作者简介:贺云鹏(1994—),兰州交通大学硕士研究生.研究方向:交通信息工程及控制.E-mail:interhyp@126.com
中文责编:方 圆; 英文责编:淡 紫
School of Automation and Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, Gansu Province, P.R.China
transport engineering; automated garage; passenger flow state; fuzzy c-means(FCM)algorithm; passenger arrival; service time
DOI: 10.3724/SP.J.1249.2020.03314
对平面移动式立体车库客流状态进行聚类有助于获知车库客流信息,指导存取车设备调度优化,提高立体车库的运行效率.提出一种平面移动式立体车库客流状态聚类方法,建立立体车库设备运行时间模型,模拟运行得到不同顾客到达率下的运行参数,对客流模式进行划分并作为初始聚类输入条件,在此基础上使用模糊c均值算法完成对车库客流数据的聚类.以中国西安市某立体车库为研究对象,对其上位机数据库的顾客到达数据进行分析与聚类,定义内部评价指标和相对评价指标,并与其他聚类算法进行对比.实验结果表明,模糊c均值聚类算法实现了立体车库客流状态聚类,且聚类结果可靠、合理地反映出立体车库客流实际情况.
Clustering the flat mobile automated garage passenger flow state can help to obtain the passenger flow information, guide the scheduling optimization and improve the operating efficiency. This paper proposes a method to cluster the passenger flow in flat mobile automated garage. Firstly, we establish the travel time model for the automated garage. After getting simulated operational indicator under different arrival rates, we obtain the passenger flow pattern divisions as clustering input criteria, and use the fuzzy c-means(FCM)algorithm to cluster the garage passenger flow data. Finally, we take an automated garage in Xi'an, China as an example, and obtain the customer arrival data from its upper computer database, define the external evaluation index and relative evaluation index to compare with other clustering algorithms. The experimental results show that the fuzzy c-means clustering algorithm realizes the passenger flow status clustering of stereo garage, and the clustering results reflect the actual passenger flow situation reliably and reasonably.
随着城市发展与机动车数目的增长,城市停车问题越发突出,相比于平面式停车场,自动化立体车库[1]增加了土地利用率,有助于缓解城市停车难问题.立体车库客流状态指车库顾客的到达特征.通过对立体车库客流状态进行聚类,进而指导立体车库的管理和存取设备的调度,有助于提高立体车库运行效率,增加顾客满意度.
目前业界针对停车场客流状态的研究已取得一些成果.冉江宇等[2]对平面式停车场客流状态进行聚类研究,聚类依据为顾客到达率与到达分布特征.但对于立体车库,顾客到达情况会对存取设备调度产生影响,进而影响车库运行效率,因此,在对立体车库客流状态进行聚类研究时,还需分析客流状态与车库运行状态的关系.华文瀚等[3]提出根据立体车库不同客流到达情况,选择不同调度策略以提高存取效率的思想,但在划分客流状态时,仅依据当前顾客到达所处时间段.在文献[3]基础上,刘美菊等[4]设计基于随机森林的立体车库运行模式识别方法,依据存取设备位置和状态对不同客流模式进行划分.但不同车库设备位置和状态与客流到达情况关系不同,所提出方法的适用性不足,因此, CHERIAN等[5]设计ParkGauge系统,基于传感器和顾客智能手机信息对立体车库客流信息进行提取,进而识别车库拥堵状况,但该研究依据经验对车库拥堵情况进行等级划分,缺乏具体分析.
以上文献对车库客流进行研究时,多直接根据时间和经验直觉划分,缺乏对车库客流特性进行聚类研究,并缺乏对客流状态与车库运行特征关系的分析.为指导立体车库管理和调度,分析立体车库客流与运行状态的规律,本研究构建立体车库存取车服务时间模型,模拟得到不同到达率下的车库运行指标,对立体车库客流状态进行划分,以此作为输入条件,使用模糊c均值(fuzzy c-means, FCM)算法完成立体车库客流的聚类,通过聚类评价指标验证其聚类合理性,准确全面地反映立体车库客流特征,指导车库设备调度优化.
