Google hat eine Lösung für das seit Jahren beklagte Parkplatzproblem gefunden

Kürzlich hat Google in einem Update für Android-Geräte eine neue Funktion zu Google Maps hinzugefügt: die Vorhersage der Parkbedingungen am Zielort.

Benutzer müssen lediglich in Google Maps nach Wegbeschreibungen suchen, um ein neues Symbol anzuzeigen. Wenn Google an Ihrem Zielort ein mögliches Parkplatzrisiko vorhersagt, wird auf der Karte ein farbiger Punkt mit dem Buchstaben P angezeigt. Die Parkschwierigkeit wird in drei Stufen unterteilt: „begrenzte Parkplätze“, „mittel“ und „leicht“.

Wenn Google vorhersagt, dass es an Ihrem Ziel möglicherweise Parkprobleme geben könnte, wird auf der Karte ein farbiger Punkt mit dem Buchstaben P angezeigt.

In einem offiziellen Blogbeitrag von Google heißt es, dass die Funktion jetzt in 25 der größten Ballungsräume der USA verfügbar ist. Google möchte die Funktion jedoch künftig auf weitere Städte und Länder ausweiten und sie auch auf die Google Maps-App auf den iPhone-Geräten von Apple ausweiten und so die Plattformbeschränkungen überwinden.

Waze, eine weitere Karten-App auf der Google-Plattform, bietet ebenfalls ähnliche Dienste für viele Großstädte in den Vereinigten Staaten, aber der von Google Maps verfolgte Ansatz ist etwas anders. Waze verwendet von INRIX integrierte Parkdateninformationen, um Parkplätze abzuschätzen. Google behauptet jedoch, dass seine Parkplatzvorhersagen auf anonymen Daten basieren, die von Benutzern erhalten werden, die ihren Standortverlauf aktiv teilen.

Am 3. Februar veröffentlichten die Google-Softwareentwickler James Cook und Yechen Li sowie der Forscher Ravi Kumar gemeinsam einen Forschungsbericht, in dem die Prinzipien dieser Anwendung detailliert beschrieben werden.

Um diese Parkvorhersagefunktion bereitzustellen, müssen Ingenieure viele Probleme lösen – die Parkbedingungen sind komplex und ändern sich, und es gibt fast keine Echtzeitinformationen zu Parkplätzen. selbst in manchen Gegenden mit internetfähigen Parkuhren sind in diesen Daten keine Informationen enthalten, beispielsweise zu Falschparken, erlaubtem Parken und vorzeitiger Abfahrt. Straßen können nur zweidimensionale Bilder liefern, die Struktur der Parkplätze selbst ist jedoch komplexer; Angebot und Nachfrage nach Parkplätzen ändern sich ständig, und selbst das beste System kann möglicherweise nicht rechtzeitig aktualisiert werden.

Um diese Probleme zu lösen, hat das Google-Team Crowdsourcing und maschinelles Lernen kombiniert, um ein System zu entwickeln, das Informationen zu Parkproblemen liefert und den Benutzern sogar bei der Entscheidung hilft, welches Verkehrsmittel sie wählen. In Experimenten vor der Veröffentlichung stellten sie fest, dass die Klicks auf die Schaltfläche für den Reisemodus deutlich zunahmen. Dies lässt darauf schließen, dass Benutzer, nachdem sie über Parkschwierigkeiten informiert wurden, eher öffentliche Verkehrsmittel als das Auto in Betracht zogen. [Anmerkung der Redaktion: Crowdsourcing bezeichnet die Praxis eines Unternehmens oder einer Organisation, Arbeitsaufgaben, die zuvor von Mitarbeitern ausgeführt wurden, auf freiwilliger Basis an ein unspezifisches (und meist großes) Massennetzwerk auszulagern. 】

Um einen Algorithmus zur Lösung des Parkproblems zu entwickeln, sind drei Dinge erforderlich: durch Crowdsourcing gewonnene Ground-Truth-Daten, ein geeignetes Modell für maschinelles Lernen und ein leistungsstarker Funktionssatz zum Trainieren des Modells.

Ground-Truth-Daten

Das Sammeln qualitativ hochwertiger Ground-Truth-Daten war schon immer eine zentrale Herausforderung bei Lösungen für maschinelles Lernen. Der Ansatz des Google-Teams bestand darin, die Fahrer zu fragen, ob sie schon einmal Parkprobleme hatten. Sie stellten jedoch bald fest, dass sie auf eine so subjektive Frage meist widersprüchliche Antworten erhielten: Für den gleichen Ort und den gleichen Zeitraum antworteten einige Leute, dass es „einfach“ sei, einen Parkplatz zu finden, während andere antworteten, dass es „schwierig“ sei. Durch die Umstellung auf eine objektive Frage wie „Wie lange dauert es, einen Parkplatz zu finden?“ wird die Glaubwürdigkeit der Antwort erheblich verbessert, sodass durch Crowdsourcing ein hochwertiger, realer Datensatz mit mehr als 100.000 Antworten erstellt werden kann.

Modellmerkmale

Wenn die Daten verfügbar sind, besteht der nächste Schritt darin, Features zum Trainieren des Modells auszuwählen. Das Projekt nutzt anonyme, aggregierte Informationen von Benutzern, die ihren Standort gerne teilen, als zentrale Informationsquelle, um die Verkehrsbedingungen in Echtzeit, Zeiten mit hohem Verkehrsaufkommen und die Dauer des Besuchs zu beurteilen.

