Google ha trovato una soluzione al problema dei parcheggi che si lamenta da anni

Di recente, Google ha aggiunto una nuova funzionalità a Google Maps in un aggiornamento per dispositivi Android: la previsione delle condizioni di parcheggio a destinazione.

Basta che gli utenti chiedano indicazioni stradali su Google Maps per vedere una nuova icona. Se Google prevede che la tua destinazione potrebbe presentare un rischio di parcheggio, vedrai apparire sulla mappa un punto colorato con la lettera P. La difficoltà di parcheggio sarà divisa in tre livelli: "posti auto limitati", "media" e "facile".

Se Google prevede che la tua destinazione potrebbe avere difficoltà di parcheggio, sulla mappa apparirà un punto colorato con la lettera P.

Un post ufficiale sul blog di Google afferma che la funzionalità è ora disponibile in 25 delle più grandi aree urbane degli Stati Uniti. Ma in futuro Google conta di estendere la funzionalità ad altre città e Paesi, nonché all'app Google Maps sui dispositivi iPhone di Apple , infrangendo le restrizioni della piattaforma.

Anche Waze, un'altra app di mappe sulla piattaforma Google, fornisce servizi simili per molte delle principali città degli Stati Uniti, ma l'approccio adottato da Google Maps è leggermente diverso. Waze utilizza le informazioni sui dati di parcheggio integrate da INRIX per stimare gli spazi di parcheggio, ma Google sostiene che le sue previsioni di parcheggio si basano su dati anonimi ottenuti dagli utenti che condividono attivamente la cronologia della loro posizione .

Il 3 febbraio, gli ingegneri informatici di Google James Cook, Yechen Li e il ricercatore Ravi Kumar hanno pubblicato congiuntamente un rapporto di ricerca che descrive in dettaglio i principi di questa applicazione.

Per realizzare questa funzione di previsione del parcheggio, gli ingegneri devono risolvere molti problemi: le condizioni di parcheggio sono complesse e mutevoli e non ci sono quasi informazioni in tempo reale sugli spazi di parcheggio; anche in alcune zone dove sono presenti parchimetri connessi a Internet, questi dati non includono informazioni quali parcheggi illegali, parcheggi consentiti e partenze anticipate; le strade possono fornire solo immagini bidimensionali, ma la struttura dei parcheggi stessi è più complessa; L'offerta e la domanda di posti auto cambiano istantaneamente e anche il sistema migliore potrebbe non essere in grado di aggiornarsi in tempo.

Per risolvere questi problemi, il team di Google ha combinato crowdsourcing e apprendimento automatico per creare un sistema in grado di fornire informazioni sulle difficoltà di parcheggio e persino di aiutare gli utenti a decidere quale mezzo di trasporto utilizzare. Negli esperimenti precedenti al rilascio, hanno scoperto che i clic sul pulsante della modalità di viaggio sono aumentati in modo significativo, il che suggerisce che dopo che gli utenti hanno ricevuto informazioni sulle difficoltà di parcheggio, erano più propensi a prendere in considerazione i trasporti pubblici anziché l'auto. [Nota dell'editore: il crowdsourcing è la pratica con cui un'azienda o un'organizzazione esternalizza volontariamente compiti lavorativi precedentemente svolti dai dipendenti a una rete di massa non specifica (e solitamente ampia). 】

Per progettare un algoritmo che risolva il problema del parcheggio, sono necessarie tre cose: dati di base ottenuti tramite crowdsourcing, un modello di apprendimento automatico adeguato e un solido set di funzionalità per addestrare il modello.

Dati di verità di base

La raccolta di dati di elevata qualità basati sulla verità sul campo è sempre stata una sfida fondamentale nelle soluzioni di apprendimento automatico. L'approccio adottato dal team di Google è stato quello di chiedere agli automobilisti se avessero incontrato difficoltà di parcheggio. Tuttavia, scoprirono presto che quando venivano poste domande così soggettive, di solito ricevevano risposte contraddittorie: per lo stesso luogo e nello stesso periodo di tempo, alcune persone rispondevano che era "facile" trovare parcheggio, mentre altre rispondevano che era "difficile". Passando a una domanda oggettiva come "Quanto tempo ci vuole per trovare un parcheggio?", la credibilità della risposta è notevolmente migliorata, consentendo al crowdsourcing di produrre un set di dati di alta qualità e reale di oltre 100.000 risposte.

Caratteristiche del modello

Una volta disponibili i dati, il passo successivo consiste nel selezionare le funzionalità per addestrare il modello. Il progetto utilizza informazioni aggregate anonime fornite dagli utenti che desiderano condividere la propria posizione come fonte fondamentale di informazioni per valutare le condizioni del traffico in tempo reale, i periodi di traffico intenso e la durata della visita.

