室内停车场有线式车辆检测器布线优化方法

1.一种室内停车场有线式车辆检测器布线优化方法，其特征在于通过研究有线式车辆检测器的停车诱导系统结构，选择车辆检测器与节点控制器之间的布线过程进行优化，采用曼哈顿距离作为布线距离度量方式，建立使停车诱导系统车辆检测器布线距离最短的优化模型，基于密度估计方法和簇内数据限制要求的方法改进K-means聚类算法，对算法的聚类中心即节点控制器的位置坐标进行确定，优化布线路径，预测线缆铺设长度，指导工程用料计划，从而避免不必要浪费。
2.如权利要求1所述的一种室内停车场有线式车辆检测器布线优化方法，其特征在于：所述停车诱导系统结构分为总控制应用层、中间控制层和数据采集层三层，其中总控制应用层包括中央控制器、诱导显示屏、图像采集设备、用户访问及控制设备、网络连接设备和数据存储设备，主要负责泊位数据信息汇总、分析和处理，停车场车位诱导屏车位信息发布和广告文字显示，缴费信息数据库的数据记录及管理，视频监控系统以及与外网进行连接；中间控制层包括层控制器和节点控制器，主要负责该层区域内泊位信息数据采集，也可以根据用户特殊需求添加功能；数据采集层包括车辆检测器，主要负责对车位占用信息进行实时准确采集。
3.如权利要求2所述的一种室内停车场有线式车辆检测器布线优化方法，其特征在于：所述停车诱导系统结构数据采集层的车辆检测器为有线式车辆检测器，车辆检测器与车位一一对应装设于车位正上方，若干个车辆检测器再通过线缆分别连接到同一个节点控制器。
4.如权利要求1所述的一种室内停车场有线式车辆检测器布线优化方法，其特征在于：所述布线距离度量方式采用曼哈顿距离作为车辆检测器与节点控制器之间布线距离计算度量，从而可以直接得到实际布线距离，符合停车场车位规划以及桥架走向要求美观和实用的要求，又由于距离度量中没有取平方，使得零散车位的离群点对整体聚类效果的不利影响被大大削弱，计算第i个车辆检测器n(i)和第j个节点控制器n(j)之间的曼哈顿距离d[n(i)，n(j)]表示如下：
d[n(i)，n(j)]＝|n(i)x-n(j)x|+|n(i)y-n(j)y|
其中n(i)x为第i个车辆检测器n(i)的横坐标，n(i)y第i个车辆检测器n(i)的纵坐标，其中，i＝1，2，......N；n(j)x为第j个节点控制器n(j)的横坐标，n(j)y第j个节点控制器n(j)的纵坐标，其中，j＝1，2，......K；设停车场该层停车位总数为N，一个节点控制器最多可连接C个车辆检测器，则该层所需的节点控制器个数即初始聚类中心个数为K，如果N除以C可以整除则K为商，如果不能整除，则K为商的整数部分加1。
5.如权利要求1所述的一种室内停车场有线式车辆检测器布线优化方法，其特征在于：所述改进的K-means聚类算法采用了基于密度估计的方法进行节点控制器初始安装位置选 择，确定初始聚类中心，降低了初始聚类中心对聚类结果的敏感性，提高了布线优化方法的有效性。
6.如权利要求5所述的一种室内停车场有线式车辆检测器布线优化方法，其特征在于所述基于密度估计的方法为：
(1)针对每个数据对象Xi定义一个密度半径，计算该对象与其他数据对象的距离，得出距离大小在该密度半径内的数据对象数目作为该点的密度阈值；定义一个大于0小于1的常数作为密度参数，计算每个数据对象的密度阈值，定义最大密度阈值乘以密度参数的值，把处于低密度区域的点删除，得到高密度区域的数据对象集合，即满足一定密度阈值大小的数据对象集合为高密度区域D；
(2)把处于最高密度区域的数据对象作为第一个初始聚类中心Z1；
(3)把距离Z1最远的数据对象作为第2个初始聚类中心Z2，Z2∈D；
(4)令Z3为满足max(min(d(Xi，Z1)，d(Xi，Z2))的数据对象Xi，其中i＝1，2，......N，Z3∈D；
(5)重复(4)，ZK为满足max(min(d(Xi，Z1))，min(dXi，Z2))，…min(d(Xi，ZK-1)))的数据对象Xi，Xi∈D，直至得到K个初始聚类中心；
