U stalno menjajućem pejzažu inovacija pametnih gradova, istraživači su predstavili Residual Spatial-Temporal Graph Convolutional Neural Network (RST-GCNN), koji bi mogao pomoći korisnicima da efikasnije pronađu parking mesto na ulici. Rad je objavljen u International Journal of Sensor Networks.
AI model za predviđanje dostupnosti parking mesta
Ovaj novi model bi mogao pomoći u promeni iskustva vožnje u urbanim sredinama i možda smanjiti gužve i zagađenje poboljšanjem predviđanja dostupnosti parkinga. Dok se gradovi bore sa eskalirajućom gužvom, zagađenjem i večitom potragom za efikasnim urbanim životom, veštačka inteligencija (AI) bi mogla pomoći u olakšavanju jedne od svakodnevnih borbi vozača i možda nam pomoći da se izvučemo iz saobraćajnog kolapsa.
Neuronske mreže, inspirisane strukturom ljudskog mozga, sve se više koriste u rešavanju složenih problema u različitim oblastima kao što su prepoznavanje slika i obrazaca, medicinska dijagnostika, obrada prirodnog jezika i prevod, i prepoznavanje govora. RST-GCNN, o kojem se govori u članku, predstavlja sofisticiranu primenu tehnologije neuronskih mreža prilagođenu da se pozabavi svakodnevnim urbanim izazovom dostupnosti parkinga.
Za razliku od konvencionalnih modela, RST-GCNN integriše rezidualnu strukturu, efikasno kombinujući prostorne i vremenske informacije dobijene iz grafikona i konvolucijskih modula, prema njegovim developerima Guanlin Chen, Sheng Zhang, Wenyong Weng, i Wujian Yang iz Hangzhou City University, u Hangzhou, Kini. RST-GCNN može predvideti dugoročne stope zauzetosti parkinga prepoznavanjem obrazaca u setu podataka o parkingu.
Tim je testirao svoj pristup na stvarnom Melb-Parking datasetu i uspeo je da potvrdi efikasnost sistema. Rad sugeriše da ima superiornu izvedbu u predviđanju stopa zauzetosti parkinga u poređenju sa osnovnim modelima. Novi pristup ima veliki potencijal za gradskе vozače i može se koristiti za racionalizaciju automatizovanog procesa traženja parkinga, na kraju smanjujući gužve i optimizirajući efikasnost transporta u prometnim gradovima gde automobili ostaju glavni oblik transporta.
U budućnosti, tim će proširiti primenu na veće setove podataka o parkingu sa ciljem da dalje poboljša tačnost predviđanja. Buduće iteracije će uključivati vremenske prilike, temperaturu, praznične periode i druge varijable saobraćaja i parkiranja, čime će proširiti njegov opseg i primenljivost.
Izvor vesti: IT Network