基于霍尔三维模型的智能停车系统设计

何惠倩，张瑞秋*，孙炜，何惠婕

(1.华南理工大学设计学院, 广东广州510006； 2.华南师范大学文学院, 广东广州510006)

0 引言

随着人们生活水平提高，家庭车辆拥有量迅速上涨，“停车难”已是许多城市的通病。本文利用霍尔三维模型的理论知识，着力解决“停车难”、“反向寻车难”、“出口拥堵”、“费用无法实时查询”等问题，为智能停车系统建设做一些规划。智能停车系统是通过对停车场的车辆驶入、车位占用、车辆驶离等停车全过程进行信息采集及数据整合[1-2]，从而实现城市大型商场级别的空余车位信息发布[3-5]、预定车位、室内导航、自动缴费等服务[6]。

1 霍尔三维结构理论在智能停车系统中的应用

霍尔三维结构模型又称“霍尔的系统工程”，是美国系统工程专家霍尔于1969年提出的一种系统工程方法论。霍尔三维模型将系统工程分为前后紧密衔接的七个阶段和七个步骤，同时还考虑了完成这些阶段和步骤所需要的各种专业知识和技能[7]。笔者在霍尔三维结构系统工程论的基础上，将整个智能停车系统工程组成结构进行优化，用技术维、逻辑维、体验维、时间维刻画出来，并将各个维度的具体内容嵌入至基本框架，构建完整的智能停车系统结构模型,具体见图1。

图1 智能停车系统结构模型Fig.1 Intelligent parking system structure model

1.1 技术维分析

智能停车系统组件通过应用RFID射频识别技术[8]、无线传感技术、物联网技术[9-10]等构建数据库、传感器、服务器，用户通过GPS导航进入停车场，在停车场入口有车牌识别设备，通过RFID射频识别技术自动识别车牌，并自动关联用户信息，同时开始计费；进入停车场，导航系统会自动切换成室内导航模式，并自动规划路线，节省用户找停车位的时间；完成停车后，用户进入商场消费可以通过HiHere APP进行停车券兑换等；消费结束后，服务器将根据用户定位生成寻车路线；用户找到车到达停车场出口时，智能闸机可以识别车牌并自动完成支付，系统的工作流程如图2所示。

图2 智能停车系统工作流程

1.2 逻辑维分析

智能停车系统的逻辑维度可大致分为明确问题、确定目标、制定方案、方案分析、方案综合、方案实施、评价优化等七个阶段，如图1所示。

按照系统工程的逻辑步骤进行逻辑维的设计主要包括七个阶段：①明确问题，通过对智能停车系统的人力、物力、环境，进行建设性的可行性研究；②明确目标，对建设智能停车场功能、建设程度等问题与专业技术人员进行访谈，使设计方案具有一定的指向性；③制定方案，确定智能停车系统的核心功能，构建智能停车系统的架构并设计出对应的功能界面；④方案分析，包括可行性、准确性、易用性等进行全方位的分析；⑤方案综合，对方案分析的资料进行整理综合；⑥方案实施，将方案落实应用，并在应用过程中适当的调整和改进，确保系统建设顺利进行。⑦评价优化，智能停车系统投入使用后的持续观察、调控与完善，对出现的问题和功能的更新进行预估并准备新的方案，以推进智能停车系统的不断完善。

1.3 体验维分析

体验维是指用户从进入停车场前到支付离开的全过程的体验，通过分析用户停车全过程[11]，挖掘用户需求如图3所示。

图3 用户旅程&用户需求Fig.3 User journey & user needs

1.4 时间维分析

霍尔三维模型的时间维度是指智能停车系统建设从开始到结束的全过程。该系统建设的生命周期包括调研分析阶段、开发设计阶段、分析评估阶段、方案实施阶段、运营管理阶段、更新迭代阶段，是一个多层次、持续改进、不断更新的过程。

1.4.1 调研分析及市场定位阶段

调研分析阶段主要有用户体验调研、竞品分析和需求分析。用户体验调研主要是通过线上调查和线下用户访谈，询问用户在停车过程中的感受，用户年龄、性别、驾龄对寻车和找车的影响(图4)，调研得出年龄、性别、驾龄对用户寻找停车位以及回程寻车的困难无明显影响；分析车主在商场停车过程中的行为方式，并对消费者行为、心理特征进行调研，建立用户角色模型;竞品分析是分析市场上现有关于停车场APP的功能以及优缺点，包括分析其运行模式、终端状况、用户粘性、易用性、准确性、实用性和用户满意度等，具体见表1。

图4 年龄、性别、驾龄对用户寻车位及回程找车的影响Fig.4 Influence of age, gender, driving age on the user’s search for a parking space and the return trip to find a car

