］等统计出行者在不同情况下的诱导成功率，以分析出行者对诱导方式的偏好。Yim［4］等人研究互联网对于停车选择的影响。Dell Orco［5］基于可能性理论建立不确定条件下的停车选择行为模型。国内方面，北京是最早开始运用停车诱导系统的城市。殷焕焕等［6］基于北京市出行者的停车数据，研究北京市民的停车方式和选择停车场的特点，发现停车费用是居民选择停车场的首要影响因素。在早期的停车行为分析中一般采用相关性分析、敏感性分析［7］等方法，但是这些方法都没有考虑多种因素对停车行为的综合影响。梁潇等［8］在非集计Logit模型基础上对停车用户的行为与选择关系进行分析研究，非集计模型［9～10］是用效用值来描述停车用户对某个选择的偏好程度，这个模型基于效用最大和随机效用建立，但是非集计模型是基于人完全理性情况下最理想的状态，在实际运用中会有偏差。国内学者对于其他的影响停车行为选择的因素也有研究，李会英［11］采用Weka数据平台研究出行者的个性化需求，以提供个性化的诱导方案。此外还有利用行为科学理论或者概率论的方法来建立停车行为的选择模型，王志利、畅芬叶等［12～13］引入前景理论描述在停车用户存在停车信息了解不全，认知存在差异的情况下停车选择行为。宗芳、李志瑶等［14～15］利用贝叶斯网络模型推断在出行目的、停车费率等因素对停车行为的影响。

目前对停车行为研究建立的模型多种多样，但是对影响因素的选取都存在片面性，因此开展停车行为分析要对可能影响的因素进行综合考虑，包括停车设施的影响、停车用户的属性偏好以及停车过程的停车成本、步行距离等影响因素，建立的行为选择模型才更加有效合理。

2 面向用户的停车决策协同推荐模型

2.1 停车行为影响属性分析

停车用户的停车场选择由多种因素属性决定，需要综合考虑停车用户的属性偏好以及停车场的状态信息。影响目的地停车场选择的属性主要有：停车场到目的地的步行距离、停车位的占有情况和停车费用等，同时，停车预约成功率是停车用户对诱导的信赖程度，所以在确定目标停车场时本文也将该属性考虑进去，从而构成了面向停车用户的停车选择模型综合诱导指数的5个主要指标，具体描述如下：

1）停车位占有指标：表示目的地范围内的候选停车场的停车位占用的情况。记为：M。

停车位的预测方法主要是通过在t时刻状态转移矩阵 β(t)计算出在T+ki时刻的停车场的空闲车位的数量。其中i表示停车场的编号，ki表示用户从提出诱导请求至到达目的地第i个停车场的时间，β(t)为预测矩阵，Ni为第i个停车场当前空闲停车位的数量。如果 β(T +ki)×Ni＜m ，则可以认为该停车场无法提供有效的停车位。m为一个阈值常数，由停车场的管理员根据停车场的具体情况设置，一般可以考虑设定为5，即当剩余5个空闲车位时候，就认为该停车场不适合推荐给停车用户。

2）用户满意指标∂：该指数由两个部分组成：停车场距离出行目的地的步行距离d和步行路程的道路状况。第i个停车场到停车用户的目标地的步行路程可以通过式（2）计算得到：

其中（xi，yi）表示第i个停车场的地理坐标，（x，y）表示目的地的地理坐标。用户满意指数∂可以用式（3）表示。

3）成本指标：指停车用户在停车过程中的费用成本，记为 fi。目前，停车场一般是根据车辆停放的时间长短收取停车费，根据用户车辆停放的时间，按照式（4）计算车辆停放费用。

4）预约成功指标：指停车用户请求预约并成功停车的指数。该值可以通过历史数据统计获取，为停车用户向停车诱导系统发送次数请求预约并成功完成停车的次数与请求预约的次数的比例。预约成功指数值，表明用户更有可能选择该停车场。记为ϕ。

5）停车场等级指标θ：指停车设施的经营状态和环境等情况，由停车用户评价和停车场管理部门的评价确定，分为1～5等五个等级。

定义：综合停场选择指标μ，指基于上述5个指标而构建的停车场适合停车用户的程度。综合停场选择指标越高，表示该停车场越适合该请求停车的用户。

其中各指标需要作规范化和归一化处理，且均没有量纲。w为各指标的权重，本文后面将给出求解的方法，本算法根据μ值的大小对候选区域停车场进行排序，将最优停车场推荐给停车用户。

2.2 面向用户的协同推荐流程

针对目前停车场推荐过程没有将停车用户的主观喜好加入候选停车场的筛选过程，本文提出的面向用户行为的决策选择模型实际上就是根据上述提出的5个指标构建的一个对候选停车场集合的指标评价排序的协同推荐的过程，主要流程如图1所示。

图1 候选停车场协同推荐算法流程

Step1：用户提交请求，查询目的地区域范围内的候选停车场的集合，通过该请求获取用户的目的地的地理位置，同时获取用户停车选择的偏好，包括可容忍最大步行距离、停车设施要求（停车场还是停车库，路面停车场还是地下停车场等）、预计停放车辆时间、停车费用阈值等数据。

