摘  要： 利用車載自組網(wǎng)方便、靈活、成本低的特點，使用機會通信擴展車輛通信范圍，提出一種基于停車位可用概率的停車位發(fā)現(xiàn)算法來解決分布式網(wǎng)絡(luò)中信息不完全下的停車位發(fā)現(xiàn)問題。通過估算附近可用停車位在車輛到達時刻的可占用概率，為車輛分配成功率最大的停車位。仿真結(jié)果表明，該算法適用于車載自組網(wǎng)的分布式停車位算法，平均停車時間較短。

　　關(guān)鍵詞： VANET；停車；機會通信；概率

0 引言

　　私人汽車的激增使城市道路交通量日益增加，引發(fā)了一系列亟待解決的交通問題。其中，停車問題給大城市帶來了沉重的道路通行負擔(dān)，并成為交通擁堵的重要因素。如何采用先進的科學(xué)技術(shù)方法來解決“停車難”問題[1]，是當(dāng)前城市交通發(fā)展急需解決的問題。

　　在停車位發(fā)現(xiàn)服務(wù)中，拓撲網(wǎng)絡(luò)結(jié)構(gòu)變化快速，集中式的架構(gòu)缺乏靈活性和適應(yīng)性，車載自組織網(wǎng)絡(luò)（Vehicular Ad Hoc Network，VANET）提供了一種分布式停車位發(fā)現(xiàn)解決方案[2]。在分布式的VANET系統(tǒng)中，車輛節(jié)點通過與通信范圍內(nèi)的節(jié)點組成臨時的Ad hoc網(wǎng)絡(luò)進行多跳通信、交換信息[3]，VANET在智能交通系統(tǒng)中起著重要作用，為系統(tǒng)提供統(tǒng)一的無線通信網(wǎng)絡(luò)及多種通信方式。

1 相關(guān)工作

　　2006年Caliskan等[2]提出了一種基于車載自組網(wǎng)的分布式停車位發(fā)現(xiàn)模型，通過階段性信息采集進行停車位計算。2007年，Sherisha等[4]提出使用停車場歷史數(shù)據(jù)計算車輛目的地附近的停車位可用概率的方法為車輛提供停車引導(dǎo)。Murat[5]對停車位發(fā)現(xiàn)問題建立了概率預(yù)測模型，從統(tǒng)計角度對區(qū)域停車概率進行了預(yù)測。2009年Mathur等[6]提出了一種集中式和一種分布式方案來解決尋找停車位問題，并對停車位發(fā)現(xiàn)思想予以評估。2011年，Kokolak等[7]提出了一種分布式的機會停車位發(fā)現(xiàn)算法，可以擴展個體車輛的通信范圍。2012年，Andreas[8]對Murat數(shù)據(jù)收集方法和模型進行了改進，優(yōu)化了轉(zhuǎn)移矩陣。

　　現(xiàn)有停車位概率預(yù)測算法主要是從統(tǒng)計角度預(yù)測停車位空閑的概率，但是不能具體為停車位發(fā)現(xiàn)提供明確的決策目標(biāo)。本文提出一種基于停車位可用概率的停車位發(fā)現(xiàn)算法（An Available Probability based Parking Algorithm，APPA），在分布式系統(tǒng)中使用機會通信擴展車輛通信范圍，估算車輛到達停車位時的車位可用概率，為車輛分配最佳的可用停車位，規(guī)劃有效的行駛路徑。

2 前期假設(shè)與模型分析

　　2.1 停車位信息獲取

　　限于通信半徑的影響，車輛節(jié)點能感知的停車位有限，使用報文交互擴大節(jié)點的感知范圍，使節(jié)點的停車位決策超出局部VANET網(wǎng)絡(luò)，擴大到環(huán)繞車輛的VANET網(wǎng)絡(luò)群，做出更加符合整體利益的決策。

　　在車輛行駛過程中，不斷偵測可用的停車位信息，當(dāng)偵測到可用停車位時，記錄該停車位的位置信息，同時記錄該停車位的時間戳。并在路邊設(shè)置少量的RSU，維護一個標(biāo)準的時間和一張可用停車位信息表。當(dāng)車輛進入RSU通信范圍時，交換可用停車位的信息，更新可用停車位信息，使得車輛能得到超出自身通信范圍的可用停車位信息。

　　2.2 距離計算標(biāo)準

　　從地理位置信息角度考慮，將道路網(wǎng)絡(luò)轉(zhuǎn)化為有向圖。以道路作為拓撲網(wǎng)絡(luò)中的線，并以停車位和車輛作為拓撲網(wǎng)絡(luò)中的節(jié)點，賦予停車位和車輛地理二維坐標(biāo)。轉(zhuǎn)化道路平面圖的同時做如下約定：

