近日，谷歌在安卓設(shè)備的更新中，為谷歌地圖新增了一項功能——預(yù)測目的地的停車狀況。

用戶只需在谷歌地圖中查詢路線，就可以看到一個新的圖標。如果谷歌預(yù)測到你所去的目的地可能有停車難的風險，你就會看到地圖上出現(xiàn)一個彩色的點，且附帶字母P。停車的難易程度將分為“車位有限”、“中等”和“容易”三個等級。

谷歌的一篇官方博客稱，這一功能目前已經(jīng)向25個美國最大的城市地區(qū)開放。但谷歌公司正尋求在未來將該功能推廣至更多的城市和國家，以及打破平臺限制，延伸至蘋果iPhone設(shè)備上的谷歌地圖應(yīng)用。

谷歌平臺上的另一個地圖應(yīng)用Waze也為美國許多大城市提供類似服務(wù)，但谷歌地圖采用的方式略有不同。Waze預(yù)估停車位時采用了INRIX公司整合的停車數(shù)據(jù)信息，但谷歌聲稱其停車預(yù)測是基于用戶主動共享地理位置歷史，從而獲得的匿名數(shù)據(jù)。

2月3日，谷歌的軟件工程師James Cook、Yechen Li和研究員Ravi Kumar聯(lián)合發(fā)布了一份研究報告，詳細論述了此項應(yīng)用的原理。

要提供這一停車預(yù)測功能，工程師們需要解決許多問題——停車情況復(fù)雜多變，幾乎沒有實時的停車位信息；即使有些地區(qū)有聯(lián)網(wǎng)的停車計時器，這些數(shù)據(jù)也不包括非法停車、許可停車和提前離開等信息；道路只能提供二維圖像，但停車場本身結(jié)構(gòu)更為復(fù)雜；停車位的供需即時變動，即使是最好的系統(tǒng)都很可能無法及時更新。

為了解決這些問題，谷歌的團隊結(jié)合了眾包和機器學習來建立能夠提供停車難度信息的系統(tǒng)，甚至還能幫助用戶決策采用何種方式出行。在預(yù)發(fā)布的實驗中，他們發(fā)現(xiàn)出行模式按鈕的點擊量大增，這表明用戶獲得了停車難度信息之后，會更傾向于考慮公共出行方式，以取代開車。【編注：眾包，即crowdsourcing，指的是一個公司或機構(gòu)把過去由員工執(zhí)行的工作任務(wù)，以自由自愿的形式外包給非特定的（而且通常是大型的）大眾網(wǎng)絡(luò)的做法。】

要為解決停車難的問題設(shè)計算法，需要三方面技術(shù)——通過眾包的方法獲得地面實況數(shù)據(jù)、一個合適的機器學習模型，以及一個用以訓(xùn)練模型的強大特征集。

地面實況數(shù)據(jù)

在機器學習解決方案中，收集高質(zhì)量的實況數(shù)據(jù)一直是個關(guān)鍵挑戰(zhàn)。谷歌團隊采用的方法是，問司機是否遇到了停車難的問題。但是，他們很快發(fā)現(xiàn)，面對這樣主觀的問題，通常會得到相互矛盾的答案：對同一時間段的同一地點，有的人回答“容易”找到停車位，有的人的回答卻是“難”。換成“多久能找到停車位？”這樣的客觀問題，答案的可信度就有了很大的提高，從而能眾包產(chǎn)生高質(zhì)量的、超過10萬個回答的實況數(shù)據(jù)集。

模型特征

有了可用數(shù)據(jù)，接下來就是選擇用來訓(xùn)練模型的特征。該項目利用的是喜歡分享定位的用戶提供的匿名聚合信息，以此作為評估實時交通狀況、高流通時間段、訪問時長的關(guān)鍵信息源。

谷歌研究員在報告中稱，他們很快便發(fā)現(xiàn)，即便有了所需數(shù)據(jù)，還是會遇到一些獨特的挑戰(zhàn)。比如，如果有人在自己門前或者私人的停車位停車，系統(tǒng)不該錯誤地認為這里的停車位是可用的。用戶搭乘出租車到達，可能會造成門前停車很多的假象，與此類似，公共交通用戶可能會被系統(tǒng)認為是在公交車站停車。這些錯誤的認知，都會誤導(dǎo)機器學習系統(tǒng)。

因此，系統(tǒng)的設(shè)計需要更強大的聚合特征。其中一個功能的靈感就來自谷歌所在的Mountain View地區(qū)。如果谷歌導(dǎo)航發(fā)現(xiàn)大量用戶在午餐時間開著車在市中心繞圈，這就表明停車位很難找。

谷歌的研究員在思考，如何把這些關(guān)于停車難的“蛛絲馬跡”作為一個特征來進行訓(xùn)練。研究員把用戶直接到達目的地時間與繞圈、停車、步行這樣實際到達目的地的時間進行了對比，聚合了二者之間的不同。如果多數(shù)用戶在二者之間所用的時間存在顯著差異，就被認為是遇到了停車難的問題。

之后，谷歌團隊繼續(xù)開發(fā)了更多的特征：特定的目的地、散步的停車地點、停車的時間點與日期（例如，用戶在早晨會停得離目的地很近，在高峰時間會很遠，這怎么辦？）、歷史停車數(shù)據(jù)等等。最后，他們得到了大約20個不同的特征。之后，就是調(diào)整模型的表現(xiàn)了。

模型選擇和訓(xùn)練

針對上述特征，研究員使用了一個標準的回歸機器學習模型。這種選擇有幾個原因：首先，邏輯回歸的原理是大家所熟知的，并且，在訓(xùn)練數(shù)據(jù)中，它對噪音是有彈性的；第二，可以將這些模型的輸出解釋為停車難的概率，然后可以將其映射成描述性術(shù)語，如“停車位有限”或“輕松停車”；第三，很容易理解每個特定特征的影響，這使得驗證模型是否合理更加容易。例如，當研究員開始訓(xùn)練時，許多人認為上述“蛛絲馬跡”的功能將是最好的方法，可以解決所遇到的難題。但實際情況并非如此，事實上，基于車位位置分散的特征才是停車難度最強大的預(yù)測因素之一。

結(jié)論

使用谷歌的模型，研究員們能夠為任何位置和時間的停車難度生成一個估算值。下圖是該系統(tǒng)輸出的幾個例子，用于提供給定目的地的停車難度估計。比如，星期一早上對整個城市來說都停車困難，尤其是最繁忙的金融和零售區(qū)。在星期六晚上，又會再次變得繁忙，但卻主要集中在餐廳和景點等區(qū)域。