王語舟 張啟軍

在居民小區(qū)停車位總體緊張的情況下，為了臨時來訪車輛能與其他業(yè)主的車位形成便捷的租用，最大化共享閑置車位，本方案設(shè)計了一個基于智能推薦算法的小區(qū)停車位共享解決方案。該方案采用Python語言編制。當(dāng)有預(yù)約車位需求時，首先根據(jù)車主自主掛出的共享車位自動匹配；同時，基于對業(yè)主車輛歷史出入信息，通過智能算法預(yù)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(jīng)協(xié)商確認(rèn)后成交。與現(xiàn)有的共享私家車位管理系統(tǒng)相比，本方案將自動匹配與基于算法的智能推薦相結(jié)合，提高了成功率和便捷性。經(jīng)過擬合測試，推薦成功率達(dá)到預(yù)期，具有應(yīng)用推廣價值。

一、引言

隨著中國城市化進(jìn)程的不斷加快，特別是大中城市經(jīng)濟(jì)的快速發(fā)展，私家車從財富象征淪為家庭必備代步工具。根據(jù)《南京市2018年國民經(jīng)濟(jì)和社會發(fā)展統(tǒng)計公報》，2018年底南京機(jī)動車保有量達(dá)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(qū)規(guī)劃設(shè)計規(guī)范》中，其對居住區(qū)內(nèi)居民汽車的停車位數(shù)量與居住戶數(shù)的比率的要求僅是不低于10%。因而，小區(qū)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(qū)實(shí)地走訪，發(fā)現(xiàn)一個有趣現(xiàn)象：一方面小區(qū)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(yè)大數(shù)據(jù)報告》中，筆者的觀察得到了證實(shí)：51.3%的城市車位其實(shí)是空閑的！

為進(jìn)一步了解需求，筆者通過問卷網(wǎng)進(jìn)行了調(diào)查，共回收來自全國27個省的382份問卷。82%的被調(diào)查者遇到過停車難的尷尬，需求大；98%的被調(diào)查者支持車位共享，且超過80%的被調(diào)查者認(rèn)為應(yīng)該只限小區(qū)內(nèi)業(yè)主或業(yè)主的臨時訪客使用；62%的被調(diào)查者支持共享車位收費(fèi)。同時，筆者體驗了華為應(yīng)用市場中top5的車位共享類APP，發(fā)現(xiàn)下載次數(shù)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(yuǎn)未打開市場。

經(jīng)過對比分析，筆者決定設(shè)計一個停車位智能共享系統(tǒng)，智能體現(xiàn)在：不僅可以主動掛出空閑車位，同時可以通過基于深度機(jī)器學(xué)習(xí)的智能推薦算法提供出更多空閑車位。

二、設(shè)計理念

通過訪談小區(qū)業(yè)主，為解決業(yè)主間臨時車輛共享問題，提出系統(tǒng)功能點(diǎn)需求如下：

出于小區(qū)停車位緊張及便于管理的現(xiàn)狀，僅考慮業(yè)主間臨時車輛的共享需求，不考慮公共車輛與小區(qū)內(nèi)車位間的共享。

車輛共享遵照小區(qū)停車收費(fèi)標(biāo)準(zhǔn)采用有償模式，具體包括兩種方式，一種是業(yè)主可主動掛出閑置期的車位信息用于共享，另一種是根據(jù)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(xié)商。由需求方進(jìn)行選擇。

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

三、數(shù)據(jù)處理和實(shí)證研究

為保證共享效率，本方案中推薦算法的合理性、自學(xué)習(xí)成為關(guān)鍵。

根據(jù)強(qiáng)調(diào)側(cè)面的不同，機(jī)器學(xué)習(xí)有多種分類方法。其中，基于學(xué)習(xí)方式，可分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。

