[发明专利]基于Mamdani算法的停车诱导决策方法

权利要求书

1.一种基于Mamdani算法控制的停车诱导决策方法，包括用于输入停车类型的模糊化接口1和用于输入停车频率的模糊化接口2，其特征在于，包括以下步骤：

S1：按照停车场电梯终点和特征，将电梯分为四类：直达商场的商场直梯，悠闲到达商场的扶手电梯，直达电影院的电影院直梯和直达写字楼的写字楼直梯；

按照上月车辆平均每次停留时长，将停车场内的停车类型Type分为四种，即模糊化接口1的输入：时长为0～1小时定义为“短暂停留”，时长为1～2小时定义为“购物”，时长为2～3小时定义为“看电影或吃饭”，时长为3～24小时定义为“工作”；

按照上月车辆停车次数Times，划分停车频率Frequency，停车次数为0～30次的，记其停车频率为停车次数，即Frequency＝Times；停车次数为31～40次的，记其停车频率为31；停车次数大于40次的，记其停车频率为32；

停车类型和停车频率均记录在系统后台数据仓库；

S2：车牌识别与语音输入甄别，用户可以在停车场入口识别车牌时，说出停车目的，系统自动甄别停车类型，停车类型为“短暂停留”的，模糊化接口1输入Type＝-1；停车类型为“购物”的，模糊化接口1输入Type＝0；停车类型为“看电影或吃饭”的，模糊化接口1输入Type＝1；停车类型为“工作”的，模糊化接口1输入Type＝1；

根据用户语音信息输入频率程度，识别语音信息中的关键词Keyword，利用语音识别技术匹配5种不同的程度化词语，分别为第一次First time，偶尔Few times，有时Sometimes，经常Often和一直Always；

如果用户在识别车牌期间保持沉默，则系统根据车辆上月平均每次停留时长来输入停车类型，根据车辆上月停车次数输入停车频率Frequency；

如果用户没有说出停车目的，且车辆是第一次驶入停车场，则系统自动将该停车类型归类为“购物”，模糊化接口1输入Tpye＝0，模糊化接口2输入Frequency＝0；

S3：计算可靠度指数Reliability Index，如果有用户语音信息，则按照语音信息中的关键词计算；如果没有用户语音信息，则通过历史数据分析得到可靠度指数；可靠度指数Reliability Index计算方法如下：

S31：如果有用户语音输入，则识别语音信息中的关键词Keyword、汉字个数Length、声音分贝Loud和语音时长Period；

计算语速和语速指数Speed’＝

其中，[0.3，0.33]为语速正常范围区间A，a和b为关键词Keyword所对应的语速指数区间[a，b]的上下限；关键词第一次First time，偶尔Few times，有时Sometimes，经常Often，一直Always，对应的五个语速指数区间分别为[0，0.3]；[0，0.6]；[0.2，0.8]；[0.4，1]；[0.7，1]；若识别不出有效关键词，则归类为第一次First time；

计算Reliability Index＝Loud*Speed’，实际声音分贝大于40时，取Loud＝1，实际分贝在20-40之间时，取Loud＝0.5，实际分贝小于20时，取Loud＝0.1；

S32：如果没有语音输入，可靠度指数通过历史数据分析得到，具体如下：

S4：建立隶属函数，将由输入变量、输出变量构成的普通型关系数据库转换为模糊型关系数据库，普通型数据库共有D个数据元组{d₁，d₂，…，d_D}构成，其相应的模糊型数据库为{μ_d1，μ_d2，…，μ_dD}，其中μ为模糊化隶属度函数，μ_dk由组成，k＝1，2，…，D，其中和分别是模糊输入的隶属函数，则是输出的函数；

S5：创建模糊规则库，基于if-then的规则表述，利用逻辑，将模糊化输入、输出相关联，得到初步模糊规则库，其方法为：

若用户明确目的地，则根据模糊化输入量Frequency确定停车位置，其划分的原则依照其历史月驶入的次数；若用户没有明确表达目的地，且不是第一次进入停车场，则系统根据历史数据确定停车类型；若用户没有明确表达目的地，且是第一次进入停车场，则系统自动按照目的地为商场直梯来处理；

S6：计算模糊规则的支持度，其表述如下：

完成初步模糊规则库后，通过计算模糊规则的支持度，筛选支持度最高的规则，除去支持度低于0.5的冗余规则，得到完备模糊规则库；

S7：反模糊化过程，采用反模糊化方法从模糊型数据库中获得精确结果；

S8：诱导停车，通过步骤S7得出的汽车目标停车位，通过显示手段向驾驶员传递最终结果；

S9：汽车驶出停车场后，将步骤S7中的系统推理结果、系统后天数据仓库中的汽车目标地类型和汽车真实停车类型进行比较后，进行数据更新和用户习惯升级，其计算方法如下：

公式中，

Type_update--最后更新的Type数据；

Times--系统后台数据仓库中既有数据；

Type_calculate--步骤S7得到的结果；

Type_existence--系统后台数据仓库中原有的Type数值；

Type_this--根据汽车真实停留时间得到的汽车Type数值。