Decision Algorithm for Parking Sensors

Abstract

Studier viser at opptil en tredjedel av all urbane overbelastning er forårsaket av sjåfører som leter etter et sted å parkere. Amerikanske sjåfører bruker gjennomsnittlig 17 timer i året på å søke etter gratis parkeringsplasser på gater, garasjer eller mye. Parkeringsrelaterte kostnader som garasjeavgift, parkeringsbilletter og drivstoff som kastes bort mens du søker etter gratis parkering gjør at de bruker mer enn 20 milliarder dollar i året. Derfor er det nødvendig å utvikle avanserte Parking Guidance Systems (PGS) for å håndtere parkeringsrelatert trafikkstopp og forurensning. PGS reduserer søketiden for parkeringsplass ved å gi informasjon om hvor plass er tilgjengelig. Q-Free har utviklet et komplett PGS-system kalt ParQSense, en familie av maskinvare- og programvareløsninger som gir svært nøyaktig informasjon om situasjonen til flekker i parkeringsplasser på gaten, på gaten og på overflaten. Imidlertid, i tilfeller som tykk is eller snø over sensoren (på utendørs parkeringsplasser) eller når en bil parkeres utenfor nøyaktighetssonen til sensoren, er prediksjoner for sensoren ikke pålitelige. Denne avhandlingen prøver å undersøke problemet ved hjelp av sensordata og bilder tatt fra en pilotparkeringsplass og utvikle en maskinlæringsklassifiserer som forbedrer nøyaktigheten i å gjenkjenne flekksituasjoner i problematiske tilfeller. Datamerking med nesten perfekt presisjon er en bemerkelsesverdig del av denne forskningen. Sensorposter er merket ved bruk av bilder tatt fra parkeringsplassen. Undersøkende dataanalyse viser at utredningen bør være fokusert på det ubalanserte læringsproblemet, da alvorlige tilfeller skjer mye sjeldnere enn normale. Standard Support Vector Machine (SVM), Random Forest (RF) og K-Nearest Neighbours (KNN) blir evaluert på det ubalanserte datasettet før de samples på nytt for å ha en grunnlinje for å sammenligne ytelsen til ubalanserte elever. Deretter blir disse tre konvensjonelle metodene brukt på de forskjellige typene av SMOTE-resampled datasett. Videre brukes modifiserte kostnadsfølsomme versjoner av SVM- og RF-teknikker for å løse problemet. Sammenligning av resultatene fra forskjellige tilnærminger viser at RF-klassifiseringen som ble brukt på standard SMOTE-resampled datasett, overgår de andre metodene. Å bruke det usettede testdatasettet for å evaluere den valgte klassifisereren viser at blant 6090 nye prediksjoner av modellen er det bare 42 prediksjoner (rundt 0,6%) som er problematiske for systemet. Maskinlæringsmetodene viser betydelige evner når det gjelder å håndtere det ubalanserte læringsproblemet i hånden.

Studies show up to a third of all urban congestion is caused by drivers looking for somewhere to park. American drivers spend averagely 17 hours a year searching for free parking spots on streets, garages, or lots. Parking related costs such as garage fees, parking tickets, and fuel that is wasted while searching for free parking make them spend more than $20 billion a year. Therefore, developing advanced Parking Guidance Systems (PGS) are needed to address parking-related congestion and pollution. The PGS reduces searching time for parking space by providing information on where space is available. Q-Free has developed a complete PGS system called ParQSense, a family of hardware and software solutions that provides highly accurate information about the situation of spots in on-street, off-street, and surface lot parking. However, in cases like thick ice or snow over the sensor (in outdoor parking spots) or when a car is parked out of the accuracy zone of the sensor, predictions of the sensor are not reliable. This thesis tries to investigate the problem using sensor data and images taken from a pilot parking lot and develop a machine learning classifier that improves accuracy in recognizing spot situations in problematic cases. Data labeling with almost perfect precision is a remarkable part of this research. Sensor records are labeled using images taken from the parking lot. Exploratory data analysis shows that the investigation should be focused on the imbalanced learning problem, as severe cases happen much less often than normal ones. Standard Support Vector Machine (SVM), Random Forest (RF), and K-Nearest Neighbors (KNN) are evaluated on the imbalanced data set before resampling to have a baseline for comparing the performance of imbalanced learners. Then, these three conventional methods are applied to the different types of SMOTE resampled data sets. Furthermore, modified cost-sensitive versions of SVM and RF techniques are utilized to solve the problem. Comparing the results of different approaches shows that the RF classifier applied to the standard SMOTE resampled data set outperforms the other methods. Utilizing the unseen test data set to evaluate the selected classifier shows that among 6090 new predictions by the model, only 42 predictions (around 0.6 %) are problematic for the system. The machine learning approaches show significant abilities in dealing with the imbalanced learning problem in hand.