Un modèle d’IA pour prédire la disponibilité du stationnement

Dans le paysage en constante évolution de l’innovation des villes intelligentes, les chercheurs ont introduit le réseau neuronal convolutif à graphique spatio-temporel résiduel (RST-GCNN), qui pourrait aider les utilisateurs à trouver plus efficacement une place de stationnement dans la rue. L’ouvrage est publié dans le Journal international des réseaux de capteurs.

Ce nouveau modèle pourrait contribuer à modifier l’expérience de conduite urbaine et peut-être à réduire les embouteillages et la pollution en améliorant la prévision de la disponibilité du stationnement. Alors que les villes sont aux prises avec l’augmentation des embouteillages, de la pollution et la quête perpétuelle d’une vie urbaine efficace, l’intelligence artificielle (IA) pourrait être mise en place pour faciliter l’une des luttes quotidiennes des conducteurs et peut-être nous aider à sortir de l’impasse.

Les réseaux neuronaux, inspirés de la structure du cerveau humain, sont de plus en plus utilisés pour résoudre des problèmes complexes dans divers domaines tels que la reconnaissance d’images et de formes, les diagnostics médicaux, le traitement et la traduction du langage naturel et la reconnaissance vocale. Le RST-GCNN évoqué dans l’article représente une application sophistiquée de la technologie des réseaux neuronaux conçue pour relever le défi urbain toujours présent de la disponibilité du stationnement.

Contrairement aux modèles conventionnels, le RST-GCNN intègre une structure résiduelle, combinant efficacement les informations spatiales et temporelles dérivées des modules graphiques et de convolution, selon ses développeurs Guanlin Chen, Sheng Zhang, Wenyong Weng et Wujian Yang de l’Université de la ville de Hangzhou, à Hangzhou, Chine. Le RST-GCNN peut prédire les taux d’occupation du stationnement à long terme en discernant des modèles dans l’ensemble de données de stationnement.

L’équipe a testé son approche sur l’ensemble de données Melb-Parking du monde réel et a pu valider l’efficacité du système. Selon les travaux, il présente des performances supérieures en matière de prévision des taux d’occupation du stationnement par rapport aux modèles de référence. La nouvelle approche est très prometteuse pour les conducteurs urbains et pourrait être utilisée pour rationaliser un processus de recherche automatisée de stationnement, réduisant ainsi les embouteillages et optimisant l’efficacité des transports dans les villes animées où la voiture reste un pilier du transport.

À l’avenir, l’équipe étendra l’application à des ensembles de données de stationnement plus vastes en vue d’affiner encore davantage la précision des prévisions. Les itérations futures intégreront la météo, la température, les périodes de vacances et d’autres aléas de la circulation et du stationnement, élargissant ainsi sa portée et son applicabilité.