侵权投诉
订阅
纠错
加入自媒体

用机器学习来预测停车问题

2017-02-20 09:07
Hsiao Chen
关注

停车难度模型在旧金山在一周的不同天,红色表示更高的难度。

根据统计,一个普通司机浪费总共2,549小时寻找停车场。这是106天的浪费时间。现在,这些是在英国的统计数据放在美国,我敢打赌这些时间恐怕是有增无减。

上周,Google在美国25个主要城市推出了Android版Google地图的新停车功能。如果你在这些都市区,你会看到一个红色的停车标志,指示有限的停车位可用性,以帮助您计划您的旅行。

这个更新的有趣的部分是,它不依赖互联网连接的停车收费表; 由于非法停车或那些早提前离开停车场的原因,往往提供的信息不够完整和准确。相反,Google地图结合了众包数据和相对简单的机器学习算法来分类停车难度。

谷歌还指出,在发射前的实验中,他们看到“转机旅行模式按钮的点击次数大幅增加,表明有停车难度的额外知识的用户更有可能考虑公共交通,而不是驾驶 ”。只是通过指示停车困难,城市可以鼓励人们乘坐公共交通而不是开车,也许可以减轻交通问题。

机器学习解决方案

为了训练其算法,Google开始分类通过测量用户停放汽车所花费的时间来“停滞”或“容易”找到停车位。在将此信息与位置数据相关联后,Google必须过滤出误报:用户停在私人地段,或用户通过出租车到达,愚弄系统,认为停车位很容易获得。

为了解决这个问题,Google决定,如果使用者在如上图所示的位置附近盘旋,通常建议停车可能会很困难。为了识别这种行为,他们在他们应该到达的位置与他们实际到达的位置之间取得了区别,大的差别表明更难以找到停车位。Google还添加了其他功能,如基于时间,日期和历史停车数据的可变性来调整模型。

Google使用一个简单的逻辑回归模型来训练其算法。他们认为逻辑回归适合这个例子,因为:

· 该算法是众所周知的并且具有弹性。

· 模型的解释是直截了当的(停车难度的概率可以映射到“容易”或“有限停放”)。

· 验证每个特征的影响相对简单。令人惊讶的是,停车位置的分散性被证明是停车难度的最重要的预测因子,比预期与实际到达时间的差异更大。

Google的新停车难度预测器为我们提供了两个关于智慧城市的课程:

首先,并非所有智能城市应用都需要传感器。有时数据已经可用,我们不必诉诸添加新的传感器来收集该信息。

第二,即使神经网络是流行和准确的,有时更简单的算法也能满足需要。

声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号