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
判断停车场占用与否的停车特性的方法—ParkGauge
JimCherian⋆JunLuo⋆HongliangGuo⋆Shen-ShyangHo⋆RichardWisbrundagger;
⋆SchoolofComputerEngineering,NanyangTechnologicalUniversity,Singapore
dagger;TrafficManagement,TrafficAssistance,BMWGroup,Germany
Email:⋆{jcherian,junluo,guohl,ssho}@ntu.edu.sgdagger;richard.wisbrun@bmw.de
摘要-在拥挤的城市地区寻找可用的停车位是城市的一个全球公认的问题。鉴于以前对户外、街道停车场研究的一个普遍的观点：停车场能够实时的为车主提供信息。在我们研究了室内停车场之后发现，认为这种观点不是正确的。这个问题是非常具有挑战性的，因为现有的测量设施（例如：GPS和Wi-Fi）不可用于停车场，因此计算多少车辆使用停车场是非常困难的。
为此，我们提出了ParkGauge——一种衡量停车场占用率的方法，用于性能构建停车场的参考系统模型。它的本质是推断停车占用从拥挤的停车特性，而不是简单的计算停放的车辆。ParkGauge利用车主的智能手机中采用的低功率传感器（例如：加速度计和气压计）以确定驾驶状态（例如：转弯和制动）。这种方法还可以推断出驾驶情境（例如：驾驶，排队和停车），进而可以得出停车场的暂停的数据，包括停车时间和停车时间和排队时间。收集从到达各个车位的车主的数据可以得出了他们占用车位的详细数据，因此可以实时地生成有用的建议来通知到达这些车位的车主。通过广泛的实验，我们证明我们的方法可以充分探索这些停车特性，以高精度有效地推断停车场的占用。
I.引言
随着经济的快速增长，在密集的城市地区的车辆数量在全世界急剧上升;这导致了对停车场基础设施的更高需求，特别是在大型城市。尽管路边停车场会导致严重的交通堵塞，但利用车辆巡航寻找停车位，只能找到城市中主要的停车场——多层停车场。由于停车场可能有很多等待进入的车辆，所以这种大型停车场大部分时间都是拥挤的。
这种问题产生的原因是在车位的占用信息仅在停车场门口显示，而不是在网上公布。如图1所示，我们对2014年新加坡中央商务区的研究表明，在360个车位中，28％没有安装占用监控系统，93％没有实时显示占用的信息，这可能导致车主等待很久，如图2所示。
|
|
|
|
图1：在新加坡的CBD区域的停车场，占用监测类型的百分比显示在左边。带有在线入住信息的车库和路边停车位分别标记为绿色和紫色。 |
|
|
|
|
|
图2：排队在停车场前面：例子从新加坡在左边和多特蒙德，德国在右边。 |
|
等待停放的车辆也会造成环境问题，因为在巡航/制动期间产生的排放物导致严重的空气污染[2]，[3]。许多城市试图通过建立路边停车引导系统，增加占用传感器基础设施，甚至实施特殊政策来阻止人们进入CBD，但他们都需要大量投资来控制这个问题，其中一些实际上增加了总体碳排放量。事实上，如果事先向驾驶者提供占用信息，使得他们能够驶向较不拥挤的场所或重新计划他们的旅行，则可以解决停车问题的大部分。我们的研究显示，一些流行的停车场可能在繁忙时间排队等候几个小时，而附近的停车场则有剩余，如图3所示的两个车位A和B所示。
|
|
|
|
图3：一天内两个靠近的停车场A和B的停车可用性。 |
|
现有基于基础设施的车位占用检测系统通常需要在停车场处安装占用传感器和无线信标（例如：SFpark[4]）或车辆上的额外传感器（例如：ParkNet[3]）。因此，从经济和环境的角度来看，如果驾驶人群[5]，[6]可以利用无基础设施的方式解决停车问题，将会是非常有帮助的。惯性感测已广泛用于人类手势和运输模式检测（例如：[7]，[8]，[9]，[10]，[11]，[12]），而不依赖于任何基础设施支持，从直接的惯性传感器读数推断占用信息是极其困难的：惯性感测可以良好地建议诸如制动和转向的驾驶状态，但是这样的事件看起来与停车占用无关，除非某些推理机制在适当位置才会建立必要的连接。
