t= 1，表示若用戶明確目的地，則根據(jù)模 糊化輸入量化equen巧確定停車位的位置；
[0094] S5.2:若用戶沒有明確表達影城為目的地，并且不是第一次進入停車場，根據(jù)模糊 輸入量Reliability Index、Frequen巧和后臺數(shù)據(jù)來制定，若用戶的行為為經(jīng)常性的習慣 及化equen巧屬于偶爾、經(jīng)常等如圖4，則規(guī)則可表達為：
[0095] if Frequency=Often and Tpye=land Reliability lndex)0.65then Target =1 (1)
[0096] if Frequency = Always and Tpye = land Reliability lndex)0.5then Target =1 (2)
[0097] if Frequency = 31and Tpye = lthen Target = 1 (3)
[0098] 其中，規(guī)則（1)表示當可靠性達到0.65并且后臺歷史數(shù)據(jù)表示為偶爾來看電影， 則目標泊車點在影城直梯附近;規(guī)則(2)表示當可靠性達到0.5并且后臺歷史數(shù)據(jù)表示為常 常來看電影，則目標泊車點在影城直梯附近。Frequency的頻率越高，規(guī)則對于可靠性參數(shù) 的依賴也就越低。
[0099] S5.3:若用戶既沒有明確表達目的地，也是第一次駛?cè)胪＼噲觯瑒t系統(tǒng)自動按照商 場直梯的目的地處理，模糊輸入量Type、Reliability Index、Frequen巧分別默認為-1、0、 0;具體規(guī)則為：
[0100] if Type = land not Reliability Index and not Frequency then Target = - lo
[0101] S6:計算模糊規(guī)則的支持度。
[0102] Mamdani算法控制就是將自然語言通過if-then的規(guī)則轉(zhuǎn)換成可量化的數(shù)學表達 式，其中模糊規(guī)則也如同關(guān)聯(lián)規(guī)則一般。關(guān)聯(lián)規(guī)則是形如Χ^γ的蘊涵式，其中X和Y分別稱為 關(guān)聯(lián)規(guī)則的先導（antecedent或left-hand-side ,LHS)和后繼（consequent或ri曲t-hand-s i de，RHS)。關(guān)聯(lián)規(guī)則X和Υ，存在支持度，因此，支持度是檢驗規(guī)則有效性的一種途徑，使得 系統(tǒng)對于任意給定的輸入均有相應的控制規(guī)則作用。
[0103] 具體地說，模糊規(guī)則就是聯(lián)系模糊輸入和輸出的一種羈絳，通過if-then的邏輯表 達式展現(xiàn)的。本發(fā)明中有Ξ種模糊輸入，分別是兩種自然語言和一種后臺數(shù)據(jù)提取信息，其 相應的規(guī)則的表示如下例子所示：If"看電影的車子&&經(jīng)常來看電影&&系統(tǒng)后臺信息確認 經(jīng)常來"then "目標停車位靠近電影院直梯"。
[0104] 本發(fā)明定義模糊規(guī)則支持度表述如下：
[0105]
[0106] 完成初步模糊規(guī)則庫后，通過計算模糊規(guī)則的支持度，篩選支持度最高的規(guī)則，除 去支持度小于0.5的冗余規(guī)則，得到完備模糊規(guī)則庫，具體地說，就是在眾多的模糊規(guī)則中 需要設計每個模糊化的輸入，并且在相仿規(guī)則中選取支持度最大的規(guī)則。停車場管理者也 可W根據(jù)需求，修改或者添加模糊規(guī)則W滿足管理要求。
[0107] S7:反模糊化過程，采用反模糊化方法從模糊型數(shù)據(jù)庫中獲得精確結(jié)果；
[0108] S8:誘導停車，通過步驟S7得出的汽車目標停車位，通過顯示手段向駕駛員傳遞最 終結(jié)果；
[0109] S9:汽車駛出停車場后，將步驟S7中的系統(tǒng)推理結(jié)果、系統(tǒng)后天數(shù)據(jù)倉庫中的汽車 目標地類型和汽車真實停車類型進行比較后，進行數(shù)據(jù)更新和用戶習慣升級，其計算方法 如下：
[0110]
