在不断变化的智慧城市创新环境中，研究人员引入了残差时空图卷积神经网络(RST-GCNN)，该网络可以帮助用户更有效地找到路边停车位。这项研究发表在《国际传感器网络杂志》上。
这种新模式可以帮助改变城市驾驶体验，并可能通过提高停车位可用性的预测来减少拥堵和污染。随着城市与不断升级的拥堵、污染以及对高效城市生活的不断追求作斗争，人工智能(AI)可能会缓解司机的日常挣扎之一，或许还能帮助我们摆脱交通堵塞。
神经网络受人类大脑结构的启发，越来越多地用于解决不同领域的复杂问题，如图像和模式识别、医学诊断、自然语言处理和翻译以及语音识别。本文中讨论的RST-GCNN代表了神经网络技术的复杂应用，旨在解决无处不在的城市停车难问题。
与传统模型不同，RST-GCNN集成了一个残差结构，有效地结合了来自图和卷积模块的时空信息，据其开发者陈冠林、张生、翁文勇和杨武建(杭州城市学院)介绍。RST-GCNN可以通过识别停车数据集中的模式来预测长期的停车占用率。
该团队已经在现实世界的Melb-Parking数据集上测试了他们的方法，并能够验证该系统的有效性。研究表明，与基线模型相比，该模型在预测停车入住率方面表现优异。这种新方法给城市司机带来了巨大的希望，可以用来简化自动停车搜索过程，最终减少拥堵，优化汽车仍然是交通主要工具的繁忙城市的交通效率。
未来，该团队将把应用扩展到更大的停车数据集，以期进一步提高预测精度。未来的迭代将嵌入天气、温度、假期和其他变幻莫测的交通和停车情况，从而扩大其范围和适用性。
更多信息:陈冠林等，残差时空图卷积神经网络在道路停车可用性预测中的应用，国际传感器网络学报(2024)。DOI: 10.1504/IJSNET.2023.135840由Inderscience提供引文:预测停车位可用性的AI模型(2024年1月10日)检索自https://techxplore.com/news/2024-01-ai-availability.html，本文受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