Nel rapporto, i ricercatori di Google hanno affermato di aver scoperto ben presto che, nonostante i dati richiesti, si incontravano ancora alcune sfide particolari. Ad esempio, se qualcuno parcheggia davanti alla porta di casa o in un parcheggio privato, il sistema non dovrebbe erroneamente supporre che il parcheggio sia disponibile. Un utente che arriva in taxi potrebbe avere l'illusione che ci siano molte auto parcheggiate davanti alla porta. Allo stesso modo, il sistema potrebbe pensare che un utente del trasporto pubblico stia parcheggiando alla fermata dell'autobus. Questi concetti errati confonderanno il sistema di apprendimento automatico.

Pertanto, la progettazione del sistema richiede funzionalità di aggregazione più potenti. Una delle caratteristiche è stata ispirata dalla zona di Mountain View, dove ha sede Google. Se Google Navigation rileva che molti utenti girano in tondo nel centro città all'ora di pranzo, è segno che trovare parcheggio è difficile.

Se Google Navigation rileva che molti utenti girano in tondo nel centro città all'ora di pranzo, è segno che trovare parcheggio è difficile.

I ricercatori di Google stanno riflettendo su come utilizzare questi "indizi" sulle difficoltà di parcheggio come strumento di formazione. I ricercatori hanno confrontato il tempo impiegato dagli utenti per raggiungere direttamente la loro destinazione con il tempo impiegato per raggiungerla effettivamente in curva, parcheggiando o camminando, e hanno aggregato le differenze tra i due. Se si riscontra una differenza significativa nel tempo impiegato dalla maggior parte degli utenti tra i due, si ritiene che ci sia un problema di difficoltà di parcheggio.

Il team di Google ha poi continuato a sviluppare altre funzionalità: destinazioni specifiche, parcheggi per le passeggiate, ora e data del parcheggio (ad esempio, cosa succede se un utente parcheggia molto vicino alla destinazione al mattino e molto lontano durante l'ora di punta?), dati storici sui parcheggi e così via. Alla fine, si sono ritrovati con circa 20 funzionalità diverse. Dopodiché, è il momento di modificare le prestazioni del modello.

Selezione e formazione del modello

Per le caratteristiche sopra menzionate, i ricercatori hanno utilizzato un modello di apprendimento automatico di regressione standard. Le ragioni di questa scelta sono molteplici: innanzitutto, i principi della regressione logistica sono ben noti e, inoltre, sono resistenti al rumore nei dati di addestramento; in secondo luogo, l’output di questi modelli può essere interpretato come la probabilità che il parcheggio sia difficile, che può poi essere mappata in termini descrittivi come “parcheggio limitato” o “parcheggio facile”; e in terzo luogo, è facile comprendere l'impatto di ogni caratteristica specifica, il che rende più facile verificare se il modello è ragionevole. Ad esempio, quando i ricercatori hanno iniziato la formazione, molti pensavano che la funzione “indizi” descritta sopra sarebbe stata l’approccio migliore per risolvere i difficili problemi che incontravano. Ma non è così. Infatti, la distribuzione dei posti auto è uno dei più potenti indicatori della difficoltà di parcheggio.

Insomma

Utilizzando il modello di Google, i ricercatori sono riusciti a generare una stima della difficoltà di parcheggio in qualsiasi luogo e momento. Di seguito sono riportati alcuni esempi di output del sistema, utilizzati per fornire una stima della difficoltà di parcheggio per una determinata destinazione. Ad esempio, il lunedì mattina è difficile parcheggiare in tutta la città, soprattutto nei quartieri finanziari e commerciali più trafficati. Il sabato sera la zona è di nuovo affollata, soprattutto in zone come ristoranti e attrazioni.

Output del modello di difficoltà di parcheggio per le aree del Financial District e di Union Square di San Francisco. Il rosso indica difficoltà di parcheggio con un livello di sicurezza più elevato. Riga superiore: un tipico lunedì mattina alle 8 (sinistra) e alle 9 (destra). Riga inferiore: stessa ora di un normale sabato.

Vincitore del Qingyun Plan di Toutiao e del Bai+ Plan di Baijiahao, del Baidu Digital Author of the Year 2019, del Baijiahao's Most Popular Author in the Technology Field, del Sogou Technology and Culture Author 2019 e del Baijiahao Quarterly Influential Creator 2021, ha vinto numerosi premi, tra cui il Sohu Best Industry Media Person 2013, il China New Media Entrepreneurship Competition Beijing 2015, il Guangmang Experience Award 2015, il China New Media Entrepreneurship Competition Finals 2015 e il Baidu Dynamic Annual Powerful Celebrity 2018.