通常将交通状态分为短期、中期及长期3类[6],本研究分析立体车库短期客流状态.传统短期交通流研究对象多为固定15 min内的顾客到达人数或车流量[7].对于立体车库,顾客到达率与城市道路等交通密集场所相比相对较低,若划分时间较短,到达率变化波动过大,不利于指导调度和管理.参照文献[8],本研究定义顾客到达时间间隔范围为30 min,则顾客到达率为
α=(60×N)/(∑Ni=1(ti-ti-1))(1)
其中, α为单位时间(30 min)内的存取车顾客到达率(单位:辆/h); N为该时段内到达的顾客总数量; ti和ti-1分别为本次顾客和上一顾客的到达时刻(单位:min).
自动化立体车库分为9大类[9],其中,平面移动类自动化程度高且最适合大型化发展,但其存取车时间较长,运行效率低.平面移动式立体车库模型如图1,车库结构为p层q列,车厅(I/O口)用于进出车辆,搬运台车(RGV)用于装载车辆在每层的巷道上进行水平运动,升降机用于装载车辆和搬运台车进行跨层运动.立体车库结构会对车库运行和客流状态产生影响,建立三维坐标系对车库进行描述,使模型适用于不同结构的车库.
为指导立体车库设备调度,需要研究立体车库客流模式与车库运行的关系.立体车库实际运行过程中顾客到达率不断实时变化,车库运行受到一段时间内顾客存取车到达率变化的影响,因此,需要研究立体车库设备的存取过程,得到长时间固定到达率的车库运行指标,分析到达率与车库运行指标的关系,将此设为聚类初始条件之一,指导客流模式的聚类划分和车库设备调度.对车库运行状态进行评价时,主要考虑顾客的排队等待特征和设备存取的服务时间特征.顾客平均排队队长L定义为顾客到达车库时,等待队列中的顾客数目,
L=(∑Jj=1(Aj+Bj)+∑Kk=1(Ak+Bk))/(J+K)(2)
其中, J为单位时间总存车操作数; K为单位时间总取车操作数; 第j(j=1,2,…,J)个存车用户到达车库时,等待队列中有Aj个待存车用户及Bj个待取车用户; 第k(k=1,2,…,K)个到达车库时等待队列中,有Ak个待存车用户及Bk个待取车用户.
平均存取车服务时间Tserve定义为库内存取车设备服务车辆完成1次存或取操作的平均时间,
Tserve=(∑Jj=1TSj+∑Kk=1TRk)/(J+K)(3)
其中, TSj为第j个存车用户车辆接受服务时长; TRk为第k个取车用户车辆接受服务时长.
平均总等待时间Twait定义为顾客由到达至存取车完成离开的平均时间.对于存车顾客,顾客将车辆放入车厅即离开,等待总时间不包含服务时间; 对于取车顾客,设备将车辆送至车厅后,顾客开车离开,包含设备服务时间.其表达式为
Twait=(∑Jj=1(∑j-1j1=j-AjTSj1+∑k'k1=k'-BjTRk1)+∑Kk=1(TRk+∑j'j2=j'-AkTSj2+∑k-1k2=k-BjTRk2))/(J+K)(4)
其中, k'为第j个存车用户车到达车库时等待队列中最后一个取车用户编号; j'为第k个取车用户到达车库时等待队列中最后一个存车用户编号; TSj1和TSj2分别为第j1和j2个存车用户接受服务时长; TRk1和TRk2分别为第k1和k2个取车用户接受服务时长.
立体车库RGV进行存取车服务时位置状态图如图2.其中,P1—P9表示RGV进行存取车操作时进行位置移动的过程.可见,立体车库存取车服务时间受到RGV初始位置、I/O口位置、升降机位置及目标车位位置等多种因素影响.对评价指标进行求解时需分析立体车库存取车动作特征.
存取车服务时间模型中参数符号的定义如表1.以下建立每种位置关系下的存取车服务时间表达式.