Die Google-Forscher erklärten in dem Bericht, dass sie bald feststellten, dass sie selbst mit den erforderlichen Daten noch immer auf einige einzigartige Herausforderungen stießen. Wenn jemand beispielsweise vor seiner Tür oder auf einem privaten Parkplatz parkt, sollte das System nicht fälschlicherweise davon ausgehen, dass der Parkplatz verfügbar ist. Ein mit dem Taxi ankommender Benutzer kann die Illusion erzeugen, dass vor der Tür viele Autos parken. Ebenso kann das System annehmen, dass ein Benutzer öffentlicher Verkehrsmittel an einer Bushaltestelle parkt. Diese Missverständnisse führen das maschinelle Lernsystem in die Irre.

Daher erfordert das Design des Systems leistungsfähigere Aggregationsfunktionen. Eines der Features wurde von der Gegend um Mountain View inspiriert, wo Google seinen Sitz hat. Wenn Google Navigation feststellt, dass viele Nutzer zur Mittagszeit im Kreis durch die Innenstadt fahren, ist das ein Zeichen dafür, dass es schwierig ist, einen Parkplatz zu finden.

Wenn Google Navigation feststellt, dass viele Nutzer zur Mittagszeit im Kreis durch die Innenstadt fahren, ist das ein Zeichen dafür, dass es schwierig ist, einen Parkplatz zu finden.

Google-Forscher denken darüber nach, diese „Hinweise“ auf Parkschwierigkeiten als Trainingsmerkmal zu nutzen. Die Forscher verglichen die Zeit, die Benutzer benötigen, um ihr Ziel direkt zu erreichen, mit der Zeit, die sie benötigen, um ihr Ziel tatsächlich zu erreichen, indem sie im Kreis fahren, parken oder zu Fuß gehen, und fassten die Unterschiede zwischen beiden zusammen. Wenn zwischen den beiden ein erheblicher Unterschied in der von den meisten Benutzern benötigten Zeit besteht, wird davon ausgegangen, dass ein Parkproblem vorliegt.

Anschließend entwickelte das Google-Team weitere Funktionen: konkrete Ziele, Parkmöglichkeiten für Spaziergänge, Uhrzeit und Datum des Parkens (was passiert beispielsweise, wenn ein Nutzer morgens ganz in der Nähe seines Ziels parkt und während der Hauptverkehrszeit weit weg?), historische Parkdaten und so weiter. Am Ende waren es etwa 20 verschiedene Funktionen. Danach ist es an der Zeit, die Leistung des Modells zu optimieren.

Modellauswahl und Training

Für die oben genannten Funktionen verwendeten die Forscher ein standardmäßiges Regressionsmodell für maschinelles Lernen. Für diese Wahl gibt es mehrere Gründe: Erstens sind die Prinzipien der logistischen Regression bekannt und darüber hinaus resistent gegenüber Rauschen in den Trainingsdaten. zweitens können die Ergebnisse dieser Modelle als Wahrscheinlichkeit interpretiert werden, dass das Parken schwierig ist, was sich dann in beschreibende Begriffe wie „begrenzte Parkmöglichkeiten“ oder „einfaches Parken“ umsetzen lässt; Und drittens ist es leicht, die Auswirkungen jedes einzelnen Merkmals zu verstehen, was die Überprüfung der Sinnhaftigkeit des Modells erleichtert. Als die Forscher beispielsweise mit dem Training begannen, dachten viele, dass die oben beschriebene „Hinweise“-Funktion der beste Ansatz zur Lösung der schwierigen Probleme sei, auf die sie stießen. Aber das ist nicht der Fall. Tatsächlich ist die räumliche Verteilung der Parkplätze einer der stärksten Indikatoren für die Parkplatzproblematik.

abschließend

Mithilfe des Modells von Google konnten die Forscher eine Schätzung der Parkplatzknappheit an jedem Ort und zu jeder Zeit erstellen. Nachfolgend finden Sie einige Beispiele für die Ausgabe des Systems, die zur Schätzung der Parkschwierigkeiten für ein bestimmtes Ziel verwendet wird. Beispielsweise ist es am Montagmorgen in der ganzen Stadt schwierig, einen Parkplatz zu finden, insbesondere in den belebtesten Finanz- und Einkaufsvierteln. Samstagnachts ist wieder viel los, allerdings hauptsächlich in Bereichen wie Restaurants und Sehenswürdigkeiten.

Ausgabe des Parkschwierigkeitsmodells für die Bereiche Financial District und Union Square in San Francisco. Rot zeigt Parkschwierigkeiten mit einem höheren Vertrauensniveau an. Obere Reihe: Ein typischer Montagmorgen um 8 (links) und 9 (rechts). Untere Reihe: Dieselbe Zeit an einem typischen Samstag.

Als Gewinner des Qingyun-Plans von Toutiao und des Bai+-Plans von Baijiahao, des Baidu-Digitalautors des Jahres 2019, des beliebtesten Autors von Baijiahao im Technologiebereich, des Sogou-Autors für Technologie und Kultur 2019 und des einflussreichsten Schöpfers des Baijiahao-Vierteljahrs 2021 hat er viele Auszeichnungen gewonnen, darunter den Sohu Best Industry Media Person 2013, den dritten Platz beim China New Media Entrepreneurship Competition Beijing 2015, den Guangmang Experience Award 2015, den dritten Platz im Finale des China New Media Entrepreneurship Competition 2015 und den Baidu Dynamic Annual Powerful Celebrity 2018.