英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

停车位库存管理:一种人工智能方法

摘要

本文对停车预约系统和停车收益管理系统的基本概念进行了讨论。本文提出的“智能”停车位库存管理系统是基于模糊逻辑和整数规划技术相结合，实现“在线”处理司机的停车请求，决定是否接受或拒绝一个新的停车请求。该模型的第一步，为多个不同模式的车辆制定最优停车策略，这些停车策略是通过整数规划方法制定的。第二步，通过研究最优策略来定义一些特定的规则。该方法的独特性在于：我们假设未来的信元到达模型是已知的，并且通过一组选定的例子推断出这些特定的规则。通过假设未来的信元到达模型是已知的，我们发现所推断出的结果与最佳解决方案十分相似。

关键词：交通；不确定性建模；控制系统；停车场；模糊逻辑

1. 引言

大部分司机每天都需要寻找一个停车泊位，此外，缺乏经验或来自外地的司机使得交通拥堵情况更加严重。寻找一个空停车位是一个典型的搜索过程的例子，每个停车位搜索策略都是由一组模糊规则组成，我们通常很难明确地描述这些规则。不同的活动计划，一天之内不同的时刻，一个星期中不同的时间，当前特定的路线的交通拥堵状况，对城市街道的认识程度，以及潜在的可用的停车位对司机选择停车位的搜索策略有明显的影响。在过去的四十年里，已经研究出了许多停车位搜索模型。用户在出行时，需要根据旅途的具体情况（交通方式的不同，选择航空公司，选择机场，等等）选择合适的停车方案，用户（乘客、司机）会提前了解各种可能的选项的一些特点。另一方面，随着时间的推移，司机经常会接二连三地发现新的可选的停车场。显然，这种时间顺序对司机最终决定在哪里停车有很大的影响。

在过去的二十年里，在许多城市的交通当局（赫尔辛基，科隆，美因茨，斯图加特，威斯巴登，奥尔堡，海牙）已经开始使用实时变化的信息标志来通知和引导司机到相应的停车场设施 （方向箭头，停车场设施的名称，状态，可用的停车位数量，等等）。关于可用的停车位数量的信息会在主干道路、街道和十字路口显示，或者通过互联网传播。

至于停车诱导系统的收益问题，目前的实践表明，停车诱导系统通常不会改变车位占用率或平均停车时间。司机对停车引导诱导系统很容易上手，其中大多数愿意使用它、信任它并且感谢它所带来的帮助。停车诱导系统还可以有效增加找到空闲停车位的概率，缓解对市中心不熟悉的司机或者游客的出行压力，减少车库前面排队的车辆，减少车辆驾驶的里程量（特别是在城市中心），以及减少平均旅途时间、能源消耗和空气污染。停车诱导系统是综合停车政策和交通管理系统的一部分，及其其它要素包括：路边停车管理（包括制裁非法停放的车辆），停车费用结构，停车收益管理系统。

当司机连接到互联网后，停车导航诱导系统帮助司机找到离目的地较近的空停车位。在此次研究中，我们提出了停车预约系统和停车收入管理系统的概念。该系统可以帮助司机找到一个空的停车位，甚至在其开始旅途之前。而我们所提出的“智能”停车位库存控制系统则是基于模拟、技术优化和模糊逻辑相结合，“实时”决定是否拒绝或者接受一个新的停车要求。该方法适用于城市以及大型国际机场的停车场和车库。

1. 方法论

在世界各地的大多数城市里，司机使用不同的停车设施并支付相应的费用。在某些情况下，停车费用可以在较大程度上缓解交通拥挤状况。不同的停车费用定价策略应该是综合处理复杂的交通堵塞问题的解决方案的一部分。例如，交通部门、地方政府和私营部门可以对在拥堵的市区行驶的私家车司机以及长期占用车位的用户收取更高的停车税，还可以为中型客运提供特殊的停车费用折扣。显然，停车费用定价应在所选取的城市范围 (市中心、住宅区、商业区、零售区) 内进行深入全面的研究。任何停车定价策略的目的应在于减少汽车行驶的总路程，通勤者能够有多种可选的交通方式以及不同的停车地点。同时，在试图实施任何停车策略时，为消费者提供足够的停车空间、为城区的居民提供停车优惠、给不同的停车位置提供相应的优惠待遇、给予低收入家庭特殊照顾以及防止在附近街道非法停车都是非常重要的。在解决复杂的交通拥堵和停车问题时，我们应该更多地去利用供给和需求的基本经济概念 (Vickrey (1994))。高峰期行车收费概念的基本思想是：促使司机减少高峰时段出行而是更多地选择在非高峰时段出行及使用交通设施。而这种高峰期行车收费的想法和公路或机场运营商息息相关。就停车问题而言，这意味着：(a)应该根据不同的用户收取不同的停车关税；(b)停车费应该在一天中的几个不同时段进行相应的增加或减少。