　　（1）對道路和道路交叉口賦予不同的量化值；

　?。?）對每個道路交叉口賦予一個額外的平均等待時間；

　?。?）由于算法的依據(jù)是有效距離，因此把等待時間結(jié)合預(yù)定的車輛速度轉(zhuǎn)化為距離，這個距離也是有效距離的組成部分；

　　（4）使用Dijkstra算法計算節(jié)點間距離。

　　2.3 模型分析

　　在車輛位置信息不完全的模型中存在兩種對停車位有需求的車輛，一種是加入車載自組網(wǎng)并實時共享信息的車輛，其他車輛能通過車載網(wǎng)得到這些車輛的位置信息，位置信息由GPS設(shè)備提供；另一種車輛是沒有加入車載自組網(wǎng)的車輛，它們自發(fā)且隨機地搜索停車位，網(wǎng)絡(luò)中的車輛無法得知這些車輛的數(shù)量和位置等信息。在這種情況下，停車問題變得非常復(fù)雜，如果通過分配預(yù)約等方式為車載自組網(wǎng)中的車輛分配停車位，則在車輛向預(yù)定車位行駛的過程中，既定停車位很可能已經(jīng)被不在網(wǎng)絡(luò)中的車輛所占據(jù)，顯然固定分配的停車位發(fā)現(xiàn)方式不適用于此模型。

3 主要工作

　　3.1 車輛到達時間計算

　　在信息交互過程中，車輛互相傳播停車位信息，在獲取的報文中，如果存在本地鏈表沒有的車位，則記錄該車位位置信息及時間戳；如果已經(jīng)存在，則更新時間戳，時間的記錄以最早發(fā)現(xiàn)該停車位為準。

　　當(dāng)車輛占用某停車位后，則時間戳設(shè)為0，并向其他車輛轉(zhuǎn)發(fā)一次該停車位信息，同時將本地的停車位節(jié)點刪除。當(dāng)其他車輛接收到時間戳為0的停車位信息時，進行相同操作。

　　假設(shè)當(dāng)前時刻為t，車輛行駛速度為v，根據(jù)Dijkstra算法計算得到的車輛與停車位之間的最短路徑為D。在得到可用停車位的位置信息后，可以根據(jù)Dijkstra算法和車輛的行駛速度估計得到車輛相對每個停車位的到達時間：

　　3.2 可用車位獲取概率計算

　　假設(shè)車輛vi對一個車位sj的可用概率為P（vi，sj）：

　　式中，P（vi，sj）為T時刻停車位sj被其他車輛占用的概率。要計算車輛到達時刻的停車位可用概率，只需計算P（vi，sj）即可。

　　P（vi，sj）主要受兩個因素的影響：一個是停車位的空閑時長，即從停車位空閑時刻開始至車輛發(fā)起停車請求，這段時間的車位沒有被占用，但車位被選擇的概率會隨著時間的延長而累積，下一時刻被占用的概率隨之增大；另一個是當(dāng)前時刻至車輛到達停車位，此時車輛與其他所有可能駛向此車位的車輛進行競爭，車輛距離停車位越近，勝出的可能性越高。

　　在參考文獻[9]中，針對計算實時可用停車位的變化進行了大量實驗，得到了關(guān)于停車場各個時刻停車位占用情況的實驗數(shù)據(jù)。本文引用這些實驗數(shù)據(jù)，并通過分析，將歷史數(shù)據(jù)抽象為函數(shù)，該函數(shù)表示車位被占用概率隨時間的變化關(guān)系，簡化了算法的復(fù)雜度，提高了算法效率。函數(shù)如式（3）所示：

　　其中c=86 400-a+b。

　　令概率Ph（sj）表示在t時刻可用停車位sj被任意一輛車占用的概率，其中包括沒有加入車載自組網(wǎng)的車輛。那么，從停車位sj空閑時刻開始至當(dāng)前時刻t，認為其在t時刻后被任意車輛占用的概率為：

　　Ph（sj）=Pr（t）（4）

　　其中t為當(dāng)前時刻。

　　設(shè)從停車位sj空閑時刻t開始，停車位的空閑時間和停車時間服從指數(shù)分布，則車輛節(jié)點流量可以看作一個泊松過程（λ）。那么，Pn（vi，sj）可以由式（5）計算得到：

　　Pn（vi，sj）=1-P（K=1）（5）

　　其中，T為記錄的車輛到達時刻，P（K=1）可看作到T時刻停車位被占用的概率。

　　那么，最終的停車位可用概率可由式（6）得到：

　　P（vi，sj）=（1-Ph（sj））·Pn（vi，sj）（6）

　　即P（vi，sj）可以由式（7）表示：

　　P（vi，sj）=1-P（vi，sj）=（1-Ph（sj））·Pn（vi，sj）（7）

　　P（vi，sj）越大，則到達時刻的停車位可用概率越高。

　　3.3 算法描述

　　車輛在行駛過程中，不斷偵聽感知范圍內(nèi)的可用停車位，同時進行車間報文交互。當(dāng)發(fā)起停車請求時，計算車輛與每個可用停車位之間的有效距離，并通過APPA算法計算每個可用停車位的概率，選擇概率最高的停車位并向其行駛，在行駛過程中，不斷重復(fù)進行偵聽和概率更新，始終駛向最大可用概率的停車位；當(dāng)與某停車位距離D小于閾值Z（Z=v）時，占用停車位并將此停車位的時間戳置0。算法偽代碼如下：