其中，设停车场该层停车位总数为N，一个节点控制器最多可连接C个车辆检测器，则该层所需的节点控制器个数即初始聚类中心个数为K，如果N除以C可以整除则K为商，如果不能整除，则K为商的整数部分加1。
7.如权利要求1所述的一种室内停车场有线式车辆检测器布线优化方法，其特征在于：所述改进的K-means聚类算法对簇内数据个数有具体限制，每个节点控制器可连接的有线式车辆检测器数都具有一定限制，故在聚类时对簇内数据个数有具体限制。
8.如权利要求7所述的一种室内停车场有线式车辆检测器布线优化方法，其特征在于：所述对簇内数据个数进行具体限制方法为，计算该簇内数据对象与该簇聚类中心曼哈顿距离并进行排序，按距离大小将超出点剔除，再计算该剔除点与其他聚类中心点曼哈顿距离，将其归类到距离最近的簇内，但是若要聚类的簇内已超过限制要求，则计算该簇簇内数据对象和该剔除点与该簇聚类中心曼哈顿距离并进行排序，按距离大小将最远点剔除，将该剔除点分类到下一个簇，使得簇内对象确定，不超过限制要求。

室内停车场有线式车辆检测器布线优化方法\n技术领域\n[0001] 本发明涉及停车诱导系统领域，尤其涉及室内停车场的停车诱导系统，特别是一种有线式车辆检测器的布线优化方法。\n背景技术\n[0002] 停车诱导系统提高了停车设施的使用率，减少了为寻找停车场而产生的道路交通量，对提高整个交通系统的效率具有重要作用。近年来，随着停车诱导系统的广泛应用，其建设成本日益引起城市交通管理部门和建设单位的重视。停车诱导系统具有多种类型，主要是通过有线车辆检测器实时监测车位占用情况，为停车场内部进行分区停车诱导服务。\n公开号为CN1719489A的中国发明专利申请公开了一种“智能停车场车位引导管理系统”，该系统采用多个有线车辆检测器连接到若干个车位控制器，若干个车位控制器再连接到一个车位总控制器，但并没有就多个有线式车辆检测器的布线问题进行深入研究。\n[0003] 在停车诱导系统结构中，多个有线车辆检测器需要连接至若干个节点控制器，考虑到停车诱导系统可靠性和可维护性等，一般每个节点控制器可连接的有线式车辆检测器数都具有一定限制，例如，在具有160个车位，即需要在泊位上方桥架安装160个有线式车辆检测器的某层停车场，假定限制为60，则需要安装的节点控制器为3个，对于应该如何确定节点控制器安装位置，把160个车位分为三类，分别通过线缆连接至3个节点控制器，使得最终所用线缆铺设长度最小，建设成本最低，现有技术还未涉及。\n[0004] 传统的布线方法为通过施工经验判断选取停车场某车位密集区域的中心位置作为节点控制器的安装位置，从而使得以该位置为圆心的圆能以较小的半径覆盖尽可能多的采集点。该方法虽具有一定的合理性，但是对于多个圆形区域边界处的停车位，无法科学确定其所属区域。其次，传统方法完全依赖个人工程经验，随机性较大。最后，对于大型停车场，面积较大，布线路径复杂，传统方法选取难度更大，将会造成更多线缆浪费。\n发明内容\n[0005] 本发明的目的就是要克服现有技术的不足，提出一种有线式车辆检测器的布线优化方法。\n[0006] 根据本发明，通过分析研究采用有线式车辆检测器的停车诱导系统结构，选择车辆检测器与节点控制器之间布线过程进行优化，采用曼哈顿距离作为布线距离度量方式，建立了布线距离最小的优化模型，对传统K-means聚类算法进行了基于密度估计方法和簇内数据限制要求的改进，从而提出一种可以应用在室内停车场有线式车辆检测器布线领域的优化方法。\n[0007] 本发明所涉及的停车诱导系统为如图1所示的三层控制结构总控制应用层，中间控制层，数据采集层。其中总控制应用层包括中央控制器、诱导显示屏、图像采集设备、用户访问及控制设备、网络连接设备和数据存储设备，主要负责泊位数据信息汇总、分析和处理，停车场车位诱导屏的车位信息发布和广告文字显示，缴费信息数据库的数据记录及管理，视频监控系统以及与外网进行连接；中间控制层包括层控制器和节点控制器，主要负责该层区域内泊位信息数据采集，也可以根据用户特殊需求添加功能；数据采集层包括车辆检测器，主要负责对车位占用信息进行实时准确采集。