Googleは長年不満が寄せられていた駐車場問題の解決策を思いついた

最近、 Google はAndroid デバイス向けのアップデートで、目的地の駐車場状況を予測する新しい機能を Google マップに追加しました。

ユーザーは、Google マップでルートを検索するだけで、新しいアイコンが表示されます。 Google が目的地に駐車の危険がある可能性があると予測した場合、地図上に P の文字が付いた色付きの点が表示されます。駐車の難易度は、「駐車スペースが限られている」、「中程度」、「簡単」の 3 つのレベルに分けられます。

Google が目的地での駐車が難しい可能性があると予測した場合、地図上に「P」の文字が付いた色付きの点が表示されます。

Googleの公式ブログ投稿によると、この機能は現在、米国の25の大都市圏で利用可能だという。しかし、Google は将来的にこの機能をさらに多くの都市や国に拡大し、プラットフォームの制限を打ち破ってApple のiPhone デバイスの Google マップ アプリにも拡張することを検討している。

Google プラットフォーム上の別の地図アプリである Waze も、米国の多くの主要都市で同様のサービスを提供していますが、Google マップが採用しているアプローチは少し異なります。 Waze は INRIX が統合した駐車データ情報を使用して駐車スペースを推定しますが、Google は、その駐車予測は位置情報履歴を積極的に共有するユーザーから取得した匿名データに基づいていると主張しています。

2月3日、Googleのソフトウェアエンジニアであるジェームズ・クック氏、イェチェン・リー氏、研究者のラヴィ・クマール氏が共同で、このアプリケーションの原理を詳述した研究レポートを発表しました。

この駐車予測機能を提供するために、エンジニアは多くの問題を解決する必要があります。駐車条件は複雑で変化しており、リアルタイムの駐車スペース情報はほとんどありません。インターネットに接続されたパーキングメーターが設置されている地域でも、このデータには違法駐車、許可された駐車、早退などの情報は含まれていません。道路は2次元画像しか提供できませんが、駐車場自体の構造はより複雑です。駐車スペースの需要と供給は瞬時に変化するため、最良のシステムであっても時間内に更新できない可能性があります。

これらの問題に対処するため、Google チームはクラウドソーシングと機械学習を組み合わせて、駐車の難しさに関する情報を提供し、ユーザーがどの交通手段を利用するかを決めるのを支援できるシステムを構築しました。リリース前の実験では、移動モードボタンのクリック数が大幅に増加したことが分かりました。これは、駐車の難しさに関する情報をユーザーに提供した後、ユーザーが運転ではなく公共交通機関を検討する可能性が高くなったことを示唆しています。 [編集者注: クラウドソーシングとは、企業や組織が、以前は従業員が行っていた業務を、不特定多数の(通常は大規模な)大衆ネットワークに自発的にアウトソーシングする慣行を指します。 】

駐車問題を解決するアルゴリズムを設計するには、クラウドソーシングを通じて取得した実際のデータ、適切な機械学習モデル、モデルをトレーニングするための強力な機能セットの 3 つが必要です。

グラウンドトゥルースデータ

高品質のグラウンドトゥルースデータを収集することは、機械学習ソリューションにおいて常に重要な課題でした。 Google チームが取ったアプローチは、ドライバーに駐車に困難を感じたかどうかを尋ねるというものだった。しかし、彼らはすぐに、このような主観的な質問に直面すると、たいてい矛盾した答えが返ってくることに気づきました。同じ場所で同じ時間帯に、駐車スペースを見つけるのは「簡単」だと答える人もいれば、「難しい」と答える人もいます。 「駐車スペースを見つけるのにどれくらい時間がかかりますか？」のような客観的な質問に切り替えることで、回答の信頼性が大幅に向上し、クラウドソーシングによって 100,000 件を超える回答の高品質な現実世界のデータセットを生成できるようになります。

モデルの特徴

データが利用可能になったら、次のステップはモデルをトレーニングするための機能を選択することです。このプロジェクトでは、位置情報を共有することを好むユーザーが提供する匿名の集計情報を主要な情報源として使用し、リアルタイムの交通状況、交通量の多い時間帯、訪問期間を評価します。

