[ZOL汽车用品]有这样一句话笔者比较认同——开车，停车难，不开车，出行难。买车，对于大多数人来说，都不是一个重大的负担了，养车，也都是量力而行。唯独停车这事儿，每个人都是心有余而力不足。其实，停车难是一个世界性的问题，外国的月亮也有不那么圆的时候。要不然，也不会有《天天抢车位？这项技术让停车难成为过去》一文中为了停车大费周章的设备，这不，谷歌大大有坐不住了，在近日安卓设备的更新中，为谷歌地图新增了一项功能——预测目的地的停车状况。
谷歌大大是如何做到的呢？
用户只需在谷歌地图中查询路线，就可以看到一个新的图标。如果谷歌预测到你所去的目的地可能有停车难的风险，你就会看到地图上出现一个彩色的点，且附带字母P。停车的难易程度将分为“车位有限”、“中等”和“容易”三个等级。这一功能目前已经向25个美国最大的城市地区开放。谷歌公司正寻求在未来将该功能推广至更多的城市和国家，以及打破平台限制，延伸至苹果iPhone设备上的谷歌地图应用。有时候，网友也会调侃道在iOS平台有两个软件开发商最为良心：一是微软，二是谷歌。
三巨头真是相爱相杀啊！
为什么一个小小的停车难会困扰全世界呢？停车，从以往的经验来说，是不可预测的。停车时，汽车的功能处于休眠状态，数据无法被获取，而且还有一个神奇的现象叫做非法停车。此外，人们的出行计划，停靠时间都是具有很大的随机性。无法预测就是需要实时监控，实时监控又意味着巨大的数据量。这，是一个悖论。
停车标志
谷歌的解决思路分为三个层次：先通过众包的方法获得地面实况数据，然后进入合适的机器学习模型以及训练模型的强大特征集，最终输出产品层面的用户体验，也就是我们前文提到的提车信息反馈和路线规划。
地面实况数据
在机器学习解决方案中，收集高质量的实况数据一直是个关键挑战。即便是谷歌，也经历了一个艰难的过程，他们发现不同的人对“难”的判断是取决于主观而非客观，因此，他们需要给难找到一个衡量标准：时间。“多久能找到停车位？”这样的客观问题，答案的可信度就有了很大的提高，从而能众包产生高质量的、超过10万个回答的实况数据集。
地面实时路况
模型特征
数据不等于特征，数据存在一个拆解重构的过程。大数据分析有一个有别于以往逻辑思维的显著特征——因果关系并不是最重要，事物之间的非必然联系反而成为问题的关键。比如以下情况，每一种都不是因果关系可以处理的：
如果有人在自己门前或者私人的停车位停车，系统不该错误地认为这里的停车位是可用的；用户搭乘出租车到达，可能会造成门前停车很多的假象；公共交通用户可能会被系统认为是在公交车站停车。
让我们换一个思路：
我们来回找一些聚合特征。比如，谷歌所在的Mountain View地区，如果谷歌导航发现大量用户在午餐时间开着车在市中心绕圈，这就表明停车位很难找。顺着这个思路，研究员把用户直接到达目的地时间与绕圈、停车、步行这样实际到达目的地的时间进行了对比，聚合了二者之间的不同。如果多数用户在二者之间所用的时间存在显著差异，就被认为是遇到了停车难的问题。
特定的目的地、散步的停车地点、停车的时间点与日期（例如，用户在早晨会停得离目的地很近，在高峰时间会很远，这怎么办？）、历史停车数据等等。最后，他们得到了大约20个不同的特征。
模型提炼
针对上述特征，研究员使用了一个标准的回归机器学习模型。这种选择有几个原因：首先，逻辑回归的原理是大家所熟知的，并且，在训练数据中，它对噪音是有弹性的；第二，可以将这些模型的输出解释为停车难的概率，然后可以将其映射成描述性术语，如“停车位有限”或“轻松停车”；第三，很容易理解每个特定特征的影响，这使得验证模型是否合理更加容易。例如，当研究员开始训练时，许多人认为上述“蛛丝马迹”的功能将是最好的方法，可以解决所遇到的难题。但实际情况并非如此，事实上，基于车位位置分散的特征才是停车难度最强大的预测因素之一。
编辑点评：停车难的问题，全世界都存在，我们也没有必要去苛求有关部门迅速解决，因为牵涉的利益太广，我们都需要为问题解决出一份力。只是笔者很反对那些借此发不义之财、怠政懒惰和讹人的行为。
推荐相关阅读：
更多汽车用品资讯请关注车品达人公众号或加入ZOL车品QQ群
别说话，扫我
本文属于原创文章，如若转载，请注明来源：天天抢车位？谷歌实况数据终结停车难 //gps.zol.com.cn/626/6260213.html
推荐经销商