基于贝叶斯网络的停车场主动引导算法研究

王征　王铖杰　赵风尚

摘要：针对目前国内停车场普遍存在的停车难、管理乱等现实问题，提出了基于贝叶斯网络的停车场车位引导模型。通过选取停车行为相关因素作为选择变量，构建了面向停车引导的贝叶斯网络结构，并计算停车入位行为的最大后验概率，以此分析出停车引导的最佳路径。

关键词：贝叶斯网络；停车入位；主动引导

中图分类号：TP3016文献标识码：A

doi：10.14031/j.cnki.njwx.2017.10.002

Abstract：In this paper， based on the practical problems such as parking difficulty and management chaos in domestic parking lot， this paper puts forward a parking model based on Bayesian network. By selecting the relevant factors of parking behavior as the selection variables， the Bayesian network structure for parking guidance is constructed， and the maximum posteriori probability of parking entry behavior is calculated to analyze the best path of parking guidance.

Keywords： bayesian network； parking entry； active guidance

0引言

随着经济的持续快速发展，汽车消费进入了高速增长期，机动车保有量的增大不仅给城市道路交通带来了巨大的压力，同时停车设施短缺、停车难、管理乱等问题已成为影响城市交通发展的一大难题[1]。停车场智能化车位引导算法可以有效引导待停车量，在不扩张停车场容量的前提下提高它的利用率。同时增强停车场的安全性和可靠性，节约大量的人力物力，具有十分重要的现实意义。

1贝叶斯网络简介

贝叶斯网络（BayesianNetwork， BN）是人工智能领域的一种重要的处理概率问题的建模方法。贝叶斯网络是不确定性推理的图模型。在图模型中，节点表示变量，弧表示变量之间的依赖关系。

贝叶斯网络推理是统计模型推理的一种基本方法，其基本思想是：已知条件概率表达式和先验概率分布，利用贝叶斯公式转换成后验概率，根据最大后验概率得出推理结论。

如公式1所示的贝叶斯公式中，事件Bi的概率为P（Bi），事件Bi已发生条件下事件A的概率为P（A│Bi），事件A发生条件下事件Bi的概率为P（Bi│A）。

P（Bi│A）=P（Bi） P（A│Bi）∑nj=1P（Bj） P（A│Bj）（1）

最大后验概率（Maximum a Posteriori assignment，MAP）是使后验概率达到最大值时的概率分布状态。它可以看做贝叶斯推理的一种特殊形式。在给定E=e的条件下，h为目标变量子集构成的一个联合状态赋值。如公式2所示。

MAP=argmaxhP（H=h|E=e）

（2）

2停车场车位引导模型

将停车场按车辆行驶路径划分成不同区块，每个区块行驶路径两侧均包含不同数量的停车泊位[2]。停车区块的集合为Pa，变量Xij∈Pa，其中变量Xij表示当前停车区块的状态。i标识路径是否畅通的状态，如i=0表示路不通，i=1表示路通。j标识当前变量区块空余车位状态，j=0表示无空余车位，j=1表示有空余车位。X11就表示此时段X区块状态为道路通畅且有空余车位。这样停车场内每个停车区块所处的狀态都可用表1列出的状态所表示出来。

设集合E为包含所有观察到有空余车位区块的集合，且E={ek|k=1，2，…，n}为空余车位区块数，则ek=X11，X11∈Pa，EPa。

那么由停车场入口区块In到停车场区块ek的停车路径可表示为由∪Xij到ek的一个通路，其中∪Xij的约束条件是变量X为路径中排序在ek之前的区块。

另一方面，对于优化停车进入泊位的整个过程并不是只由空车位和道路状况两个因素决定的，它还受到其它各种因素的相互影响，这些多种因素相互之间的影响关系可以通过贝叶斯网络表示出来[3]。

3构建贝叶斯网络

3.1变量选择

考虑到停车行为受多种相关性因素的影响，同时结合北京市2016年停车场停车流量调查数据分析，选择了七个变量为贝叶斯网络构建的节点变量，分别是车主身份（owner identity，OI）、起停时间（parking start time，PST）、停车时长（parking internval，PI）、步行距离（walking distance，WD）、停车区域（parking area，PA）、停车入位时间（parking time，PT）和道路状况（road condition，RC）[4]。这些变量的取值情况如表2所示。

3.2构建贝叶斯网络

以北京市2016年停车场停车流量调查数据样本为训练数据集，通过应用贝叶斯网络经典的K2算法和Matlab的Full-BNT工具箱进行贝叶斯网络结构学习，确定如图2所示停车场车位引导贝叶斯网络的结构。

由贝叶斯网络停车引导结构图可以看出，停车行为从入口到最终泊车入位是受七个变量因素的相互制约与影响，其中停车空闲区块（ek）的观察变量PA（ek）和RC（ek）的取值应等于1，其余五个变量（OI，PT，PI，WD，PT）则是根据不同的取值反映出不同情况下各种停车入位行为的相关状态。这种停车入位行为的状态可以用后验概率的形式表示出来。那么停车入位的最优引导方案就可以认为是这些后验状态中的最大后验概率（MAP），即MAP（ek）=argmaxekP（OI，PT，PI，WS，PT|PAek=1，RCek=1）。

4停车入位引导的实现

通过计算停车引导贝叶斯网络MAP求得最佳停车区块ek，可以搜索由停车场入口In到此最佳停车区块ek的各条路径，从中选择停车入位时间最短的一条通路作为当前的最优停车路径。而在当前车辆驶入停车位之前，应避免停车场内其余车辆已引导的通行路径与其冲突。具体的停车入位流程如图3所示。

5结束语

该停车场主动引导算法以车位为中心，建立停车场车位分布图背景下的贝叶斯网络数学模型，寻找最合理空闲车位并加以引导的分析过程。该算法可用于智能化程度较高的室内大型停车场，可以有效减少停车场管理人员成本，提高停车入位效率，在解决停车难问题中拥有更大的应用前景。

参考文献：

[1]王一军，陶杰.现代大型停车场车位诱导优化算法及仿真[J]. 计算机仿真，2007（11）.

[2]陈群，史峰，姚加林，等.区域内停车场停车量分配优化[J].西南交通大学学报，2009（2）：280.

[3]季彦婕，王炜，邓卫.停车场内部泊车行为特性分析及最优泊位选择模型[J].东南大学学报（自然科学版），2009（2）：399.

[4]阎莹，张巍，刘盼芝.停车场管理系统的初步设计[J].交通与运输：学术版，2005（1）：75.

（03）endprint