*EN Вештачка интелигенција

Unapređenje predviđanja dostupnosti parkinga uz pomoć AI modela

Summary

U sve inovativnijem pejzažu pametnih gradova, istraživači su razvili novi model nazvan Residual Spatial-Temporal Graph Convolutional Neural Network (RST-GCNN), koji je namenjen da korisnicima olakša pronalaženje parking mesta na ulici. Ovaj rad je objavljen u časopisu International Journal of Sensor […]

Unapređenje predviđanja dostupnosti parkinga uz pomoć AI modela

U sve inovativnijem pejzažu pametnih gradova, istraživači su razvili novi model nazvan Residual Spatial-Temporal Graph Convolutional Neural Network (RST-GCNN), koji je namenjen da korisnicima olakša pronalaženje parking mesta na ulici. Ovaj rad je objavljen u časopisu International Journal of Sensor Networks.

Ovaj AI model ima potencijal da značajno poboljša iskustvo vožnje u urbanim sredinama, smanjivanjem gužvi i zagađenja, putem unapređenog predviđanja dostupnosti parkinga. S obzirom na rastući problem sa gužvom i večitom potragom za slobodnim parking mestima, veštačka inteligencija (AI) postaje vredan saveznik u rešavanju ovog problema i može nam pomoći da izbegnemo saobraćajne kolapse.

Neuronske mreže, koje se inspirišu strukturom ljudskog mozga, sve više se primenjuju u rešavanju složenih problema u raznim oblastima poput prepoznavanja slika, medicinske dijagnostike, obrade prirodnog jezika i prepoznavanja govora. RST-GCNN je sofisticirana primena tehnologije neuronskih mreža, prilagođena za rešavanje svakodnevnog izazova pronalaženja parking mesta u urbanim područjima.

Jedna od ključnih karakteristika ovog modela je integrisanje rezidualne strukture, što omogućava efikasno povezivanje prostornih i vremenskih informacija dobijenih iz grafikona i konvolucijskih modula. Ovo omogućava RST-GCNN-u da predvidi dugoročne stope zauzetosti parking mesta identifikujući obrasce u podacima o parkingu.

Tim istraživača testirao je svoj model na stvarnim podacima iz Melb-Parking dataset-a i uspešno potvrdio efikasnost sistema. U poređenju sa osnovnim modelima, ovaj novi pristup se pokazao superiornim u predviđanju stope zauzetosti parking mesta. RST-GCNN ima ogroman potencijal da unapredi iskustvo vozača u gradskim područjima i može se koristiti za automatizovano pronalaženje parking mesta, čime se smanjuju gužve i optimizuje efikasnost transporta u prometnim gradovima u kojima su automobili dominantni oblik prevoza.

U budućnosti, istraživački tim planira proširiti primenu ovog modela na veći broj podataka o parkingu, kako bi dalje unapredili preciznost predviđanja. Planira se uključivanje podataka o vremenskim prilikama, temperaturi, prazničnim periodima i drugim promenljivima vezanim za saobraćaj i parkiranje, čime će se proširiti domen i praktična primenljivost ovog modela.

FAQ

Šta je Residual Spatial-Temporal Graph Convolutional Neural Network (RST-GCNN)?

RST-GCNN je AI model razvijen za predviđanje dostupnosti parking mesta. Ovaj model koristi neuronske mreže za integraciju prostornih i vremenskih informacija dobijenih iz grafikona i konvolucijskih modula kako bi identifikovao obrasce u podacima o parkingu.

Kako RST-GCNN može poboljšati predviđanje dostupnosti parkinga?

RST-GCNN ima potencijal da unapredi iskustvo vožnje u gradskim sredinama smanjivanjem gužvi i zagađenja. Kroz bolje predviđanje dostupnosti parkinga, vozači bi mogli efikasnije pronaći slobodno parking mesto i izbeći frustrirajuću potragu.

Koje su prednosti korišćenja veštačke inteligencije u rešavanju problema sa parkiranjem?

Veštačka inteligencija omogućava automatizovano pronalaženje parking mesta i bolje predviđanje dostupnosti, čime se smanjuje gužva i optimizuje efikasnost transporta. Ovo može rezultirati smanjenjem vremena provedenog u potrazi za parkingom i poboljšanjem ukupnog urbanog iskustva vožnje.

Izvor: IT Network