相信很多人都有過開車出門沒有停車位的經曆，雖然谷歌地圖可以根據曆史資料預測繁忙程度，在一定程度上幫助規劃路線尋找車位，但人們還是需要更具适應性的解決方案。
雷鋒網(公衆号：雷鋒網)消息，卡内基梅隆大學的科學家們進行了一項研究，并在最新發表的一篇論文中描述了一種實時預測停車場占用情況的人工智能系統。
據了解，他們沒有選擇從停車傳感器收集資料（研究者認為這些傳感器容易出現故障和錯誤），而是利用了停車計時器預判出現空車位的可能性。95%的收費停車場都是通過智能計時器來管理的，這使得他們的模型比依賴傳感器的系統更具有通用性。
研究人員寫道，這項研究采用了資料驅動的方法，整合了多個與交通相關的實時和曆史資料源，包括停車情況、交通狀況、道路特征、天氣和網絡拓撲結構，最終通過深度神經網絡方法預測短期内的停車位占用情況。
他們使用了一種針對節點、邊緣、屬性和其他圖形結構進行操作的卷積神經網絡算法來模組化停車場位置、交通流量、停車需求、道路鍊路和停車場之間的統計關系。該系統結合具有長期依賴學習能力的遞歸神經網絡算法LSTM（long short term memory）和一個多層解碼器，從與交通相關的資料源（如停車計時器事務、交通速度和天氣條件）提取停車資訊，并輸出占用預測。
研究人員根據匹茲堡市區的資料對其進行了訓練，該市區共有39個街區、97個沿街停車計時器。曆史停車資料來自匹茲堡停車管理局，而交通速度資料和實時天氣情況聯網則分别由汽車公司Inrix的交通資訊頻道和WeatherUnderground的API提供。
在測試中，該模型在提前30分鐘預測停車位時的表現優于其他基線方法，他們将這一優勢歸功于天氣和交通速度資料，尤其是天氣資料，它提高了休閑區預測的準确性。
“一般來說，在停車容量較大的街區，預測誤差較低。”論文的合著者寫道，“由于較高的停車容量通常會導緻入住率差異較小，是以該模型在商業區的表現較好。且商業區的停車需求通常比較固定，更能抵禦天氣和特殊事件等異常情況的影響，這使得預測更加有效。”
據悉，該研究小組在未來還将進一步完善這一預測模型，內建額外的與交通相關的資料，包括交通計數、道路關閉、事件和事件等。
via：venturebeat
雷鋒網版權文章，未經授權禁止轉載。詳情見轉載須知。