[0111] 公式中，
[0112] Typeupdate-最后更新的Type 數(shù)據(jù)；
[0113] Times-系統(tǒng)后臺數(shù)據(jù)倉庫中既有數(shù)據(jù)；
[0114] Typecalculate--步驟 S7得到的結(jié)果；
[011引Typeexistence一系統(tǒng)后臺數(shù)據(jù)倉庫中原有的Type數(shù)值；
[0116] Typethis-根據(jù)汽車真實停留時間得到的汽車Type數(shù)值。
[0117] 其中，步驟S3中可靠度指數(shù)Reliability Index計算方法如下：
[0118] S31:如果有用戶語音輸入，則識別語音信息中的關(guān)鍵詞Keyword、漢字個數(shù) Length、聲音分貝Loud和語音時長化riod;
[0119] 計算語速
和語速指數(shù)SpLOl-
[0120]
[0121] 其中，[0.3,0.33]為語速正常范圍區(qū)間A,a和b為關(guān)鍵詞Keyword所對應的語速指 數(shù)區(qū)間[a，b]的上下限；關(guān)鍵詞第一次First time，偶爾Few times，有時Sometimes，經(jīng)常 Often,-直Always,對應的五個語速指數(shù)區(qū)間分別為[0,0.3] ;[0,0.6]; [0.2,0.8]; [0.4， 1 ]; [0.7，1 ];若識別不出有效關(guān)鍵詞，則歸類為第一次First time;
[0122] 計算Reliability Index = Lou如Speed'；實際聲音分貝大于40時，取Loud= 1，實 際分貝在20-40之間時，取Loud = 0.5，實際分貝小于20時，取Loud = 0.1。
[0123] S32:如果沒有語音輸入，可靠度指數(shù)通過歷史數(shù)據(jù)分析得到，具體如下：
[0124]
[0125] 步驟S4中模糊化隸屬度函數(shù)μ采用Ξ角或者鐘形隸屬度函數(shù)，本實施例中，μ的函 數(shù)初始表達式為：
，其中，
[0126] Ε為常數(shù)1，控制隸屬函數(shù)的幅值；
[0127] t為隸書函數(shù)的取值范圍；
[0128] b為鐘形曲線的平移量。
[0129] 步驟S7中反模糊化方法采用重屯、法，如圖8所示，利用重屯、法取隸屬度函數(shù)曲線與 橫坐標圍成面積的重屯、推理最終目標停車位，其計算公式如下：
[0132] 公式中，
[013引 Cx-重屯、的X坐標；
[0134] Cy-重屯、的y坐標；
[0135] Dix-第i個模糊規(guī)則的X坐標；
[0136] Diy-第i個模糊規(guī)則的y坐標；
[0137] Vi-模糊化輸入的Ξ角或者鐘形隸屬函數(shù)。
[013引實施例一：
[0139]用戶為該C抓綜合體的上班族，上個月上班全勤，天數(shù)為26天。該用戶駕車駛?cè)胪＼噲銮?別車牌時表示"我姪常在運里工作"，聲音分貝為58，用時1.953秒，其中關(guān)鍵詞Keyword對應的程 度化詞語為Of ten，Speed= 1.953/6 = 0.3255，屬于正常語速，聲音分貝為58，大于40，取Loud =1。因此，得到自然語言輸入的可靠度指數(shù)
經(jīng)計算
[0140] 通過化zzy Editor的18條模糊規(guī)則運算（如圖8)，基于重屯、法系統(tǒng)自動得出汽車 目標停車位為1.9。通過基于Mamdani的誘導停車決策表明，其最適宜?？康奈恢脼榭拷鼘?字樓電梯附近的1.9位置。Type、Frequen巧、Reliability和Ta;rget之間的映射曲面如圖9所 /J、- 〇
[0141] 在汽車駛出停車場之后，將系統(tǒng)初始預測結(jié)果、系統(tǒng)后臺歷史數(shù)據(jù)倉庫的汽車目 標地類型信息Type和真實汽車駛出信息進行比較后，進行數(shù)據(jù)更新和用戶習慣升級，最終 更新后的Typeupdate如下，
下次該汽車再次駛?cè)胪＼噲鰰r， 系統(tǒng)默認汽車目標停車位為1.81。
[0142] 實施例二：
[0143] 用戶上個月停車次數(shù)為12次，今天再次駛?cè)朐揅抓綜合體。在進入停車場的時候并 沒有任何自然語