Dynamic Parking Maps from Vehicular Crowdsensing

摘要

The search for parking is a highly important problem in many cities. Drivers circle around the blocks on a more or less random search path when looking for on-street parking, wasting time and resources. Thus, parking information has great potential to reduce the search time by guiding the drivers to road segments with a higher chance of finding parking. The goal of this thesis is the automatic generation of dynamic parking maps, which contain both the areas with parking permission and the estimated parking availability. As input, the data collection by vehicular crowdsensing is investigated, where sensors of many vehicles continuously scan the availability of on-street parking spaces during their regular trips. This goal is addressed holistically, starting with the detection of parked vehicles in parking lanes, over the aggregation of parking availability information, to the quality evaluation of the dynamic parking maps.The main body of this thesis is split into two parts regarding the underlying data: 1) self-recorded street environment data from a LiDAR mobile mapping vehicle and 2) long-term datasets from static parking sensors and taxi trajectories in San Francisco, US. First, a processing pipeline is presented to extract the locations of parked vehicles from the 3D point clouds of the LiDAR mobile mapping vehicle. A key challenge was the distinction between moving and parked vehicles. Results showed that this pipeline was able to provide accurate results with a recall of 93.7% at a precision of 97.4%. Based on detections of parked vehicles at different time instants, a learning approach was developed, in order to generate a parking legality map automatically, containing the areas where parking was allowed. Two classifiers using several features were compared with an approach from the literature. The results showed that the proposed approach using a random forest classifier achieved the best results. Most interestingly, a clustering-based classification achieved a similar quality, without the need for expensive training data.Since crowdsensing needs many vehicles and thus records of one vehicle are not sufficient to study crowdsensing of parking availability comprehensively, the observations from more than 5,000 static parking sensors were used to simulate crowdsensing. Crowdsensing was simulated by downsam-pling of the regular sensor observations, based first on an observation rate model and then on trajectories from taxis as potential probe vehicles. The parking data was analyzed in a detailed spatio-temporal evaluation. The main results were that parking had a strong daily periodicity and that the temporal correlations were much more relevant than spatial similarities. With crowdsensing, parking availability is not observed at regular intervals, and therefore needs to be estimated at unobserved time instants. Three methods for parking availability estimation were investigated. Spatial interpolation achieved only modest results. However, a simple persistence of the last observation value on the same road segment achieved remarkable results, unsurpassed by a binary classification. However, the binary classification has the benefits that 1) a better weighting between precision and recall is possible, 2) an accurate probability estimate is provided, and 3) the method can also be used for an availability prediction. In a comparison between taxi crowdsensing and continuous measurements by static sensors, only a small quality decay was observed for crowdsensing. In a final evaluation of the different parking information for an exemplary search scenario, the parking legality map with capacity information led to a strong search reduction. Further improvements were observed by including parking availability information, particularly when the parking capacity was similar in the road segments and thus the parking legality map helped less.In conclusion, parking crowdsensing with probe vehicles has high potential for providing detailed dynamic parking maps without the need for static sensors in the streets. Moreover, dynamic parking maps significantly support drivers on the parking search.