Google の研究者は報告書の中で、必要なデータがあっても、依然としていくつかの特有の課題に直面することがすぐに分かったと述べています。たとえば、誰かが自宅の玄関前や専用駐車スペースに車を停めた場合、システムは駐車スペースが空いていると誤って判断してはなりません。タクシーで到着したユーザーは、ドアの前にたくさんの車が駐車しているという錯覚を起こす可能性があります。同様に、公共交通機関の利用者は、システムによってバス停に駐車していると判断される可能性があります。これらの誤解は機械学習システムを誤らせることになります。

したがって、システムの設計には、より強力な集約機能が必要です。機能の 1 つは、Google が所在するマウンテン ビュー地域からインスピレーションを得たものです。 Google ナビゲーションで、昼食時に多くのユーザーが市内中心部をぐるぐる回っているのが見つかった場合、それは駐車場を見つけるのが難しいことを示しています。

Google ナビゲーションで、昼食時に多くのユーザーが市内中心部をぐるぐる回っているのが見つかった場合、それは駐車場を見つけるのが難しいことを示しています。

Google の研究者たちは、駐車の難しさに関するこれらの「手がかり」をトレーニングの機能としてどのように活用するかを検討している。研究者たちは、ユーザーが目的地に直接到着するまでにかかる時間と、迂回、駐車、または歩いて実際に目的地に到着するまでにかかる時間を比較し、両者の差を集計しました。両者の間でほとんどの利用者の所要時間に大きな差がある場合は、駐車難易度の問題があると考えられます。

Google チームはその後も、特定の目的地、散歩用の駐車場所、駐車の日時 (たとえば、ユーザーが朝は目的地のすぐ近くに駐車し、ラッシュアワーには遠くに駐車した場合はどうなるか)、駐車履歴データなど、さらに多くの機能を開発し続けました。最終的には、約 20 種類の異なる機能が完成しました。その後は、モデルのパフォーマンスを微調整します。

モデルの選択とトレーニング

上記の特徴について、研究者は標準的な回帰機械学習モデルを使用しました。この選択にはいくつかの理由があります。まず、ロジスティック回帰の原理はよく知られており、さらにトレーニング データ内のノイズの影響を受けにくいからです。第二に、これらのモデルの出力は駐車が困難になる確率として解釈することができ、それを「駐車が限られている」や「駐車が容易」などの説明的な用語にマッピングすることができます。 3 つ目は、それぞれの特定の機能の影響を理解しやすいため、モデルが妥当かどうかを検証しやすくなります。たとえば、研究者がトレーニングを始めたとき、多くの人が、遭遇した難しい問題を解決するには、上で説明した「手がかり」機能が最善のアプローチになると考えていました。しかし、そうではありません。実際、駐車スペースの分散した場所は、駐車の難しさを予測する最も強力な要因の 1 つです。

結論は

研究者たちは、Google のモデルを使用して、あらゆる場所と時間における駐車の難易度の推定値を生成することができました。以下は、特定の目的地の駐車難易度の見積もりを提供するために使用されるシステムの出力の例です。たとえば、月曜日の朝は市内全域、特に最も混雑する金融街や商業地区では駐車が困難です。土曜日の夜はまた混雑しますが、主にレストランやアトラクションなどのエリアが混雑します。

サンフランシスコの金融街とユニオン スクエア地区の駐車難易度モデルの出力。赤は、信頼度レベルが高い駐車の難しさを示します。上段: 典型的な月曜日の朝 8 時 (左) と 9 時 (右)。下段: 典型的な土曜日の同じ時間。

今日頭条の青雲計画と百家曼の百+計画の受賞者、2019年百度デジタル著者オブザイヤー、百家曼テクノロジー分野最人気著者、2019年捜狗テクノロジー文化著者、2021年百家曼季刊影響力のあるクリエイターとして、2013年捜狐最優秀業界メディア人、2015年中国ニューメディア起業家コンテスト北京3位、2015年光芒体験賞、2015年中国ニューメディア起業家コンテスト決勝3位、2018年百度ダイナミック年間有力セレブなど、多数の賞を受賞しています。