在本文中，我们提出ParkGauge，一种方法来衡量停车场在城市地区的占用方法。为了应用惯性感测用于此目的，ParkGauge创新地使用（时间序列）驾驶状态（例如：制动和转弯）来推断停泊特征（例如：停车时间，入库时间），来推断车位的占用与否。据我们所知，ParkGauge是第一种使用时间信息来高效地和有效地指示室内停车场的停车占用的方法1。
这项工作的主要贡献总结如下：
- 我们提出一个基本上新的想法来衡量停车场的占用，利用看似无关的但随时可用的移动传感数据。
- 我们开发了一个完整的感测框架，以完成从（大部分）惯性传感器读数到暂时停车特性的转换。
- 我们以分层方式识别，组合和重新设计机器学习算法，旨在保证对通常通过众感系统获得的各种数据集的高效推理过程。
- 我们利用在Android上实现的原型，在几个停车场中展示ParkGauge的广泛实验的效率和有效性。值得注意的是，不像现有的基于监听的停车系统直接计算可用的停车场车位。
ParkGauge不需要“用户基数”（应用程序的高度普及）来感测各个停车场。相反，从每个停车场的少量用户获取的最小量的感测数据将足以使ParkGauge传递有用的信息，而“人群”仅需要覆盖大城市区域上的许多停车场。
本文的其余部分组织如下。我们首先讨论导致我们在第二部分中设计ParkGauge的相关建议，然后概述第三部分中的结构和关键概念。我们进一步介绍第四节中ParkGauge方法的技术细节和第五节中的广泛实验结果。最后，我们讨论潜在的问题和提出论文的结语。
II.相关工作
在本节中，我们通过显示现有的关于停车占用推断/活动识别的文献与室内停车问题的实际状态之间的不匹配来引出ParkGauge。
A.停车占用推断
ParkNet[3]启动了侦察辅助停车可用性检测的想法，但它对安装在ParkNet车辆上的额外传感器（即超声波测距仪）的依赖使其具有更强的基础设施依赖性。相反，最近的几个停车系统PhonePark[14]，ParkSense[15]和PocketParker[16]已经更多地利用了车主车辆感知能力：他们结合智能手机传感器和定位技术，并且推断停车空间的可用性。ParkSense[15]依靠Wi-Fi信标在城市地区的普遍存在来检测出现事件，而检测过程由基于手机的停车支付系统发起，并且一直保持工作，直到检测到出现事故为止。聚焦在户外停车场（地面），PocketParker[16]需要GPS或Wi-Fi来粗略地定位停车车辆，并进一步应用概率推理机制来解决非参与车辆。它利用加速度计来推断驾驶和步行之间的转换，从而检测停车和出车事件。PhonePark[14]提出了一个类似的方法来建立一个历史停车可用性配置文件，同时另外采用按手机支付停车系统和蓝牙传感器来检测停车和出车事件。
尽管依赖于GPS，Wi-Fi或支付系统对于室外停车场来说是合理的，但是对于室内停车通常是不可行的：虽然GPS和Wi-Fi通常是不可访问的，但是在车位的支付通常在出发时间。此外，ParkSense[15]要求系统在一对停车和出车事件之间保持Wi-Fi感应，可能增加智能手机的总体能耗。此外，从停车车辆的一个子集（如PocketParker[16]建议）推断占用可能不能很好地在车位，只是由于其容量比室外停车场大得多。应用程序可供驱动程序报告占用信息（例如GoogleOpenSpot）。这种方法通常缺乏车主参与的适当动机[15]，因为车主会认为手动输入数据太麻烦。此外，我们注意到现有的车辆导航系统提供了一个有用的功能，称为到达目的地的估计到达时间（ETA）。然而，如果停车系统仅提供可用停车场的数量，则车主没有足够的信息来计划到达最终目的地。
B.活动识别
关于人类活动和交通模式检测的现有文献是丰富的[7]，[8]，[17]，[9]，[10]，[11]，[18]。由于使用惯性感测技术，这些提议通常具有低功率轮廓。然而，几乎不可能直接应用惯性感测来确定占用信息。幸运的是，机器学习和数据挖掘技术的最新进展允许在可以识别正确的逻辑相关时执行间接推断[19]。以前的研究[20]也探讨了使用分层贝叶斯非参数方法从原始传感器数据的移动情景发现的可行性。因此，避免感测禁止停车场计数并且仍然用看似不相关的传感器读数来测量占用信息是潜在可行的。