• 1. 停车问题和收益管理系统: 类比其他行业

航空公司、酒店、租车行业、铁路业、巡航、医疗、广播行业、能源行业、高尔夫、设备租赁、餐厅，以及其他行业在销售他们的产品时都会利用收益管理的概念（Cross (1997)）。收益管理可以看作一组用于管理公司收益的不同的科学技术：在恰当的时间以恰当的价格给合适的顾客递送适合的产品。收益管理的概念源于航空业。成功应用了不同的收益管理概念的行业拥有如下的基本特征：(a)需求量随着时间变化而变化；(b)资产利用率可变；(c)商品持有时间短；(d)资源有限；(e)市场细分；(f)增加新功能价格昂贵，或难以实现；(g)每个顾客产生的直接成本相对于提供服务的总成本来说可以忽略不计；(h)预先销售产品。而停车位库存控制问题的主要特点如下：

• 停车需求随时间而改变。
• 正如酒店客房或餐厅的椅子一样，停车位每天也有可能被“卖出”(被客户占用) 。
• 任何停车场或车库能够供给司机使用的停车位数量有限。
• 市场细分意味着对于同等价值的商品不同的客户愿意支付不同的价格 (酒店房间，机舱座位，租车座位)。比如一个想提前15分钟在开会地点附近停车的商人需要支付的停车费用将远高于一个提前四天预订停车位且打算与妻子走路穿过市中心的退休人员。
• 修建新的车库和停车场可能非常昂贵，并且有时候是非常困难的事情。
• 新司机因生疏而产生的额外的停车费用相对于新建停车场的费用而言可以忽略不计。
• 停车位容易被提前预定预约。

引入和发展停车预约系统(在互联网和手机环境中创建)将进一步改善现代停车技术。司机可以在开始旅途之前或者在旅途中收到相应的路线建议和导航规划。停车预约系统应和停车场收益管理系统相结合，停车场运营商和交通管理局能够因此实施不同的停车策略。一旦司机被允许停车，我们就可能实现车库内部引导系统，引导司机找到一个空停车位。

• 1. 引入停车场收益管理系统

假设我们有一个停车位预订系统，司机随时可以发出停车请求（通过家庭座机、开车时通过手机、通过互联网，等等）。制定不同的停车收费标准会不会是一个不错的选择呢? 答案显然是肯定的。这些享受较低的停车费用的司机可以是残疾人和老年人，提前几天预定停车位的人，或者是高乘载车辆司机。而那些需要支付更高的停车费用的可能是私家车司机，长期占用车位的司机，或者是临时寻找停车位的没有提前预约的司机。显然，停车定价策略可能有很多种。

停车场的收益管理问题的复杂性体现在：生成预约和取消预约具有随机性；司机在预约的时间段内出现具有不确定性；停车收费标准的多样性；需要及时响应司机的停车请求。

假设我们制定了不同的停车收费标准。最简单的预约系统（类似过去的一些航空订票系统）可能是“不同收费等级的停车位库存”，即车库中每个收费等级具有独立的停车位。在这种情况下，一旦停车位分配到某一个收费等级，它只能以该收费等级的收费标准接受预定或者闲置。停车位库存等级化既有优点，也存在有不可避免的缺点。在这种情况下，支付较低费用的用户相对地处于 “受保护的”的位置。换句话说，这个系统将对残疾人、老年人、提前几天预约停车位的人以及具有高承载量车辆的用户给予许多特殊照顾。停车位库存等级化有一个明显的缺点：低费用的停车位经常处于闲置状态，即使需要支付较高费用的用户具有很高的需求量。换句话说，我们可能会拒绝一些司机的停车请求，即使车库里仍然有一些空闲的停车位。对于“嵌套的预约系统”，只要还有空闲的低价位停车位，我们就不会拒绝那些高价位的停车请求。我们所提出的停车位库存控制模型的基本特征是： (a)存在不同的停车费用标准；(b)“在线”处理每个司机的请求。

1. 智能停车位库存控制系统

智能行为的基本特征之一是没有预先定义的识别行为。这个研究课题最初的假设是我们能够开发出一个“智能”停车位库存控制系统，在线处理每个司机发送的请求。换句话说，本文假设可以开发一个系统，该系统将实时识别每个不同收费等级的司机在某个特定时刻的预定数量。系统还可以在不知道各个变量之间的实际函数关系的前提下做出适当的决策。高级的“智能”系统是基于模拟、优化技术和模糊逻辑相结合。我们假设每个发送停车请求的司机都能够给出确切的进入车库的时间点以及离开车库的时间点，同时，假设我们能够没有误差地预测未来发生的事情。考虑到停车位库存控制问题，意味着我们能够准确地预测不同收费等级的司机预约停车位的随机时刻，司机取消预约的随机时刻，各个收费等级不会如约而至的司机的人数，以及每个司机离开车库的随机时刻，等等。在完美预测的前提下，我们必须能够做出最佳决定，我们必须决定是否接受或拒绝每一个特定的停车请求以达到最佳收益。