表1 竞品分析Tab.1 Competitive product analysis

市场定位阶段：通过深入的市场调研和市场分析后，建立对运行体系、竞争对手的认识，对智能停车系统的宏观环境、渠道终端设备状况、竞争格局、用户体验的认知，准确把握消费需求动态，进行可行性分析。

1.4.2 概念设计及初步方案阶段

依据前期的消费者需求和设计思想确定智能停车系统的功能，提出设计概念及符合消费者需求的初步方案，完善信息架构，设计原型如图5所示。

图5 HiHere原型设计Fig.5 HiHere model design

1.4.3 方案评审及确认阶段

用户通过注册登录HiHere APP，可以查找预定附近商场的停车位，并进行筛选距离和价格的排序，选择最优停车位。根据导航进入停车场内切换成室内导航模式快速找到停车位。回来时，点击返回首页，选择反向寻车，查看导航路线并离开停车场，HiHere APP具备自动扣费功能，用户可以实时查询停车的消费情况。

2 评价指标及结果

2.1 用户评价

用户评价是一项全面性的工程，评价指标体系的建立是否科学将直接影响到评价结果的全面性和准确性。通过对HiHere模型的建立，根据层次分析法[12]的基本原理，本文将HiHere的评价体系分为目标层、中间层、最低层3个层次，如图6所示。

2.2 层次分析确定评价指标权重

在用户评价体系中，每层元素以相邻的上一层元素为基准，构建成对比较矩阵，采用1至9标度方法进行表示，形成判断矩阵A=(aij)m×n(i、j=1，2，3，…n;m、n均取自数)，其标度见表2。

图6 HiHere界面设计评价指标体系Fig.6 HiHere interface design evaluation index system

表2 判断矩阵标度定义Tab.2 Judgment matrix scale definition

2.3 计算权重

权重是指各元素相对于上一层元素的重要性，通过公式AW=λmaxW来计算，计算步骤如下：

计算Mi，判断矩阵A各行元素的乘积：

(1)

计算Mi的n次方根：

(2)

(3)

计算判断矩阵的最大特征根：

(4)

式中Bi为向量B的第一个元素，B由下式求得:

B=AW。

(5)

2.4 判断矩阵一致性检验

为判断构造的矩阵在逻辑上是否合理，需要对判断矩阵进行一致性检验，其步骤为：

CR=CI/RI,

(6)

式中的RI为平均随机一致性指标，其取值如表3所示；CI为一致性指标，由式(7)可得：

CI=(λmax-n)/(n-1)。

(7)

通常当CR≤0.1时，可认为矩阵A达到一致性要求，认为层次单排序具有满意的一致性，否则需要重新建立矩阵。各层指标因素判断矩阵及一致性检验见表4～表8。

表3 平均随机一致性指标Tab.3 Average random consistency indicator

表4 A～Ai判断矩阵及一致性检验Tab.4 A～Ai judgment matrix and consistency test

表5 A1～A1i判断矩阵及一致性检验Tab.5 A1～A1i judgment matrix and consistency test

表6 A2～A2i判断矩阵及一致性检验Tab.6 A2～A2i judgment matrix and consistency test

表7 A3～A3i判断矩阵及一致性检验Tab.7 A3～A3i judgment matrix and consistency test

表8 A4～A4i判断矩阵及一致性检验Tab.8 A4～A4i judgment matrix and consistency test

2.5 层次总排序及一致性检验

在计算出各层元素的单排序后，采用式(8)中的加权综合方法对评估模型进行层次总排序指标综合权重计算，并将计算结果利用式(9)进行一致性检验：

Wk=WijWi，i,j属于自然数,

(8)

(9)

由表3～表7、式(8)、式(9)可得最低层各因素对支护方案优选的指标权重W=(0.063，0.012，0.010，0.020，0.045，0.134，0.212，0.169，0.057，0.030，0.041，0.087，0.022，0.008，0.020，0.061,0.010)；层次总排序一致性检验:

CR=CI/RI=0.060<0.1。

(10)

由计算结果可知，预定车位和反向寻车尤其重要，其次是色彩搭配和剩余车位显示，然后是信息分类和自动缴费，基本符合HiHere APP的设计原型。

3 结语

通过智能停车系统的建设与霍尔三维结构模型结合，构建停车系统的工作流程和结构模型，改善用户在大型商场的停车体验，整合商场、车商等各方商业信息资源，融合车辆出行的各项服务，建立车辆出行的生态圈。而后通过问卷调研和专家访谈分析停车过程中的影响因素和行为方式，建立HiHere设计模型。依据此模型用层次分析法评估各个指标的权重，计算出功能优先级并进行评价。将霍尔三维模型运用于系统建设中，提高设计的效率，减少了设计中的反复与盲目，对于今后其他的智能系统带来一定的参考和借鉴价值。