AI预测可用停车场,为出行节省时间
2019年01月24日 由 童童 发表
565977
0
我们都有过这样的经历:你驱车数英里来到一个地点,却发现令你沮丧的是,所有的停车位都被占满了。谷歌Maps等应用程序可以根据历史数据来预测忙碌程度,这在一定程度上是有帮助的,但如果你需要一种实时性更强的解决方案呢?卡内基梅隆大学(Carnegie Mellon University)的科学家们进行了一项研究,他们在Arxiv.org的服务器上最新发表的一篇论文中描述了一种实时预测停车场占用情况的人工智能系统。
他们没有从停车传感器收集数据(该研究的合著者认为这些传感器容易出现故障和错误),而是利用停车计时器的记录,在使用额外数据进行预测之前,先估量停车场的可用性。研究人员写道:“在这项研究中,我们采用了数据驱动的方法,整合了多个与交通相关的来源,包括实时和历史数据,包括停车情况、交通状况、道路特征、天气和网络拓扑结构。”“它最终通过深度神经网络方法预测短期的停车位占用情况。”
研究小组使用了一种基于节点、边缘、属性和其他图形结构的图卷积神经网络来建造模拟停车场位置、交通流量、停车需求、道路衔接和停车位之间的统计关系。该系统结合具有长期依赖学习能力的人工智能算法LSTM (long-short -term memory, LSTM)的递归神经网络和一个多层解码器,向交通相关的数据源(如停车计时器事务、交通速度和天气条件)提取停车信息,并输出占用预测。
[caption id="attachment_35714" align="aligncenter" width="487"]
上图:通过结合天气条件证明模型改进的热图。[/caption]
研究人员根据匹兹堡市区的数据对其进行了训练。他们指出,匹兹堡市区39个街区共有97个沿街停车计时器。历史停车数据来自匹兹堡停车管理局,而联网汽车公司Inrix的交通信息频道和地下气象台的空气污染指数分别提供行车速度数据和每小时的天气报告。
研究人员表示在测试中,该模型在提前30分钟预测停车位时,表现优于其他人的基线方法。他们将人工智能系统的卓越性能归功于天气和交通速度数据,尤其是天气数据,它提高了休闲区预测的准确性。同时也认为停车容量较大的街区,预测的误差也较低。
而目前在相对准确的条件下还有很多不稳定因素容易导致预测的误差存在。因此在这里,他们还给未来的工作留下了一个悬念。在日后的工作中包含了额外相关交通的数据,例如,交通数量,道路封闭,事故和事件等。