系统通过在停车场每个车位上方桥架上安装一个车辆检测器，利用线缆对每个泊位使用情况进行实时准确监测，将若干个车辆检测器的车位是否占用信息实时采集汇总到节点控制器，再把每层的节点控制器信息汇总到层控制器中，最终与其他数据信息一并交由中央控制器管理，对停车场内部停车实施诱导。\n[0008] 与现有技术相比，本发明的效果是积极和明显的。本发明可以科学合理的确定节点控制器安装位置，优化布线路径，预测线缆铺设长度，指导工程用料计划，对降低停车诱导系统建设单位经济成本具有重要意义。\n附图说明\n[0009] 附图1是本发明所涉及室内停车诱导系统结构示意图。\n[0010] 附图2是本发明的布线优化策略选择示意图。\n[0011] 附图3是本发明的优化方法流程图。\n[0012] 附图4是本发明的应用节点控制器安装位置对比示意图。\n[0013] 其中， 为采用传统经验法选择的节点控制器安装位置\n[0014] ★为采用本发明方法选择的节点控制器安装位置\n具体实施方式\n[0015] 以下结合附图所示优选实施例作进一步详述。以北京市某大型商场地下两层停车场为例对本发明做详细说明，该停车场具有车位274个，其中B2层具有对外车位164个，该停车场安装了具有超声波车辆检测器的停车诱导系统，本发明采用该停车场真实车位数据。\n[0016] 第一步，停车诱导系统布线优化策略选择\n[0017] 室内停车诱导系统布线可以优化的环节很多，本发明方法综合评价整个停车诱导系统体系结构优化效果，考虑到车辆检测器数量较多，布设线缆长度总量大，故只对室内有线式车辆检测器与节点控制器之间的线缆路径进行优化。\n[0018] 如图2所示，本发明所涉及的室内有线式停车诱导系统总体上可以从五个方面进行布线优化：(1)车辆检测器与节点控制器之间线路优化；(2)节点控制器与层控制器之间线路优化；(3)该层室内诱导屏与层控制器之间线路优化；(4)层控制器与中央控制器的线路优化；(5)车辆检测器的安装部位，也就是桥架线路的优化。其中(2)(3)(4)布线数量较少，(5)虽然桥架价格较贵，但由于要安装超声波车辆检测器，所以桥架必须在车位上方，可以优化的只有不同区域桥架的拐弯处和连接点，故(2)、(3)、(4)、(5)的优化对节约工程造价效果均不明显。而(1)由于车位数量众多，车辆检测器信号线用量大，建设成本高，优化效果明显，故本发明着重研究车辆检测器与节点控制器之间的线路优化方案。\n[0019] 第二步，建立曼哈顿距离矩阵\n[0020] 不同对象之间的距离度量有多种：欧氏距离(Euclidean distance又称平方距离)，街区距离(city-block distance，又称曼哈顿距离)，幂距离(power distance)，差异百分率(percent disagreement)等。鉴于停车场车位规划以及桥架走向要求美观，实用，超声波车位检测器一般置于车位上方桥架，故曼哈顿距离就是实际布线路径的度量，同时，由于没有像采用欧式距离取平方，所以零散车位的离群点对整体聚类效果的不利影响被大大削弱。故本发明采用曼哈顿距离作为车辆检测器与节点控制器之间布线距离计算度量。\n计算任意两个车辆检测器n(i)和节点控制器n(j)之间的曼哈顿距离d[n(i)，n(j)]表示如下：\n[0021] d[n(i)，n(j)]＝|n(i)x-n(j)x|+|n(i)y-n(j)y| (1)\n[0022] 其中n(i)x为第i个车辆检测器的横坐标，n(i)y第i个车辆检测器的纵坐标，n(j)x为第j个节点控制器的横坐标，n(j)y第j个节点控制器的纵坐标。\n[0023] 第三步，建立布线优化模型\n[0024] 设停车场该层停车位总数为N，节点控制器可连接车辆检测器的最大值为C，该层节点控制器个数为K(N除以C，若整除则K为商，否则K为商的整数部分加1)，系统布线优化问题转变为如何在N个停车位所组成的区域中寻找K个节点控制器安装位置点，使得N个车检器通过数据线分别连接至K个节点控制器，而总的连线距离最短。将节点控制器安装位置称作采集节点，建立布线优化模型，明确目标函数。