相信很多人都有过开车出门没有停车位的经历，虽然谷歌地图可以根据历史数据预测繁忙程度，在一定程度上帮助规划路线寻找车位，但人们还是需要更具适应性的解决方案。
雷锋网消息，卡内基梅隆大学的科学家们进行了一项研究，并在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。
据了解，他们没有选择从停车传感器收集数据（研究者认为这些传感器容易出现故障和错误），而是利用了停车计时器预判出现空车位的可能性。95%的收费停车场都是通过智能计时器来管理的，这使得他们的模型比依赖传感器的系统更具有通用性。
研究人员写道，这项研究采用了数据驱动的方法，整合了多个与交通相关的实时和历史数据源，包括停车情况、交通状况、道路特征、天气和网络拓扑结构，最终通过深度神经网络方法预测短期内的停车位占用情况。
他们使用了一种针对节点、边缘、属性和其他图形结构进行操作的卷积神经网络算法来建模停车场位置、交通流量、停车需求、道路链路和停车场之间的统计关系。该系统结合具有长期依赖学习能力的递归神经网络算法LSTM（long short term memory）和一个多层解码器，从与交通相关的数据源（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。
研究人员根据匹兹堡市区的数据对其进行了训练，该市区共有39个街区、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，而交通速度数据和实时天气情况联网则分别由汽车公司Inrix的交通信息频道和WeatherUnderground的API提供。
在测试中，该模型在提前30分钟预测停车位时的表现优于其他基线方法，他们将这一优势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。
“一般来说，在停车容量较大的街区，预测误差较低。”论文的合著者写道，“由于较高的停车容量通常会导致入住率差异较小，因此该模型在商业区的表现较好。且商业区的停车需求通常比较固定，更能抵御天气和特殊事件等异常情况的影响，这使得预测更加有效。”
据悉，该研究小组在未来还将进一步完善这一预测模型，集成额外的与交通相关的数据，包括交通计数、道路关闭、事件和事件等。
via：venturebeat
正在生成分享图...