AI通过使用天气交通速度和仪表数据来预测停车可用性

我们都去过那里：你开车到一个地方只是为了发现，令你沮丧的是，每个停车位都被占用了。谷歌地图等可以根据历史数据预测繁忙程度的应用程序可以在一定程度上提供帮助，但如果您需要更具适应性的解决方案呢?参加卡内基梅隆大学的科学家们的研究，他们在一份新发表的关于预印本服务器Arxiv.org的论文中描述了一个用于实时预测停车占用情况的人工智能系统。

研究人员的共同作者认为停车传感器不会收集数据，而这些停车传感器容易受到故障和错误的影响，他们利用停车计时器交易来首先估算停车可用性，然后再使用额外的数据进行预测。据估计，95%%的路内付费停车由电表管理，使其模型比依赖传感器的系统更具普遍性。

在这项研究中，我们采用数据驱动方法，在实时和历史数据方面纳入多个与交通相关的资源，包括停车占用率，交通状况，道路特征，天气和网络拓扑结构，”研究人员写道。“它最终通过深度神经网络方法预测(或预测)短期停车占用率。”

该团队使用图形卷积神经网络 - 一种对节点，边缘，属性和其他图形结构进行操作的算法 - 来模拟停车位置，交通流量，停车需求，道路链接和停车位之间的统计关系。与具有长期短期记忆的复发神经网络(LSTM) - 一种能够学习长期依赖性的AI算法 - 以及多层解码器一起，系统从交通相关数据源中提取停车信息(如停车收费表交易，交通速度和天气状况)和产量占用预测。

研究人员根据匹兹堡市区的数据对其进行了培训，他们注意到这些数据共有39个路边停车收费表。历史停车统计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WeatherUnderground的API分别提供了交通速度数据和每小时天气报告。

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。他们将天气和交通速度数据归功于人工智能系统的卓越性能 - 特别是天气数据，这提高了休闲区域的预测准确性。

“一般来说，停车容量较大的街区会收到较低的预测误差，”该论文的共同作者写道。“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，这并不奇怪...... [P]商业区的需求通常具有强烈的日常模式，并且更能适应不寻常情况下的影响，例如：危险天气和特殊事件，使预测更有效率。“

他们为未来的工作留下了一个模型，其中包含额外的交通相关数据，包括交通数量，道路封闭，事故和事件。