スマート シティ イノベーションの絶えず変化する状況の中で、研究者らは、ユーザーがより効率的に路上駐車スペースを見つけるのに役立つ可能性がある残差時空間グラフ畳み込みニューラル ネットワーク (RST-GCNN) を導入しました。作品は出版されたでセンサーネットワークの国際ジャーナル。

この新しいモデルは、駐車場の空き状況の予測を強化することで、都市部の運転体験を変え、おそらく渋滞や汚染を軽減するのに役立つ可能性があります。都市は、エスカレートする渋滞、汚染、そして効率的な都市生活への絶え間ない探求に取り組んでいます。人工知能（AI）は、ドライバーの日常的な苦労の1つを軽減し、渋滞から抜け出すのに役立つように設定される可能性があります。

人間の脳の構造にヒントを得たニューラル ネットワークは、問題を解決するためにますます使用されています。複雑な問題画像や画像などの多様なドメインにわたってパターン認識、医療診断、自然言語処理そして翻訳、そして音声認識。この記事で説明されている RST-GCNN は、駐車場の空き状況という都市部の常に存在する課題に対処するために調整されたニューラル ネットワーク テクノロジーの高度なアプリケーションを表しています。

開発者である杭州市立大学のGuanlin Chen氏、Sheng Zhang氏、Wengong Weng氏、Wojian Yang氏によると、従来のモデルとは異なり、RST-GCNNは残差構造を統合し、グラフと畳み込みモジュールから得られる空間情報と時間情報を効率的に組み合わせているという。中国。RST-GCNN は、駐車場データセットのパターンを識別することで、長期的な駐車場の占有率を予測できます。

チームは現実世界のメルブ・パーキング データセットでアプローチをテストし、システムの有効性を検証することができました。研究結果によれば、ベースライン モデルと比較して、駐車占有率の予測において優れたパフォーマンスを示しています。この新しいアプローチは都市部のドライバーにとって大きな期待があり、自動駐車場検索プロセスを合理化するために使用でき、最終的には車が交通の主力である混雑した都市での渋滞を緩和し、輸送効率を最適化することができます。

将来的には、チームは予測精度をさらに向上させることを目的として、アプリケーションをより大規模な駐車場データセットに拡張する予定です。将来の反復では、天気、気温、休暇期間、その他の交通状況や駐車場の変動を組み込むことで、その範囲と適用範囲が広がります。

詳細情報:Guanlin Chen 他、路上駐車場の空き状況予測のための残差時空間グラフ畳み込みニューラル ネットワーク、センサーネットワークの国際ジャーナル（2024年）。DOI: 10.1504/IJSNET.2023.135840