一个基于机器学习的小区停车位智能共享解决方案

王语舟 张启军

在居民小区停车位总体紧张的情况下，为了临时来访车辆能与其他业主的车位形成便捷的租用，最大化共享闲置车位，本方案设计了一个基于智能推荐算法的小区停车位共享解决方案。该方案采用Python语言编制。当有预约车位需求时，首先根据车主自主挂出的共享车位自动匹配；同时，基于对业主车辆历史出入信息，通过智能算法预测出需求时间段最有可能空闲的车位列表，并推荐给供需双方，经协商确认后成交。与现有的共享私家车位管理系统相比，本方案将自动匹配与基于算法的智能推荐相结合，提高了成功率和便捷性。经过拟合测试，推荐成功率达到预期，具有应用推广价值。

一、引言

随着中国城市化进程的不断加快，特别是大中城市经济的快速发展，私家车从财富象征沦为家庭必备代步工具。根据《南京市2018年国民经济和社会发展统计公报》，2018年底南京机动车保有量达到273.79万辆，其中私人汽车207.25万辆，接近于每家一辆车。而2016年版《城市居住区规划设计规范》中，其对居住区内居民汽车的停车位数量与居住户数的比率的要求仅是不低于10%。因而，小区停车矛盾突出。笔者在南京市紫金上河苑、世茂滨江、天目华庭、苏宁璞邸等小区实地走访，发现一个有趣现象：一方面小区停车难，另一方面因车主上班、外出等种种原因，有很多闲置车位。而在《2017年中国智慧停车行业大数据报告》中，笔者的观察得到了证实：51.3%的城市车位其实是空闲的！

为进一步了解需求，笔者通过问卷网进行了调查，共回收来自全国27个省的382份问卷。82%的被调查者遇到过停车难的尴尬，需求大；98%的被调查者支持车位共享，且超过80%的被调查者认为应该只限小区内业主或业主的临时访客使用；62%的被调查者支持共享车位收费。同时，笔者体验了华为应用市场中top5的车位共享类APP，发现下载次数均不到50万次，且仅有“好停车”覆盖了南京市，但只有3个车位。说明共享停车还远未打开市场。

经过对比分析，笔者决定设计一个停车位智能共享系统，智能体现在：不仅可以主动挂出空闲车位，同时可以通过基于深度机器学习的智能推荐算法提供出更多空闲车位。

二、设计理念

通过访谈小区业主，为解决业主间临时车辆共享问题，提出系统功能点需求如下：

出于小区停车位紧张及便于管理的现状，仅考虑业主间临时车辆的共享需求，不考虑公共车辆与小区内车位间的共享。

车辆共享遵照小区停车收费标准采用有偿模式，具体包括两种方式，一种是业主可主动挂出闲置期的车位信息用于共享，另一种是根据历史车位忙闲情况，推荐可供共享的车位信息，通过抢单，完成车位的共享协商。由需求方进行选择。

被推荐车位的业主会收到停车需求的通知消息，可选择同意或拒绝进行抢单/放弃操作。

三、数据处理和实证研究

为保证共享效率，本方案中推荐算法的合理性、自学习成为关键。

根据强调侧面的不同，机器学习有多种分类方法。其中，基于学习方式，可分为监督学习、无监督学习和强化学习。

监督学习就是最常见的分类问题，通过已有的训练样本（即已知数据及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优表示某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的。也就具有了对未知数据分类的能力。从本系统所要解决的问题来看，适用于监督学习。

本文的小区业主停车的入场时间和出场时间是时间序列数据，判别小区业主停车位在某个时间点是否闲置，这是一个分类问题，因此需要将时间序列数据转变成分类算法所需要的（x，y）数据格式，其中x代表特征（第n次出/入场），y代表标签（出/入场时间）。

由于数据是（x，y）格式，可采用监督学习中的分类算法构建模型。分类算法主要可分为传统分类算法和深度学习分类算法。传统分类算法主要有决策树，逻辑回归，支持向量机，随机森林，GBDT，Adaboost以及XGBOOST。其中，决策树，逻辑回归，支持向量机是单分类器，而随机森林，GBDT，Adaboost，XGBOOST是集成分类器。一般情况下，集成分类器的性能要优于单分类器。深度学习分类算法主要有两类，一类是卷积神经网络，该算法主要应用于图像数据；另外一类是循环神经网络，该算法主要应用于时序数据，其中循环神经网络中的变种LSTM算法能够捕捉时序数据存在的长期影响关系。

根据由浅到深的原则，笔者首先采用决策树算法对业主小区停车位是否閑置进行判别。然后为了提高判别的准确率，采用XGBOOST和LSTM算法构建模型。最后比较三个算法的性能，选择最优算法，得出最终结果。

根据各自的测试，我们得出决策树，XGBOOST以及LSTM模型各项性能指标如下表1所示。

XGBOOST模型的性能指标全面优于决策树模型和LSTM模型。XGBOOST模型的精度为0.88，LSTM模型次之，为0.85，决策树最低，为0.83；XGBOOST模型的0类召回率为0.84，LSTM模型次之，为0.79，决策树最低，为0.78，LSTM模型的召回率性能和决策树的召回率性能相差无几，但是和LSTM的召回率性能差距较大。XGBOOST模型的0类查准率为0.84，LSTM模型次之，为0.80，决策树最低，为0.77，三者之间的召回率性能差距较大；XGBOOST模型的0类F1值为0.84，LSTM模型次之，为0.79，决策树最低，为0.77， LSTM模型的召回率性能和决策树的F1值相差无几，但是和LSTM的F1值差距较大。

综合比较，在该数据集，XGBOOST的性能最优，LSTM次之，决策树最差。鉴于实际场景是为了找出空的停车位，关注的是0类的召回率，优先选择XGBOOST模型最为最终的模型。

运用Python语言开发出原型系统，实测符合预期。

四、总结与展望

本方案从日常生活中的痛点出发，经过调查分析，创新性地推出了面向小区内部业主的、以主动示闲和被动智能推荐相结合的共享车位设计逻辑。在智能推荐算法中经过对决策树、XGBoost和LSTM三种模型的对比，确定了优先选择XGBoost模型。并设计了在车位主、物业、平台间的分成商业模式，经调研被几方接受，使商业推广成为可能。

未来，可对车位增加新属性，以实现更加个性化的车位推荐。例如车位特征属性：地面车位or地下地面车位or地下立体车位；车位位置属性，即车位在小区的具体位置，例如**栋**单元楼下，从而与预约偏好相匹配；增加竞价功能，允许在预约的业主在高峰时段加价求租。

作者单位：南京市金陵中学