Step2：过滤不符合条件的停车场，形成候选停车场集合。根据用户偏好进行过滤，如果用户没有设置相应的参数值，那么按照系统默认的值进行候选停车场的集合的筛选，最终得到候选停车场集合P{P1，P2…Pn}。

Step3：分析区域内停车场。计算每个候选停车场的综合选择指数，并对按照综合选择指数对候选停车场进行排序，综合选择指数最高的停车场即可以视为最优停车场。

Step4：向停车用户推荐最优停车场。推荐系统将推荐信息发送给停车用户。

2.3 停车决策协同推荐模型的影响属性权重

对停车场的选择偏好，可采用意向调查的方式获取样本数据。选择5个停车场，对拥有C1驾照，并且有5年以上实际驾驶经验的驾驶员进行问卷调查，结果如表1所示。

调查问卷总共收到有效问卷数30份。其中选择停车场A的为5人，占16.7%，选择停车场B的为3人，占10%，选择停车场C的为16人，占53.3%，选择停车场D的为6人，占20%，选择停车场E的为2人，占6%。

表1 调查问卷

停车选择属性越大越好型的标准化处理公式表示如式（8）所示：

对影响停车选择属性越小越好型的标准化处理公式表示如式（9）所示：

其中：xmax(i)为第i个停车选择属性的最大值，xmin(i)为第i个停车选择属性的最小值，r(i，j)为标准化后的影响停车选择属性评价指数值，即第i个停车选择的属性对第j个备选停车场的相对隶属度值，i=1～n，j=1～m 。以上述公式处理过所得的r(i，j)值为元素而形成的评价矩阵 R=(r(i，j))n×m。

下面计算各影响停车选择的属性的权重大小：

1）通过将影响停车选择的属性指数值标准化、规范化处理来构造模糊评价矩阵R。以到目的地的步行距离为例：计算该属性对停车场A的相对隶属度，该属性为越小越优型，所以对影响停车选择属性越小越好型的标准化处理公式计算相对隶属度。

以此类推可得模糊评价矩阵：R=(r(i，j))n×m。

2）根据1）所得模糊评价矩阵构造用确定影响停车选择属性权重的判断矩阵B=(bi)n×m。用影响停车场选择属性指数的样本标准差σ(i)，来反映该影响属性对停车选择的影响程度大小，并用它来构造判断矩阵B。影响停车选择属性的样本标准差的公式如式（10）所示：

可得样本标准差：σ（1）=0.118，σ（2）=0.161，σ（3）=0.124，σ（4）=0.102，σ（5）=0.235。其中 ri表示的是属性i对所有停车场影响的均值。

相对重要性程度参数值，bm=min｛9，int［σmaxσmin+0.5］｝=4。

可得判断矩阵B：

下面用遗传算法对矩阵B进行计算。

其中 yik∈{ }bik-dbik，bik+dbik，d的取值为非负数，文献［16］认为d的取值区间为［0，0.25］。用遗传算法选择300次，加速10次，影响属性权重变化区间均为（0，1），可得到车位各指标的权重计算值分别为0.142，0.379，0.202，0.185，0.092，其中用户认可指数的权重较高与调查结果相符合。

3 实验验证与分析

3.1 仿真环境介绍

为测试并验证本文提出的面向停车用户停车选择诱导模型，用Graphviz软件构建通用的时空网络模型进行实验。建立30×20个规模相同的宽度为5d（d为基础单位距离）的网格，横轴纵轴模拟空间上的地理为坐标。在网格规模范围内随机生成100个停车场，停车场的状态参数也是随机生成，同时以一定的概率连接节点来模拟路网状态，生成的模型路网图如图2所示。

图2 模型时空网络路网图

3.2 仿真结果与分析

以出行目的地500m为半径画圆，发现停车场89，停车场61，停车场57，停车场30四个停车场在所画的半径范围内。四个停车场的情况如表2。

属 性 权 重 W=｛0.142，0.379，0.202，0.185，0.092｝，可以看出停车场57和目的地的距离最近，但是车位占有率较高。下面计算属性车位占有指标、用户满意指标、费用指标、预约成功指标、停车场等级指标的具体值的大小，得到表3如下。

表2 仿真环境各停车场参数

表3 仿真计算结果

从结果看停车场57是最佳停车场，停车场89的综合选择指数和停车场57相差不是太多，所以可以作次优解。停车场30的空余车位数量最多，数量为160个。停车场61的停车费用最低。面向停车用户的停车决策协同推荐模型主要是减少停车用户只根据片面的指数来判定停车场的局限性，由此可见面向停车用户的停车决策协同推荐模型对于停车用户的停车选择是有效的。

4 结语

本文选取了影响用户停车行为选择的最主要的5个指标构建了面向用户停车选择行为的协同推荐模型，同时基于遗传算法的权值分配模型对5个影响指标进行权重的计算来确定各个属性的权重指数。通过对各个停车场的综合选择指标来对停车用户进行目标范围内的停车场选择的主动诱导，并对提出的用户选择行为的诱导模型进行了仿真实验，实验验证了模型的可行性。