依据I/O口位置、RGV初始位置及存车车位位置的不同关系,存车操作分为如表2所示的6种情况,各情况下的存车服务时间计算方法如下.
由于取车操作与存车操作相比,其动作顺序和动作特征不同,因此,需要重新对取车情况进行分类.依据I/O口位置、RGV初始位置及取车车位的不同位置关系,分为如表3所示的4种情况,各情况下的取车服务时间计算方法如下.
定义6种立体车库客流状态,各状态下的顾客存取车到达率特征和排队情况如下.
1)自由存取状态:存取车到达率均较低,基本不发生排队现象.
2)同步存车状态:存车到达率高于取车到达率,可能发生排队现象,不发生顾客长时间等待不耐烦离去现象.
3)同步取车状态:取车到达率高于存车到达率,可能发生排队现象,不发生顾客长时间等待不耐烦离去现象.
4)存车高峰状态:存车到达率远高于取车到达率,易发生排队现象,可能发生顾客长时间等待不耐烦离去现象.
5)取车高峰状态:取车到达率远高于存车顾客到达率,易发生排队现象,可能发生顾客长时间等待不耐烦离去现象.
6)繁忙堵塞状态:存取车到达率均较高,发生长时间排队的现象,易发生顾客等待不耐烦离去的现象.
根据车库参数和存取车服务时间模型建立立体车库仿真程序,计算立体车库长时间固定到达率下的运行评价指标,并通过不同中间到达率区间区分存车和取车顾客,得到不同客流状态的初始聚类中心作为客流状态聚类时的输入参数.
确定客流模式划分类别后,对客流模式进行聚类分析研究.交通状态聚类中常用算法有k-means、层次聚类及FCM[10-11]等,相对于k-means和层次聚类等硬聚类算法,FCM由硬性隶属关系提升为软性隶属关系,使每个值对各类中心点都有贡献,中心点的迭代更易达到全局最优.已有研究应用FCM聚类实现了城市道路[12]、高速公路[13]及航空空域[14]等交通运营场景的交通状态聚类,均获得可靠的聚类结果.本研究选用FCM对立体车库客流进行聚类研究.
FCM算法的原理是通过目标函数得到每个样本点对所有类中心的隶属度,最终决定样本点的类属.FCM算法的目标函数为
Jm(U,X,C)=∑ni=1∑kj=1mmij=xi-cj=2(15)
其中, n为样本数量; X为立体车库存取车到达率样本集, X={x1,x2,…,xn}, x为样本点; k为聚类中心数量; C={c1,c2,…,ck}为聚类中心集, c为聚类中心点; U=[μij]为隶属度矩阵,其限定条件为
{∑kj=1μij=1
0≤μij≤1
0<∑ni=1μij<1,i=1,2,…,n
j=1,2,…,k(16)
输入初始聚类中心或初始隶属度矩阵,不断迭代计算更新聚类中心和隶属度矩阵,根据最终得到的隶属度矩阵和聚类中心将不同样本归入不同簇中,将样本集划分为k个模糊簇,完成聚类.
FCM算法的步骤如下:
步骤1 确定聚类个数k、 模糊系数m、 最大迭代次数bmax及迭代终止阈值ε.
步骤2 初始化聚类中心ci( i=1, 2, …, k)或初始隶属度矩阵U.
步骤3 分别通过式(17)和(18)更新计算聚类中心和隶属度矩阵.
c=∑ni=1(μij)mxi/∑ni=1(μij)m, j=1,2,…,k(17)
μij=1/∑kt=1((dij)/(dtj))2/(m-1)(18)
步骤4 比较原隶属度矩阵与更新后的隶属度矩阵,若满足=Ub+1-Ub=≤ε或b≥bmax, 则停止更新迭代,转到步骤5; 否则返回步骤3.
步骤5 依据式(19)对最终得到的聚类中心和隶属度矩阵将样本进行归类,完成客流状态的聚类.
xi∈Cp, μip=max μij, j=1,2,…,k(19)
聚类结果的评价准则包括内部准则、外部准则和相对准则[15].由于对立体车库聚类分析时,无法得知样本的实际类别,因此,不宜使用外部准则.本研究综合考虑内部准则和相对准则对聚类进行评价.