我们的问题(标记为P)在于在确定停车场最佳收益的前提下提前获知司机的动态预订、取消、离开车库的时间，等等。我们可以利用一些优化技术来解决这个问题(P)。我们还可以在不同的场景下多次解决这个问题(P)。我们模拟实现随机过程来代替累积的司机请求数量。下一步，解决问题(P)后，我们可以得到最优解决方案。我们可以再次重复模拟过程，在解决问题(P)后，我们可以得到第二个最优解决方案。在第三次模拟后，我们将得到第三个最优解决方案，等等。这样，我们便可以得到每个模拟“场景”的最优解。这种“统计资料”从数据资料中产生模糊逻辑系统 (Wang and Mendel (1992)， Teodorovic and Lucic (2000))。这个过程是从在假设未来的情况已知的前提下，研究已得到的解决方案。结合多个解决方案，我们研究出一系列的规律。每对“停车请求场景——恰当的最优解决方案”用来产生模糊逻辑规则库。这个模糊专家系统将帮助我们实时确定每个费用等级的停车位在某个时刻之后，不再有空置的停车位提供给相应停车费用等级的司机(在任何时候时刻t我们能够知道给特定的停车费用等级售卖停车位的剩余的时间长度T(t))。很明显，T(T)取决于每个停车收费等级累计的司机请求数量Di T(),(i = 1、2、3、hellip;hellip;)。累计的司机请求数量是一个影响因素，而剩余的销售停车位的时长T(T)是作用结果。模糊规则库中典型的模糊规则的举例如下:

如果D1 是A2且D2是 B4且D3是 C7且D4是D11，那么T(T) 是E3，其中：Ai, Bi, Ci, Di和Ei, i = 1,2,3,hellip;() 是影响因素和作用结果的模糊集。

每当接受一个司机的停车请求，我们都必须更新可用的停车位数量。这个算法为停车位库存控制创建了模糊逻辑系统，该算法包括以下步骤:

步骤1: 根据上述中大量的司机停车请求，收集累加量Di(t)。

步骤2: 为每个发生的“交通场景”构想相应的优化问题，找到最佳的解决方案。

步骤3: 根据步骤1和2的统计数据结果，使用一些现有的算法来生成模糊规则库。

先进的“智能”系统在线处理停车请求，决定是否拒绝或者接受一个新的停车请求。这种开发模式通过大量不同的数值例子进行测试。由于最优解决方案冠以特定的需求模式，根据最优解决方案的结果我们可以很容易检测上述规则的性能。而许多测试的结果表明，上述规则所产生的结果几乎等于最优解决方案。

1. 结论

该模型属于一种“实时”预订系统，其输出是一个接受或拒绝停车请求的（实时）决定。需要说明的是，该模型回应每个传入请求：“好的，你可以过来停车”，或者：“不行，你不能在这个时候停车”。决定是否接受或拒绝一个停车请求，取决于停车系统的当前状态（包括取消预定，爽约，停车位是否可用等）。我们所提出的模糊系统允许持续监控停车请求和不时更新模糊规则库。接受和/或拒绝司机的请求数量在某种程度上可以作为衡量客户满意度的指标。

正如我们之前所提到的，任何停车定价策略的主要目的应该是在某个时间段内减少车辆出行总量，这也确实是公共部门一个重要目标。然而在我们的模型中，我们专注于收益最大化的停车管理，首先，这是私营部门的一个重要的目标。这两个目标看起来似乎相互矛盾，可能会有人感到疑问，后者如何与前一个在某个时间段内减少汽车出行总量的目标相联系。

市场细分需要在“不同的司机同意为相同价值的商品支付不同的价格”的情况下才能够实现。前面我们举了个例子，关于两类司机，一个商人和一个退休人员，一个想提前15分钟在开会地点附近停车的商人需要支付更高的停车费用，一个打算与妻子走路穿过市中心的退休人员会为了支付较低的停车费用而提前一天预订停车位。然而，即使是最富有的商人也不会同意支付一百万美元的短期停车费用。因此，很显然，随着时间的推移不同类型的司机的停车需求的总量取决于市场细分的实施方式（比如定义两个，三个hellip;hellip;或十个不同类型的司机和/或停车位），以及适用于各种类型的停车位的停车费用。在极端的情况下，根据市场细分模式以及规定的停车费，理论上只有最富有的人可以开车。在这种情况下，即使在特定的时间段内汽车出行的总数将减少，但在一定程度上会增加社会的不平等。因此，我们可以通过为某些特定的司机和停车类型预留一些停车位来实现

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[153696]，资料为PDF文档或Word文档，PDF文档可免费转换为Word