停车难度预测在百度地图中的应用

原创 datarock 百度地图技术团队

1. 背景

停车是司机的刚需，但停车却是司机永远的痛点，尤其是在人流量密集的写字楼、商圈、热门的医院...停车、找停车位不仅浪费了司机很多时间，也对交通拥堵有非常大的影响，影响整个城市交通系统运转效率。

部分读者可能会想到，如果能提前知道目的地以及周边是否方便停车，就可以决策是否开车或者到达前在哪里停车？这是一个很好的想法，能大大提高出行效率，而且确实有部分停车场可以在线查询信息，但都是基于硬件设备方案，这种方案存在硬件设备造价高、在线运营成本高、其它车辆影响准确率等缺陷，导致停车位信息覆盖并不理想。有些读者可能又会想到，现在都是人工智能时代了，人工智能不能做点什么吗？答案是当然可以，百度地图从前几年开始就已经上线了通过AI技术直接为没有实时停车信息的停车场预测车位空闲信息，辅助用户进行出行决策，相关的工作成果也已经发表在了数据挖掘顶会 KDD上[1]。

那么问题来了，怎样利用AI技术预测无传感设备的车位实时空闲信息呢？先留个悬念，文本将进行详细介绍。

传统的停车信息预测主要解决的是利用历史车信息与预测未来一段时间的车位信息，由于有历史信息可利用，是一个常规时间序列预测问题，但对无传传感器的停车场预测实时停车信息是一个全新的课题。

谷歌地图尝试预测区域级的停车难度信息，但是区域粒度太粗，其实用性并不强，并且谷歌花费了大量的人力物力去众包标注样本，并不是一个有性价比的方案。基于百度深厚技术积淀，利用多源时空数据去预测任意给定停车场的车位空闲信息，百度地图攻克了该难题并实现了规模化应用。

图1. 车位空闲预测在百度地图中的应用

2. 整体思路

对于停车难度预测问题，我们的一个洞察是停车需求本质上主要受停车场对应 POI 的人流情况影响，因此在建模上聚焦停车场人流量时空特性刻画和表征。

我们提出了一种基于 DNN 的车位空闲率预测方法，该方法由三个部分组成，分别对时空的临近性、周期性和常规环境进行建模。在特征工程上，我们通过百度地图丰富的众包数据（包括不限于定位热度、导航热度、 POI 检索热度）来刻画停车场 POI 对应的停车需求。我们提出的特征构建方法不仅仅适应于当前模型，对于停车信息时空系列问题都具有参考价值。最后，停车预测方法已经在百度地图线上实现了大规模应用。

3. 车位空闲预测技术方案

如下图所示，停车难度系统主要由网格计算、实时特征计算和在线预测服务三个部分组成。

图2. 整体技术方案

a) 网格计算：采用离线分布式计算框架，主要完成三个方面的工作：特征提取、车位空闲率样本生成和模型训练。

i. 静态特征：主要包含 POI 相关的特征，比如 POI 类型、检索热度、访问热度和 POI 建造年限等。

ii. 样本数据处理：从少量有实时车位信的停车场采集停车信息，将车位数据标签化并进行持久化存储。

iii. 模型训练：从历史数据中提取静态特征和动态特征进行模型训练，每个类型的 POI 单独训练一个模型，提升整体预测效果。

b) 实时特征计算：主要通过流式处理架构，实时计算停车场导航、检索、定位等特征，实时刻画停车场附近人流量变化情况。

c) 在线预测服务：主要是融合 POI 相关特征、地图检索特征以及实时地理位置信息和导航轨迹信息，然后处理成特征向量预测 POI 的停车难度。

后面将对特征工程和模型进行具体介绍。

4. 特征工程

本文在特征工程上，构建了实时人流特征、 POI 特征、气象特征及时间特征，进行停车规律刻画。

a) 实时人流特征

实时人流特征主要包含定位特征和导航特征。

i. 定位特征：定位特征是实时计算的，指的是当前时间段内该 POI 的定位热度，该特征设计的出发点是人的转移规律可以用来刻画车辆的转移规律。

图3. 定位特征和停车场可用车位数量的关系

定位特征和停车场的空闲程度密切相关，比如上图3(a) 中黄线表示停车场的可用停车位数量，蓝线表示该停车场所属建筑物的定位人数。从图中可以看出来对于一个写字楼来说，在上午8点到下午5点的时候，停车场的可用停车位数量要小于其他时段。对于一个商场来说也是类似的，如图3(b) 所示，在上午5点到下午8点的时候，商场内的定位数量比较多，该停车场的可用车位数量较少。