内部准则即用与聚类样本数据集相关的指标对聚类结果进行评估.本研究使用聚类中心偏移距离D(i)衡量客流状态聚类结果的内部特征,计算不同聚类方法下终止聚类中心相对于初始聚类中心的欧式距离,距离越小,说明其更接近初始聚类中心,更能反映立体车库运行特征.
D(i)==ci'-ci=2, i=1,2,…,k(20)
其中, ci为第i个类别的终止聚类中心; ci'为第i个类别的初始聚类中心.
相对准则即根据已定义的评价指标对聚类结果进行评价,定义评价指标时遵循类内间距最小,类间间距最大的原则.本研究使用轮廓系数(silhouette coefficient)和分类适确性指标(Davies-Bouldin index)作为聚类评价指标.其中,轮廓系数范围为[-1, 1],值越大说明聚类效果越好; 分类适确性指标的取值范围为(0, 1),值越小说明聚类效果越好.轮廓系数SC和分类适确性指标DB为
SC=1/k∑ki=1(bi-ai)/(max(bi, ai))(21)
DB=1/k∑ki=1maxi≠j(Si+Sj)/(=ci-cj=2)(22)
其中, ai为第i个类别中每个样本到其同类所有样本的平均距离; bi为第i个类别中每个样本到其他类别中最近一个类别所有样本的平均距离; Si为i类别的类内平均距离; ci为i类别的聚类中心; Sj为j类别的类内平均距离; cj为j类别的聚类中心.
FCM算法需要确定初始聚类中心或初始隶属度矩阵,通过不断迭代更新聚类中心和隶属度矩阵,最终完成聚类,FCM对初始值较敏感,不同初始条件会对算法速度和算法精度产生影响.确定初始聚类中心一般有随机法、重心法、密度法及经验法,初始隶属度矩阵通过生成随机矩阵法选取.
经验法即根据样本特征和划分需求,用经验办法找出直观上比较合适的点作为初始聚类中心,相对于其他方法能更好反映样本的先验特征.本研究根据1.2节仿真模拟得到的不同到达率下立体车库运行指标,作为经验选取初始聚类中心.
如式(17)和(18)所示,模糊系数m包含于聚类中心和隶属度矩阵的迭代表达式中,通过直接作用于聚类中心和隶属度矩阵对最终聚类结果产生影响, m的取值范围为(1,∞), 若取值过小,会使聚类结果受噪声点影响较大; 若取值过大,会使得聚类对偏离主流的样本控制力不足.由于样本自身特征不同,不同样本具有不同的最优模糊系数,因此,需要找出最优模糊系数.本研究设定步长为0.2,选取模糊系数范围为1.2~4.0对样本进行聚类,计算其在不同取值下的聚类评价指标,得出最优模糊系数值.
以中国西安市小寨军人服务社区商场附属立体车库作为研究对象,其车库结构为2层31列2排,可用车位数量为94个,所有车位均位于地下,2个I/O均位于地面(第3层).统计其2017年7月份上位机数据库中的顾客到达数据,计算得到961个存车到达率数据,961个取车到达率数据.
经过现场调研得到研究对象的结构和设备特征参数值,给定以下条件,完成立体车库运行仿真程序的编写.
1)2个I/O口坐标分别为(28,1,3)和(31,1,3).
2)2个升降机横坐标分别为1和31,其启动时间为5 s,竖直运动1层的时间为6 s,每次寻找当前距离最近且空闲的升降机作为目标升降机.
3)车库中有3台RGV,其启动时间为5 s,水平运动1个车位的时间为6 s,进入车位进行存取车的时间为15 s,车库中调度方式为存车优先.
4)车位分配方式为就近分配.
5)顾客服务方式依据先到先服务原则.
6)依据文献[16],库内停留时间服从正态分布,统计历史车辆停留时间数据,进行数据拟合得到本车库车辆停留时间(单位:min)的正态分布均值μ=159 min,方差σ=240.
