基于Mamdani算法的停车诱导决策方法
【技术领域】
[0001] 本发明设及模糊控制领域，具体是一种面向自然语言，利用沉淀的元数据信息进 行诱导停车的决策方法。
【背景技术】
[0002] 由于国内经济发展呈层次化、阶梯化的形态，因此对于智慧停车场的需求和理解 也呈现了不同的状态。简而言之，经济欠发达地区对于停车场资源透明度、可视度的处理尚 未完善，因为汽车数量不及一、二线城市多，对于停车场的需求也呈现了差异化;对于经济 高度发展的大型城市而言，城市公共或私有停车场都做到了信息透明，可W实时的呈现在 网页端，甚至一些移动客户端上。但关于停车场内的诱导停车服务却做得不尽如意，主要表 现在W下几个方面：
[0003] (1)简单粗暴的元数据。由于技术能力的落后，一些停车场只通过简单的车位识别 和加法运算处理后的"元数据"展现给被服务主体。车辆驾驶者并无法从运些基础的数据中 得到直接的帮助，例如，前方有23个车位，左侧有34个车位。运只是信息的展示，换句话说运 简单粗暴的诱导只能叫做化rking Guidance and Info;rmation(PGI)。大量的原始数据并 没有完全处理，系统没有发掘出其背后的意义。
[0004] (2)无处不在的RFID。为了提供形式上"一对一"有针对性的诱导服务，停车场的管 理系统不得不掌握车辆的位置，因此就需要一定数量的RFID遍布整个停车场，并实时与汽 车进行信息识别。运种形式的诱导停车看似感知了整个环境和被服务主体，实际上只是在 堆搁同类型的硬件而已。利用RFID或者NFC技术来明确个人标识，并没有主动匹配用户需求 与停车场的资源。
[000引（3)免费的移动软件客户端。为了得到能够更好的呈现效果和用户体验，停车场管 理者不遗余力的开发各种移动终端上的APP，用来展示停车场信息。然而得到的效果却不是 那么的明显，主要原因有W下几点：
[0006] a.由于电信运营商的网速限制或者移动终端的性能不一，导致用户体验有了差异 化。用户不能实时地获得一手信息，也就不能及时地作出判断。
[0007] b.信息的展现与互动是建立在用户统一的软件界面，甚至是相同的硬件架构之上 的。对于停车场的老用户尚不能普及，更不用说新来的用户了。更何况每个停车场的管理系 统平台不一样，运样对于用户的耐屯、、其手机的性能都是一种负担。
[0008] 综上所述，现阶段国内停车场的智能诱导服务做的尚未完善，用户的需求分析不 明朗、体验感欠缺，现阶段主要受困于W下几个方面的问题：
[0009] (1)停车场不能准确把握被服务者需求；
[0010] (2)驶入汽车限于技术只能被动接受信息；
[0011] (3)需要被服务主体拥有统一的软、硬件平台的因素。
【发明内容】
[0012] 为了解决上述现有技术存在的缺陷，本发明提供了一种基于Mamdani算法的停车 诱导决策方法，能够发掘历史数据库中更深层的意义，能够主动匹配用户需求和停车场资 源。
[0013] 本发明采用的技术方案: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，包括W下步骤：
[0014] 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；
[0015] 按照上月车辆平均每次停留时长，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"；
[0016] 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，即化equen巧= 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;
[0017] 停车类型和停车频率均记录在系统后台数据仓库；
[0018] S2:车牌识别与语音输入甄别，用户可W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;
[0019] 根据用户语音输入信息或车辆上月停车频率，模糊化接口 2输入停车频率 Frequency;
[0020] 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；
[0021] 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输入化ye = 0，模糊化接口 2输入化equency = 0;
[0022] 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；
[0023] 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，普通型数据库共有D个数据元组{dl，d2，···，cb}构成，其相应的模糊型数据库 为{ydi，yd2,…，4加}，其中μ为模糊化隶属度函数，Wdk由
组成，k = 1，2，…，D，其中
分别是模糊输入的隶属函数，P胃 则是输出的函数；
[0024] 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：
[0025] 若用户明确目的地，则根据模糊化输入量Frequen巧确定停车位置，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；
[0026] S6:计算模糊规则的支持度，其表述如下：
[0027]
[0028] 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 去支持度低于0.5的冗余规则，得到完备模糊规则库；
[0029] 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；
[0030] 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；
[0031] 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：
[0032]
[0033] 公式中，
[0034] Typeupdate-最后更新的Type 数据；
[00巧]Times-系统后台数据仓库中既有数据；
[0036] Typecalculate--步骤 S7得到的结果；
[0037] Typeexistence一系统后台数据仓库中原有的Type数值；
[0038] Typethis--根据汽车真实停留时间得到的汽车Type数值。
[0039] 优选的，步骤S3中可靠度指数Reliability Index计算方法如下：
[0040] 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