一個基于機器學習的小區停車位智能共享解決方案

王語舟 張啟軍

在居民小區停車位總體緊張的情況下，為了臨時來訪車輛能與其他業主的車位形成便捷的租用，最大化共享閑置車位，本方案設計了一個基于智能推薦算法的小區停車位共享解決方案。該方案采用Python語言編制。當有預約車位需求時，首先根據車主自主掛出的共享車位自動匹配；同時，基于對業主車輛歷史出入信息，通過智能算法預測出需求時間段最有可能空閑的車位列表，并推薦給供需雙方，經協商確認后成交。與現有的共享私家車位管理系統相比，本方案將自動匹配與基于算法的智能推薦相結合，提高了成功率和便捷性。經過擬合測試，推薦成功率達到預期，具有應用推廣價值。

一、引言

隨著中國城市化進程的不斷加快，特別是大中城市經濟的快速發展，私家車從財富象征淪為家庭必備代步工具。根據《南京市2018年國民經濟和社會發展統計公報》，2018年底南京機動車保有量達到273.79萬輛，其中私人汽車207.25萬輛，接近于每家一輛車。而2016年版《城市居住區規劃設計規范》中，其對居住區內居民汽車的停車位數量與居住戶數的比率的要求僅是不低于10%。因而，小區停車矛盾突出。筆者在南京市紫金上河苑、世茂濱江、天目華庭、蘇寧璞邸等小區實地走訪，發現一個有趣現象：一方面小區停車難，另一方面因車主上班、外出等種種原因，有很多閑置車位。而在《2017年中國智慧停車行業大數據報告》中，筆者的觀察得到了證實：51.3%的城市車位其實是空閑的！

為進一步了解需求，筆者通過問卷網進行了調查，共回收來自全國27個省的382份問卷。82%的被調查者遇到過停車難的尷尬，需求大；98%的被調查者支持車位共享，且超過80%的被調查者認為應該只限小區內業主或業主的臨時訪客使用；62%的被調查者支持共享車位收費。同時，筆者體驗了華為應用市場中top5的車位共享類APP，發現下載次數均不到50萬次，且僅有“好停車”覆蓋了南京市，但只有3個車位。說明共享停車還遠未打開市場。

經過對比分析，筆者決定設計一個停車位智能共享系統，智能體現在：不僅可以主動掛出空閑車位，同時可以通過基于深度機器學習的智能推薦算法提供出更多空閑車位。

二、設計理念

通過訪談小區業主，為解決業主間臨時車輛共享問題，提出系統功能點需求如下：

出于小區停車位緊張及便于管理的現狀，僅考慮業主間臨時車輛的共享需求，不考慮公共車輛與小區內車位間的共享。

車輛共享遵照小區停車收費標準采用有償模式，具體包括兩種方式，一種是業主可主動掛出閑置期的車位信息用于共享，另一種是根據歷史車位忙閑情況，推薦可供共享的車位信息，通過搶單，完成車位的共享協商。由需求方進行選擇。

被推薦車位的業主會收到停車需求的通知消息，可選擇同意或拒絕進行搶單/放棄操作。

三、數據處理和實證研究

為保證共享效率，本方案中推薦算法的合理性、自學習成為關鍵。

根據強調側面的不同，機器學習有多種分類方法。其中，基于學習方式，可分為監督學習、無監督學習和強化學習。

監督學習就是最常見的分類問題，通過已有的訓練樣本（即已知數據及其對應的輸出）去訓練得到一個最優模型（這個模型屬于某個函數的集合，最優表示某個評價準則下是最佳的），再利用這個模型將所有的輸入映射為相應的輸出，對輸出進行簡單的判斷從而實現分類的目的。也就具有了對未知數據分類的能力。從本系統所要解決的問題來看，適用于監督學習。

本文的小區業主停車的入場時間和出場時間是時間序列數據，判別小區業主停車位在某個時間點是否閑置，這是一個分類問題，因此需要將時間序列數據轉變成分類算法所需要的（x，y）數據格式，其中x代表特征（第n次出/入場），y代表標簽（出/入場時間）。

由于數據是（x，y）格式，可采用監督學習中的分類算法構建模型。分類算法主要可分為傳統分類算法和深度學習分類算法。傳統分類算法主要有決策樹，邏輯回歸，支持向量機，隨機森林，GBDT，Adaboost以及XGBOOST。其中，決策樹，邏輯回歸，支持向量機是單分類器，而隨機森林，GBDT，Adaboost，XGBOOST是集成分類器。一般情況下，集成分類器的性能要優于單分類器。深度學習分類算法主要有兩類，一類是卷積神經網絡，該算法主要應用于圖像數據；另外一類是循環神經網絡，該算法主要應用于時序數據，其中循環神經網絡中的變種LSTM算法能夠捕捉時序數據存在的長期影響關系。

根據由淺到深的原則，筆者首先采用決策樹算法對業主小區停車位是否閑置進行判別。然后為了提高判別的準確率，采用XGBOOST和LSTM算法構建模型。最后比較三個算法的性能，選擇最優算法，得出最終結果。

根據各自的測試，我們得出決策樹，XGBOOST以及LSTM模型各項性能指標如下表1所示。

XGBOOST模型的性能指標全面優于決策樹模型和LSTM模型。XGBOOST模型的精度為0.88，LSTM模型次之，為0.85，決策樹最低，為0.83；XGBOOST模型的0類召回率為0.84，LSTM模型次之，為0.79，決策樹最低，為0.78，LSTM模型的召回率性能和決策樹的召回率性能相差無幾，但是和LSTM的召回率性能差距較大。XGBOOST模型的0類查準率為0.84，LSTM模型次之，為0.80，決策樹最低，為0.77，三者之間的召回率性能差距較大；XGBOOST模型的0類F1值為0.84，LSTM模型次之，為0.79，決策樹最低，為0.77， LSTM模型的召回率性能和決策樹的F1值相差無幾，但是和LSTM的F1值差距較大。

綜合比較，在該數據集，XGBOOST的性能最優，LSTM次之，決策樹最差。鑒于實際場景是為了找出空的停車位，關注的是0類的召回率，優先選擇XGBOOST模型最為最終的模型。

運用Python語言開發出原型系統，實測符合預期。

四、總結與展望

本方案從日常生活中的痛點出發，經過調查分析，創新性地推出了面向小區內部業主的、以主動示閑和被動智能推薦相結合的共享車位設計邏輯。在智能推薦算法中經過對決策樹、XGBoost和LSTM三種模型的對比，確定了優先選擇XGBoost模型。并設計了在車位主、物業、平臺間的分成商業模式，經調研被幾方接受，使商業推廣成為可能。

未來，可對車位增加新屬性，以實現更加個性化的車位推薦。例如車位特征屬性：地面車位or地下地面車位or地下立體車位；車位位置屬性，即車位在小區的具體位置，例如**棟**單元樓下，從而與預約偏好相匹配；增加競價功能，允許在預約的業主在高峰時段加價求租。

作者單位：南京市金陵中學