7)由于车库库位初始情况对长时间车库运行的影响很小,因此,设定车库的初始状态均为空库状态.
改变顾客到达率λ的值,根据上述给定条件和式(2)至(15)仿真不同顾客到达率下,立体车库一天(07:00—22:30)中的运行情况,并计算车库参数指标.不同到达率下的参数结果如图3.
图3 不同到达率下立体车库运行参数模拟结果
Fig.3 Simulation results of automated garage operating parameters under different arrival rates
由图3可见,各指标总体趋势均随顾客到达率的升高而升高.选取平均等待队长为0.5、1.0和1.5 veh作为客流模式的分界点,对应的顾客到达率分别为20、30和35 veh/h,4种客模式划分结果如表4.
在表4基础上区分顾客存车到达和顾客取车到达,划分得到6个立体车库顾客客流状态,即自由存取状态、同步存车状态、同步取车状态、存车高峰状态、取车高峰状态及繁忙阻塞状态,选定6种客流状态的初始聚类中心分别为(5,5)、(8,17)、(17,8)、(10,22)、(22,10)及(20,20).
输入立体车库顾客存取车到达率数据,分别使用k-means、层次聚类及FCM算法对顾客存取车的数据样本进行聚类.设定聚类个数均为6个,选择距离度量方式均为欧氏距离,对于k-means和FCM算法,设定最大迭代次数为400、终止阈值为1×10-3,FCM算法模糊系数m设置为2.0,对于层次聚类,采用凝聚层次聚类法,类间相似度度量方式为ward方式.完成聚类后使用不同实心符号区分不同聚类类别,使用不同空心符号标出各类别的终止聚类中心,聚类结果如图4.
由图4可见,k-means、层次聚类和FCM聚类算法均可完成对立体车库顾客存取车到达数据的聚类,其中,FCM算法不同类别边界线更接近于直线,且各类别数量更平均.计算各聚类算法的评价指标如表5.
由表5可见,FCM聚类在轮廓系数和分类适确性指标上优于k-means和层次聚类算法,表明其聚类结果类内数据相似度较高,类间数据相似度较低,且FCM算法的聚类中心偏移距离均值更优,表明其更能体现车库本身特征.因此,使用FCM对立体车库存取车顾客到达进行聚类时,不仅获得较优的相对准则评价指标,同时更能反映立体车库自身运行特征,有助于从聚类结果中更好地获取聚类标签,以指导立体车库管理调度和管理.
由于立体车库周边环境及驾驶人的出行行为特征不断变化,为了能反映当前时期的客流状态信息,对立体车库客流数据聚类做实际分析时,应选取近期数据.
研究了平面移动式立体车库客流状态聚类,提出基于FCM算法的立体车库客流模式聚类划分方法.建立立体车库的运行模型,模拟得到不同顾客到达率下立体车库的运行特征,以模拟运行结果和实际客流数据作为车库客流聚类的输入条件,使用FCM算法完成车库客流状态的聚类.以西安市小寨军人服务社区商场附属立体车库实际数据进行验证,聚类结果表明,FCM算法可获得更优的评价指标,较为可靠、准确地反映车库客流特征,为立体车库存取设备调度优化和管理提供指导.今后研究将考虑巷道堆垛式立体车库,分析其运行特征和客流到达之间的关系,得到适用性更好的立体车库客流模式聚类方法.
深圳大学学报理工版
JOURNAL OF SHENZHEN UNIVERSITY SCIENCE AND ENGINEERING
(1984年创刊 双月刊)
主 管 深圳大学
主 办 深圳大学
编辑出版 深圳大学学报理工版编辑部
主 编 李清泉
国内发行 深圳市邮电局
国外发行 中国国际图书贸易集团有限公司(北京399信箱)
地 址 北京东黄城根北街16号
邮 编 100717
电 话 0755-26732266
0755-26538306
Email journal@szu.edu.cn
标准刊号 ISSN 1000-2618
CN 44-1401/N