AI通過使用天氣交通速度和儀表數據來預測停車可用性

我們都去過那里：你開車到一個地方只是為了發現，令你沮喪的是，每個停車位都被占用了。谷歌地圖等可以根據歷史數據預測繁忙程度的應用程序可以在一定程度上提供幫助，但如果您需要更具適應性的解決方案呢?參加卡內基梅隆大學的科學家們的研究，他們在一份新發表的關于預印本服務器Arxiv.org的論文中描述了一個用于實時預測停車占用情況的人工智能系統。

研究人員的共同作者認為停車傳感器不會收集數據，而這些停車傳感器容易受到故障和錯誤的影響，他們利用停車計時器交易來首先估算停車可用性，然后再使用額外的數據進行預測。據估計，95%%的路內付費停車由電表管理，使其模型比依賴傳感器的系統更具普遍性。

在這項研究中，我們采用數據驅動方法，在實時和歷史數據方面納入多個與交通相關的資源，包括停車占用率，交通狀況，道路特征，天氣和網絡拓撲結構，”研究人員寫道。“它最終通過深度神經網絡方法預測(或預測)短期停車占用率。”

該團隊使用圖形卷積神經網絡 - 一種對節點，邊緣，屬性和其他圖形結構進行操作的算法 - 來模擬停車位置，交通流量，停車需求，道路鏈接和停車位之間的統計關系。與具有長期短期記憶的復發神經網絡(LSTM) - 一種能夠學習長期依賴性的AI算法 - 以及多層解碼器一起，系統從交通相關數據源中提取停車信息(如停車收費表交易，交通速度和天氣狀況)和產量占用預測。

研究人員根據匹茲堡市區的數據對其進行了培訓，他們注意到這些數據共有39個路邊停車收費表。歷史停車統計數據來自匹茲堡停車管理局，而聯網汽車公司Inrix的交通信息頻道和WeatherUnderground的API分別提供了交通速度數據和每小時天氣報告。

研究人員表示，在測試中，該模型在提前30分鐘預測停車位時，表現優于其他人的基線方法。他們將天氣和交通速度數據歸功于人工智能系統的卓越性能 - 特別是天氣數據，這提高了休閑區域的預測準確性。

“一般來說，停車容量較大的街區會收到較低的預測誤差，”該論文的共同作者寫道。“由于較高的停車容量通常會導致入住率差異較小，因此該模型在商業區的表現較好，這并不奇怪...... [P]商業區的需求通常具有強烈的日常模式，并且更能適應不尋常情況下的影響，例如：危險天氣和特殊事件，使預測更有效率。“

他們為未來的工作留下了一個模型，其中包含額外的交通相關數據，包括交通數量，道路封閉，事故和事件。