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。
Google Maps等应用程序可以根据历史数据预测忙碌程度，这在一定程度上是有帮助的，但如果您需要一种适应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，他们在预印本服务器Arxiv.org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交易，在使用额外数据进行预测之前，先估计停车的可用性。
据估计，95%的收费停车场都是通过计价器来管理的，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:“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，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，并输出占用率预测。
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，匹兹堡市区的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WeatherUnderground的API分别提供了交通速度数据和每小时的天气报告。
研究人员说，在测试中，该模型在提前30分钟预测占用率方面优于其他基准方法。
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，它提高了休闲娱乐场所预测的准确性。
“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。
“较高的停车容量通常会导致较低的占用率差异，该模型在商业区表现得更好也就不足为奇了。商业区的停车需求通常有很强的日常模式，对异常情况(如恶劣天气和特殊事件)的影响更有弹性，这使得预测更加有效。”
他们未来还将设计一个模型，该模型集成了其他额外的与交通相关的数据，包括路段流量、道路关闭、交通事件和事故。
