Компания Google дополнила приложение «карты Google» для мобильной операционной системы Android функцией прогнозирования загруженности парковок. Теперь пользователи в режиме реального времени смогут узнать, какова вероятность припарковаться в точке прибытия. Как сообщает компания в своем блоге, в основе новой функции лежит технология машинного обучения.
Современные навигационные приложения позволяют отслеживать ситуацию на дорогах и трассах, прокладывать оптимальные маршруты, узнавать о расположении радаров скорости и другую необходимую для водителей информацию. При этом лишь небольшое число карт показывает доступность парковочных мест. Во многом это связано с тем, что загруженность парковок зависит от времени суток, дня недели, погоды, праздников и так далее, что делает построение прогнозов сложной задачей. Кроме того, данные о наличии свободных мест для машин почти не собираются в режиме реального времени, а счетчики, которые подключены к интернету, часто не учитывают тех, кто паркуется нелегально, со специальным разрешением или уезжает раньше времени с оплаченного места.
Компания Google обошла эти трудности с помощью краудсорсинга и машинного обучения. На первом этапе работы исследователи спрашивали у водителей и пассажиров из разных районов, сколько времени занял поиск свободного парковочного места. Всего разработчикам удалось собрать около 100 тысяч ответов. На основе этих данных они выделили ряд характеристик (каких именно в блоге не сообщается), которые были использованы для обучения компьютерной модели, предсказывающей занятость парковок.
Тем не менее, система все еще нуждалась в доработке, так как информация, которую сообщали участники исследования, заведомо содержала «мусор». Например, пассажиры такси могли сказать, что машине удалось быстро найти свободное место, но это не отображало реальную загруженность парковок в районе, так как автомобиль просто высаживал человека и ехал дальше. Кроме того, некоторые водители, вероятно, оставляли свою машину на закрытой территории зданий, где они живут или работают, и парковка не занимала у них много времени. Это также могло заставить систему посчитать район менее загруженным, чем на самом деле.
Поэтому создатели приложения дополнили модель данными о том, сколько времени водители ищут свободное место. В частности, они учитывали разницу между тем, когда пользователь должен был прибыть к месту назначения, если бы он просто подъехал ко входу в здание, и тем, когда он действительно там оказывался, что позволяло учесть время, затраченное на парковку машины. Если у многих водителей этот временной разрыв был большим, это значило, что, скорее всего, ближайшие парковки сильно загружены.
В общей сложности было выделено 20 переменных, которые позволяют определить доступность парковок в зависимости от времени суток, даты и района. Вся информация анализируется методом логистической регрессии, после чего рассчитывается вероятность найти свободное место — она может быть высокой, средней и ограниченной. Если ближайшие парковки заняты, «карты Google» предложат перестроить маршрут. Таким образом, как отмечает Tech Crunch, программа не следит за изменением реальной обстановки — она, скорее, анализирует общие закономерности.
Сейчас обновление доступно для 25 городов США, включая Сан-Франциско, Майами, Чикаго, Бостон, Орландо, Сент-Луис и другие. О том, как скоро оно выйдет для других стран, а также для операционной системы iOS пока что ничего не известно.
Аналогичную функцию в прошлом году внедрили разработчики приложенийWaze и Inrix, однако, в отличии от «карт Google», программа Waze позволяет находить свободные парковочные места.
В прошлом году компания Google также провела обновление своих спутниковых карт Google Maps и Google Earth, значительно повысив их качество. Они использовала снимки, которые были сделаны спутником Landsat 8.
Кристина Уласович
Средняя частота ошибок составила 29 процентов
Французские исследователи разработали неинвазивный интерфейс для декодирования набираемого на клавиатуре текста по активности головного мозга. Для сбора данных используются магнитоэнцефалография и электроэнцефалография. За преобразование сигналов головного мозга в последовательности символов отвечает созданная исследователями нейросетевая модель Brain2Qwerty. Лучшие результаты получились при использовании магнитоэнцефалографии. Средняя частота ошибок в символах при использовании этого метода оказалась на уровне 29 процентов, против 65 процентов у ЭЭГ. Статья с результатами опубликована в журнале Nature Neuroscience.