監(jiān)督學(xué)習(xí)就是最常見的分類問題，通過已有的訓(xùn)練樣本（即已知數(shù)據(jù)及其對應(yīng)的輸出）去訓(xùn)練得到一個最優(yōu)模型（這個模型屬于某個函數(shù)的集合，最優(yōu)表示某個評價準(zhǔn)則下是最佳的），再利用這個模型將所有的輸入映射為相應(yīng)的輸出，對輸出進(jìn)行簡單的判斷從而實(shí)現(xiàn)分類的目的。也就具有了對未知數(shù)據(jù)分類的能力。從本系統(tǒng)所要解決的問題來看，適用于監(jiān)督學(xué)習(xí)。

本文的小區(qū)業(yè)主停車的入場時間和出場時間是時間序列數(shù)據(jù)，判別小區(qū)業(yè)主停車位在某個時間點(diǎn)是否閑置，這是一個分類問題，因此需要將時間序列數(shù)據(jù)轉(zhuǎn)變成分類算法所需要的（x，y）數(shù)據(jù)格式，其中x代表特征（第n次出/入場），y代表標(biāo)簽（出/入場時間）。

由于數(shù)據(jù)是（x，y）格式，可采用監(jiān)督學(xué)習(xí)中的分類算法構(gòu)建模型。分類算法主要可分為傳統(tǒng)分類算法和深度學(xué)習(xí)分類算法。傳統(tǒng)分類算法主要有決策樹，邏輯回歸，支持向量機(jī)，隨機(jī)森林，GBDT，Adaboost以及XGBOOST。其中，決策樹，邏輯回歸，支持向量機(jī)是單分類器，而隨機(jī)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(yōu)于單分類器。深度學(xué)習(xí)分類算法主要有兩類，一類是卷積神經(jīng)網(wǎng)絡(luò)，該算法主要應(yīng)用于圖像數(shù)據(jù)；另外一類是循環(huán)神經(jīng)網(wǎng)絡(luò)，該算法主要應(yīng)用于時序數(shù)據(jù)，其中循環(huán)神經(jīng)網(wǎng)絡(luò)中的變種LSTM算法能夠捕捉時序數(shù)據(jù)存在的長期影響關(guān)系。

根據(jù)由淺到深的原則，筆者首先采用決策樹算法對業(yè)主小區(qū)停車位是否閑置進(jìn)行判別。然后為了提高判別的準(zhǔn)確率，采用XGBOOST和LSTM算法構(gòu)建模型。最后比較三個算法的性能，選擇最優(yōu)算法，得出最終結(jié)果。

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

XGBOOST模型的性能指標(biāo)全面優(yōu)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(zhǔn)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(shù)據(jù)集，XGBOOST的性能最優(yōu)，LSTM次之，決策樹最差。鑒于實(shí)際場景是為了找出空的停車位，關(guān)注的是0類的召回率，優(yōu)先選擇XGBOOST模型最為最終的模型。

運(yùn)用Python語言開發(fā)出原型系統(tǒng)，實(shí)測符合預(yù)期。

四、總結(jié)與展望

本方案從日常生活中的痛點(diǎn)出發(fā)，經(jīng)過調(diào)查分析，創(chuàng)新性地推出了面向小區(qū)內(nèi)部業(yè)主的、以主動示閑和被動智能推薦相結(jié)合的共享車位設(shè)計邏輯。在智能推薦算法中經(jīng)過對決策樹、XGBoost和LSTM三種模型的對比，確定了優(yōu)先選擇XGBoost模型。并設(shè)計了在車位主、物業(yè)、平臺間的分成商業(yè)模式，經(jīng)調(diào)研被幾方接受，使商業(yè)推廣成為可能。

未來，可對車位增加新屬性，以實(shí)現(xiàn)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(qū)的具體位置，例如**棟**單元樓下，從而與預(yù)約偏好相匹配；增加競價功能，允許在預(yù)約的業(yè)主在高峰時段加價求租。

作者單位：南京市金陵中學(xué)