Open Access

Jonas Sonntag

• Finding an available parking spot in city centers can be a cumbersome task for individual drivers and also negatively affects general traffic flow and CO2 emissions. In the context of smart cities and the internet of things this problem can be mitigated by using available data to monitor and predict parking occupancy in order to guide users to an available parking location near their destination. With this goal in mind there arise multiple challenges of which we introduce selected ones to propose novel solutions based on machine learning. The focus of this work is to enable the usage of readily available and inexpensive data sources like parking meter transactions, opposed to expensive technology like in-ground sensors or cameras where the costs prevent a widespread coverage. Our proposed data sources do not directly monitor the actual parking availability but still provide enough signal for our algorithms to infer the real parking situation with high accuracy. As part of this work we developed a parking availability prediction system based on parking meter transactions that was deployed to 33 german cities. A main contribution of our work is the proposal of a novel way to generate labels based on the parking transactions and to use semi-supervised-, more specifically positive-unlabeled learning, to leverage the sparse signal in order to require as little data as possible. Additionally, we utilize and design novel methodologies in the area of transfer learning to learn simultaneously from different cities which leads to the previously seldom explored setting of combining transfer learning with positive-unlabeled learning. We therefore introduce a novel algorithm to tackle this problem type. We hope that our work enables the deployment of smart parking systems at lower costs and therefore leads towards the goal of smart parking guidance in smart cities.
• Die Suche nach einem freien Parkplatz in Stadtzentren ist nicht nur für Autofahrer eine mühsame Aufgabe, sondern wirkt sich auch negativ auf den allgemeinen Verkehrsfluss und die CO2-Emissionen aus. Mit dem Aufkommen von ”smart cities” und dem Internet der Dinge, können verfügbare Daten zur Überwachung und Vorhersage der Parkplatzbelegung benutzt werden, um die Nutzer zu einem freien Parkplatz in der Nähe ihres Zielortes zu führen. In dieser Arbeit stellen wir in diesem Zusammenhang einige Herausforderungen vor und schlagen neue Lösungen basierend auf maschinellem Lernen vor. Der Schwerpunkt dieser Arbeit liegt auf der Nutzung leicht verfügbarer und kostengünstiger Datenquellen wie Parktransaktionen, im Gegensatz zu teuren Technologien wie Bodensensoren oder Kameras, bei denen die Kosten eine breite Abdeckung verhindern. Die von uns vorgeschlagenen Datenquellen überwachen nicht direkt die tatsächliche Verfügbarkeit von Parkplätzen, liefern aber dennoch genügend Informationen für unsere Algorithmen, um mit hoher Genauigkeit auf die tatsächliche Parksituation zu schließen. Im Rahmen dieser Arbeit haben wir ein System zur Vorhersage der Parkverfügbarkeit entwickelt, das auf den Transaktionen von Parkuhren basiert und in 33 deutschen Städten eingesetzt wurde. Ein Hauptaspekt unserer Arbeit ist die Entwicklung einer neuartigen Methode zur Generierung von Labels auf der Basis von Parktransaktionen und die Verwendung von semi-überwachtem-, genauer gesagt positiv-ungelabeltem Lernen, um das vorhandene Signal zu nutzen und so wenig Daten wie möglich zu benötigen. Darüber hinaus nutzen und entwickeln wir neuartige Methoden im Bereich des Transfer-Lernens, um gleichzeitig von verschiedenen Städten zu lernen, was zu dem bisher selten erforschten Problem führt, Transfer-Lernen mit positiv-ungelabeltem Lernen zu kombinieren. Wir entwickeln einen neuen Algorithmus für diese Problemklasse. Wir hoffen, dass unsere Arbeit den Einsatz von intelligenten Parksystemen zu geringeren Kosten ermöglicht und somit zu dem Ziel einer intelligenten Parkführung in smart cities beiträgt.