ii. 导航特征：在实际生活中车辆导航后，一般都会有停车需求，因此实时导航特征用来刻画停车需求。导航特征主要是导航进入该停车场的热度和导航出该停车场的热度。

图4. 导航特征和停车场车位空闲率关系

如图4所示，导航特征和停车场的可用车位数密切相关。图4(a) 是一个写字楼的停车场的导航特征和停车场可用车位数的曲线图，橘黄色线表示导航进入停车场所属建筑物的 query 数量，灰色线表示导航离开该停车场的数量，蓝色的线表示停车场的可用车位数量。可以看出在上午7点到上午10点这段时间内，导航进入该停车场的 query 数量大于导航出该停车场的 query 数量，与此同时，这段时间内该停车场的可用车位数较少，而在下午5点到下午7点，离开该停车场的 query 数量大于进入该停车场的 query 数，所以在此时间段内，该停车场的可用车位数比较多。而对于图4(b) 来说，在上午11点的时候，导航进入该停车场的数量增加，相应的该停车场的可用车位数量相应的开始减少，在下午4点的时候，离开该停车场的数量增加，相应的该停车场的可用车位数量开始增加。

b) 气象特征

气象特征主要包含天气特征和风速特征。在恶劣天气下，比如低温，下雨，下雪或者强风天气下，路上的车流量较少，去商场等类型的停车场的车会变少，车位空闲率可能会有相应的增加。

c) POI相关的特征

停车场的可用车位数量与该停车场的类型密切相关，停车场所属的建筑物的类型有很多，我们对相似的停车场进行合并，聚类得到7种停车场的类型，比如公寓，写字楼，商场，餐馆，医院，公园和娱乐场所。除此之外，我们还把该停车场所属建筑物的年份作为一个特征，这个特征能刻画出该停车场的总车位数量多少的信息。如图5所示，不同类型的停车场的可用车位数量在一天中的变化曲线展示出不同的模式。

图5. 不同类型的停车场的可用车位数量在一天中的变化曲线

图6. 工作日、周末和停车场可用车位数量的关系

如图6所示，图中橘黄色的线表示周末的停车场的可用车位数量，蓝色表示工作日停车场的可用车位数量。如图6(a) 所示，对于一个写字楼来说，工作日的可用车位数量比较少，周末的可用车位数量比较多。而图6(b) 显示，公寓的停车场的可用车位数量与商场正好相反。

5. 车位空闲预测模型

图7. 车位空闲预测模型结构

模型层面根据特征选取的不同采用3个不同的网络分别处理不同的特征输入，采用类似于 wide & deep 的特征处理思路。最左边的网络部分是一个时序模型，采用 LSTM 来对输入的特征序列进行学习，抽取周期性特征。周期性特征是一个时间序列上的纵向特征。中间网络部分也是一个时序模型，同样采用 LSTM 来对输入的特征序列进行学习，抽取邻近性特征。邻近性特征是时间序列上的横向特征。第三个部分就是一个多层的全连接网络，输入特征是停车场的固有属性特征。最后对这三个网络的输出融合后进行分类。

具体的一个时间片段的特征主要有该时间段内的空间移动信息、 POI 相关的信息、气象信息、节假日信息和当前时刻等特征。周期性特征就是在当前时刻的基础上纵向地在时间序列上取特征，来刻画周期性信息。邻近性就是在当前时刻的基础上往前追溯固定数量的片段从而生成序列来刻画邻近性的变化趋势特征。

6. 进一步工作方向

停车难度预测是一个有价值也很有趣的技术领域，学术界和工业界有很多团队进行相关研究或应用实践。从实时预测扩展到未来时刻预测、利用最新的深度学习模型更好的建模动态人流、交通信息及空间拓扑信息都是值得探索的方向。

当然，百度也没有停下探索的脚步，通过深入研究持续提升预测效果。百度商业智能实验室通过引入停车场之间的空间拓扑关系信息，通过图卷积网络，更好地利用已知的停车场实时信息[2]。不仅预测当前时刻信息，还能对未来时刻的停车信息进行预测。

参考文献

[1]Yuecheng Rong, Zhimian Xu, Ruibo Yan, and Xu Ma. 2018. Du-Parking: Spatio-Temporal Big Data Tells You Realtime Parking Availability. (2018). https://doi.org/10.1145/3219819.3219876

[2] Weijia Zhang, Hao Liu, Yanchi Liu, Jingbo Zhou, and Hui Xiong. 2020. Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction. Proceedings of the AAAI Conference on Artificial Intelligence34(042020),1186–1193. https://doi.org/10.1609/aaai.v34i01.5471

继续滑动看下一个