　　FUNCTION APPA（S）{

　　for所有的停車位節(jié)點S

　　{  計算車輛與停車位之間距離D

　　IF D<Z

　　{

　　占用停車位，時間戳置0

　　END

　　}

　　}

　　for所有的停車位節(jié)點S

　　{

　　Ph（sj）=Pr（t）

　　Pn（vi，sj）=1-P（K=1）

　　P（vi，sj）=（1-Ph（sj））·Pn（vi，sj）

　　}

　　Pmax（vi）=max（1-P（vi，sj））

　　向Pmax（vi）車位方向行駛1 s，同時更新S

　　RETURN FUNCTION APPA（S）

　　}

4 仿真分析

　　4.1 場景描述

　　本文在VanetMobiSim框架下進行仿真，仿真過程中，每當(dāng)一輛車占用一個停車位時，保存記錄這輛車找尋停車位所花費的時間，并在整個道路上隨機位置重新生成一個車輛，在另一隨機位置重新生成一個可用停車位。這可看作道路交通中的實時變化因素，更加符合實際情況。具體參數(shù)見表1。

　　4.2 仿真分析

　　仿真場景中停車位節(jié)點數(shù)為30，車輛節(jié)點數(shù)為5~80，且設(shè)定隱藏車輛與非隱藏車輛數(shù)量比約為1∶1。

　　圖1表示停車位節(jié)點數(shù)和車輛平均行駛時間的關(guān)系曲線。當(dāng)車輛數(shù)少于停車位時，每個車輛都能分配到停車位，APPA算法根據(jù)有限的信息找到最優(yōu)的車位，產(chǎn)生的額外行車開銷較小，且在行駛過程中，實時地更新數(shù)據(jù)，使車輛更大概率獲取位置更優(yōu)的可用停車位；當(dāng)車輛數(shù)目多于停車位時，APPA算法能根據(jù)已知信息做出更加合理的決策，使車輛能在車位很少時更快地找到可用停車位。

　　圖2表示停車位平均空閑時間的關(guān)系曲線。由圖2可知，APPA算法的停車位平均空閑時間與就近原則方法接近，略優(yōu)于就近原則。當(dāng)可用停車位數(shù)目較多時，車輛有更多的停車選擇，APPA算法的決策擁有最大的成功概率；在車輛數(shù)目大于停車位數(shù)目時，車輛之間存在激烈的競爭，由于APPA算法計算了停車位從空閑時刻開始至發(fā)起停車請求這段時間對停車占用概率的影響，因此能提高車輛尋找車位的有效性。

5 結(jié)束語

　　本文對分布式系統(tǒng)中車輛和停車位位置信息不完全的模型進行研究，提出了一種基于停車位可用概率的停車位發(fā)現(xiàn)算法來解決分布式網(wǎng)絡(luò)中信息不完全情況下的停車位發(fā)現(xiàn)問題。通過仿真分析得知，在系統(tǒng)模型中，APPA算法有較大的優(yōu)越性，其能更好地應(yīng)對信息不完全的情形，縮短車輛的平均停車位發(fā)現(xiàn)時間。

參考文獻

　　[1] DELOT T， ILARRI S， LECOMTE S， et al. Sharing with caution： Managing parking spaces in vehicular networks[J]. Mobile Information Systems， 2013，9（1）：69-98.

　　[2] CALISKAN M， GRAUPNER D， MAUVE M. Decentralized discovery of free parking places[C]. Proceedings of the 3rd International Workshop on Vehicular ad hoc Networks. ACM， 2006： 30-39.

　　[3] YOUSEFI S， MOUSAVI M S， FATHY M. Vehicular ad hoc networks（VANETs）： challenges and perspectives[C]. ITS Telecommunications Proceedings， 2006 6th International Conference on. IEEE， 2006： 761-766.

　　[4] PULLOLA S， ATREY P K， EL SADDIK A. Towards an intelligent GPS-based vehicle navigation system for finding street parking lots[C]. Signal Processing and Communications， 2007. ICSPC 2007：1251-1254.

　　[5] CALISKAN M， BARTHELS A， SCHEUERMANN B， et al. Predicting parking lot occupancy in vehicular ad hoc networks[C]. Vehicular Technology Conference， 2007. IEEE 65th. IEEE， 2007： 277-281.

　　[6] MATHUR S， KAUL S， GRUTESER M， et al. ParkNet： a mobile sensor network for harvesting real time vehicular parking information[C]. Proceedings of the 2009 MobiHoc S 3 workshop on MobiHoc S 3. ACM， 2009： 25-28.

　　[7] KOKOLAKI E， KARALIOPOULOS M， STAVRAKAKIS I. Opportunistically assisted parking service discovery： now it helps， now it does not[J]. Pervasive and Mobile Computing， 2012， 8（2）： 210-227.

　　[8] KLAPPENECKER A， LEE H， WELCH J L. Finding available parking spaces made Easy[C]. Proceedings of the 6th International Workshop on Foundations of Mobile Computing. ACM， 2010： 49-52.

　　[9] 魯忠輝.基于VanetMobiSim/NS-2的車載自組網(wǎng)的研究與仿真[D].武漢：武漢理工大學(xué)，2010.