III.背景/概述
本节介绍ParkGauge的设计理念，其次是架构概述。
A.设计理由
虽然计算可用的停车场对于室内停车场是不可行的，但是由于大多数（如果不是全部）车主必须采用群智感知应用，则不是有效的。因此，ParkGauge旨在从不同的角度衡量入库率评估。特别是，如果我们将停车场视为排队系统，占用确定其服务速率，这在功能上与队列中的等待时间相关。在停车场景中，我们将这个等待时间称为停车时间，并将其视为暂时停车特性;它由其他停车特性，如巡航时间和时间排队组成。
|
|
|
|
图4：流行商场的停车占用和停车时间：负相关是显而易见的。 |
|
虽然停车时间被定义为从车辆到达停车场直到它完全停好，时间巡航和时间排队测量在寻找免费停车场花费的时间的时间跨度，在静止状态下分别等待。从图4所示的我们收集的数据中，在入库率和停车时间之间存在很强的相关性。
使用诸如停车时间的停车特性来推断占用也可以满足我们的其他设计目标。首先，这些特性可以主要通过惯性感测技术（如果正确使用）来检测，使系统自主和节能。其次，它可扩展到非常大的城市区域：由于仅需要为每个停车场获得几十个样本（以便达到某些统计意义），因此少量的配备有ParkGauge的车主、车辆将能够以覆盖非常大的区域。第三，用于推断占用的数据可以扩展到用于其他目的，包括更准确的ETA指示。最后，该系统是自我激励的：如果车主希望获得他们各自目的地的占用信息，他们将使得ParkGauge应用程序能够首先共享他们的数据。
B.系统架构
ParkGauge作为车主智能手机中的应用程序运行，假设在完成停车时与车主一起携带。ParkGauge的架构具有如图5所示的3层呈现，从而可以通过多阶段推断在看似无关的感测数据和我们的测量目标之间建立联系。感测功能在最低层（感测层）执行，ParkGauge使用智能手机中嵌入的多个传感器收集数据，包括主要用于在停车场中连续感测的陀螺仪，加速度计和气压计，以及3G，GPS，以及仅用于确定停车过程的开始情景的Wi-Fi。从在滑动窗口内收集的传感器数据提取的特征被馈送到估计驾驶状态的基于随机森林的分类器中。该层的输出是驱动状态，例如加速，制动和转向。
|
|
|
图5：ParkGauge架构 |
情景层应用隐藏马尔可夫模型（HMM）来表示输入（驾驶状态）和输出（驾驶情景）之间的关系，其中驾驶状态被视为可观察状态，停车相关驾驶情境是隐藏马尔可夫模型推断。作为连续驾驶情境之间的时间相关性中的HMM因子，其可潜在地抵消在对驾驶状态进行分类中的错误。注意，几个驾驶环境需要直接传感器输入，导致直接连接绕过HMM。
在表示层，停车特性取决于驾驶环境。例如：在停车和停车之间的时间间隔被计数为停车时间，而制动计数对制动的数量进行计数。这些特征中的一些可以直接使用（例如：改善ETA估计），但是推断停车场的占用需要基于回归的独立学习模块。使用历史数据，我们建立一个回归模型来表示占用率和派生停车特性之间的关系，使ParkGauge可以实时推断占用率。为了对我们不同的群智感知数据执行回归，我们使用基于PearsonVII函数（PUK）的通用核函数支持向量回归（SVR）[21]。由于所有的学习模型都是离线训练的，ParkGauge客户端运行的在线推理过程只涉及低复杂度的算术运算，使其在商用智能手机中托管时间和能源效率。
IV.方法
我们在本节中解释我们的方法的关键方面。我们首先提出ParkGauge的两个直接传感部件，即停车到达和地面变化探测器。因此我们专注于驾驶情境检测，并解释如何从观察到的传感器数据学习HMM模型并推断驾驶情境。我们最后讨论利用各种停车特性来推断停车场的占用的方面。
A.停车到达检测器（PAD）
作为设置和重置测量过程的情景，需要捕获开始停车和放弃停车，以便ParkGauge决定是开始还是结束。ParkGauge依赖于低耗能的基于3G的位置检测器来粗略地指示是否输入了地理范围（例如：围绕目的地附近的停车场的500m的圆）。如果为真，Pa
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[141126]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