\n[0025] 根据该实施例停车诱导系统设计要求，B2层对外停车位总数N为164，节点控制器可连接车辆检测器的最大值C为60，则需要安装的节点控制器个数K为3，则布线优化模型为：\n[0026] \n[0027] 上述目标函数的约束条件为：\n[0028] \n[0029] 其中，ni为第i个区域中的采集点数，Pj为以Zi为采集节点的区域内的第j个点，d(pj，zi)为采集节点Zi与该区内Pj点的距离，S(t)为3个采集区域总的连线距离，不同t代表选择不同的采集节点位置。\n[0030] 第四步，采用基于密度估计的方法选择初始采集节点位置\n[0031] 传统的K-means算法对初始聚类中心敏感，聚类结果的有效性直接依赖于初始聚类中心的选择。停车场个别车位有时分布较为零散，车位分布集中的区域选取不同初始节点控制器安装位置会对K-means聚类结果造成影响，采用基于密度估计的方法对初始采集节点进行前期的优化选择，从而有效改善了K-means算法由于初始聚类中心点选择不当导致局部收敛的缺陷，使得布线优化结果更加准确。\n[0032] 具体方法为：\n[0033] (1)针对每个数据对象定义一个密度半径，计算该对象与其他数据对象的距离，得出距离大小在该密度半径内的数据对象数目作为该点的密度阈值。定义一个密度参数，把处于低密度区域的点删除，得到高密度区域的数据对象的集合D；\n[0034] (2)把处于最高密度区域的数据对象作为第一个初始聚类中心Z1；\n[0035] (3)把距离Z1最远的数据对象作为第2个初始聚类中心Z2，Z2∈D；\n[0036] (4)令Z3为满足max(min(d(Xi，Z1)，d(Xi，Z2))的数据对象Xi，其中i＝1，\n2，......N，Z3∈D；\n[0037] (5)重复(4)，ZK为满足max(min(d(Xi，Z1))，min(d(Xi，Z2))，…min(d(Xi，Xk-1)))的数据对象Xi，Xi∈D，直至得到K个初始聚类中心。\n[0038] 其中，与数据对象Xi的距离位于一定半径范围内时所具有的数据对象的数量称之为对象Xi的密度阈值。定义最大密度阈值乘以密度参数的值，即满足一定密度阈值大小的数据对象集合为高密度区域D。其中，密度参数为小于1的常数，该值大小需要由实验设定选取。本具体实施方式里选择密度半径为100，密度参数为0.8。\n[0039] 第五步，根据簇内数据限制要求进行布线优化\n[0040] 如图3所示的布线优化方法流程，将第四步通过密度估计方法得到的节点控制器位置作为初始值，对每个数据对象进行聚类，再根据簇内数据限制要求进行优化。本实施例聚类数为3，计算该簇内数据对象与该簇聚类中心曼哈顿距离并进行排序，按距离大小将超出点剔除，计算该剔除点与其他聚类中心点曼哈顿距离，将其归类到距离最近的簇内，但是若要聚类的簇内已超过限制要求，则计算该簇簇内数据对象和该剔除点与该簇聚类中心曼哈顿距离并进行排序，按距离大小将最远点剔除。将该剔除点分类到下一个簇。如此类推，通过多次迭代计算，使得簇内对象确定，不超过限制要求。对于要求簇数多于3个的聚类情形同样可以参照本方法执行。迭代获得最终采集节点位置与整体线缆用量。\n[0041] 第六步：计算目标函数值\n[0042] 本发明的最终目标就是使得各个车检器到其所在区节点控制器的距离之和最小，故直接采用目标函数值S最小为终止条件。聚类完成后，根据(2)式计算目标函数S(t)值。\n[0043] 第七步：利用K-means算法计算K个新的聚类中心以及目标函数S(t+1)：\n[0044] \n[0045] 其中j＝1，2，3，…，K，nj为第j类的数据对象个数。\n[0046] 第八步：判断本优化方法是否终止\n[0047] 若S(t+1)＞S(t)，则该优化结束，否则t＝t+1，返回继续执行第三步。当然，也可以通过设定迭代次数作为优化结束条件。\n[0048] 经计算，本优化方法所得目标函数值为3177.5m，而该区域布线实际耗费线缆为\n5300米，具体节点控制器位置如图4所示，考虑到现场布线施工、车辆检测器安装、节点控制器安装，以及便于桥架布线等因素导致的线缆裕量影响之外，可以看到本发明的优越性。