在智慧城市創(chuàng)新不斷變化的格局中，研究人員提出了殘差時空圖卷積神經(jīng)網(wǎng)絡(RST-GCNN)，這可能有助于用戶更高效地找到路邊停車位。該成果發(fā)表在《國際傳感器網(wǎng)絡雜志》上。
這一新模型有望改變城市駕車體驗，并通過提高停車位預測能力，或許有助于減少擁堵和污染。隨著城市不斷應對加劇的擁堵、污染以及對高效城市生活的永恒追求，人工智能(AI)可能有望緩解駕駛者的日常困擾，甚至幫助我們擺脫交通僵局。
受人腦結構啟發(fā)的神經(jīng)網(wǎng)絡在解決圖片和模式識別、醫(yī)學診斷、自然語言處理與翻譯以及語音識別等諸多領域中的復雜問題中日益應用。本文討論的RST-GCNN代表了神經(jīng)網(wǎng)絡技術的一種復雜應用，旨在應對城市面臨的永恒挑戰(zhàn)——停車位供應狀況。
與傳統(tǒng)模型不同，RST-GCNN集成了殘差結構，高效地將來自圖表和卷積模塊的時空信息相結合。根據(jù)其開發(fā)者——中國杭州城市大學的陳冠霖、張勝、翁文勇和楊吳堅的說法，RST-GCNN能夠通過識別停車數(shù)據(jù)集中的模式來預測長期停車位占用率。
該團隊已經(jīng)在真實世界的Melb-Parking數(shù)據(jù)集上測試了他們的方法，并驗證了系統(tǒng)的有效性。工作表明，與基準模型相比，新方法在預測停車位占用率方面表現(xiàn)出更出色的性能。這一新方法對城市駕駛者具有巨大潛力，并可用于優(yōu)化自動化停車搜索過程，最終減少擁堵、優(yōu)化交通運輸效率，在汽車仍然是交通主要方式的繁忙城市發(fā)揮作用。
未來，該團隊將擴展這一方法應用到更大的停車數(shù)據(jù)集上，并致力于進一步提高預測準確性。未來的版本將嵌入天氣、溫度、假日時段和交通停車的其他變數(shù)，從而拓展其適用范圍和應用價值。
本文譯自 techxplore，由 BALI 編輯發(fā)布。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