%In vielen Städten ist die Suche nach einem freien Parkplatz ein großes Problem. Autofahrer suchen auf einer mehr oder weniger zufälligen Route nach Parkplätzen am Straßenrand und verschwenden dabei Zeit und Sprit. Parkplatzinformationen haben daher ein großes Potential diese Suche zu erleichtern, etwa durch eine Routenführung zu den Straßenabschnitten mit der höchsten Wahrscheinlichkeit, einen Parkplatz zu finden. Das Ziel dieser Arbeit ist die automatische Erstellung dynamischer Parkplatzkarten, die sowohl die Flächen, auf denen man parken darf, als auch eine Schätzung der aktuellen Parkplatzverfügbarkeit beinhalten. Dabei wird das Sammeln der benötigten Daten mittels Messungen einer Vielzahl an Fahrzeugen (Crowdsensing) untersucht, die die aktuelle Parkplatzverfügbarkeit auf ihren regulären Fahrten über eingebaute Sensoren erfassen. Dieses Ziel wird dabei ganzheitlich verfolgt, von der Detektion parkender Fahrzeuge in Parkbuchten, über die Aggregation von Informationen zur Parkplatzverfügbarkeit, hin zu einer Qualitätsbewertung der dynamischen Parkplatzkarten.Der Kern der Arbeit teilt sich hinsichtlich der verwendeten Daten in zwei Hauptteile: 1) selbst-erfasste Daten des Straßenumfeldes mit Hilfe eines LiDAR Mobile Mapping Fahrzeuges und 2) Langzeitdaten von statischen Parkplatzsensoren und Taxitrajektorien in San Francisco (USA). Zuerst wird ein Vorgehen zur Erkennung von parkenden Autos aus den 3D-Punktwolken des LiDAR Mobile Mapping Fahrzeugs beschrieben. Eine Hauptherausforderung ist dabei die Unterscheidung zwischen fahrenden und parkenden Fahrzeugen. Die Ergebnisse zeigen, dass mit diesem Vorgehen sehr genaue Ergebnisse mit einer Sensitivität von 93,7 % bei einer Genauigkeit von 97,4 % erreicht werden. Basierend auf den Erkennungen von geparkten Fahrzeugen zu unterschiedlichen Zeitpunkten wird ein Lernansatz vorgestellt, um automatisch eine Parkraumkarte zu erzeugen, die die erlaubten Parkbereiche enthält. Zwei Klassifikationsverfahren, die verschiedene raumzeitliche Merkmale nutzen, werden mit einem Ansatz aus der Literatur verglichen. Die Ergebnisse zeigen, dass der Random Forest Klassifikator die besten Ergebnisse erzielt. Interessanterweise erzielt eine clustering-basierte Klassifikation eine ähnliche Qualität ohne die Nutzung aufwendiger Trainings-daten.Da Crowdsensing eine Vielzahl an Fahrzeugen benötigt und somit die Messungen eines einzelnen Fahrzeugs nicht ausreichen, um ein Crowdsensing der Parkplatz Verfügbarkeit umfassend zu untersuchen, werden Messdaten von mehr als 5.000 statischen Parksensoren in San Francisco verwendet. Crowdsensing wird durch eine Ausdünnung der Sensorbeobachtungen simuliert, zunächst basierend auf einem Modell mit konstanter Beobachtungsrate und anschließend basierend auf Tra-jektorien von Taxis als potentielle Messfahrzeuge. Darüber hinaus werden die Parkplatzdaten in einer detaillierten raumzeitlichen Auswertung analysiert. Die Hauptergebnisse dieser Auswertung zeigen, dass die Parkplatzbelegung eine starke tägliche Periodizität aufweist und dass die zeitliche Korrelation deutlich relevanter ist als die räumlichen Ähnlichkeiten. Beim Crowdsensing wird die Parkverfügbarkeit nicht in regelmäßigen Abständen beobachtet und muss daher für die unbeobachteten Zeitpunkte geschätzt werden. Drei Methoden zur Schätzung der Parkplatzverfügbarkeit werden untersucht. Die räumliche Interpolation erzielt nur mäßige Ergebnisse. Aber bereits ein einfaches Fortführen des letzten Beobachtungswertes auf demselben Straßensegment (Persistenzmethode) erzielt bemerkenswerte Ergebnisse, die von einer binären Klassifikation nicht übertroffen werden. Die binäre Klassifizierung hat jedoch die Vorteile, dass 1) eine bessere Gewichtung zwischen Genauigkeit und Sensitivität möglich ist, 2) eine genaue Wahrscheinlichkeitsschätzung bereitgestellt wird und 3) auch eine Prädiktion der Parkplatzverfügbarkeit möglich ist. In einem Vergleich zwischen Crowdsensing mittels Taxis und kontinuierlichen Messungen durch statische Sensoren wird nur ein geringer Qualitätsabfall für Crowdsensing beobachtet. Abschließend werden die verschiedenen Informationen der dynamischen Parkplatzkarte in einem beispielhaften Suchszenario ausgewertet. Bereits die Verwendung der Parkraumkarte mit der Park-Platzkapazität führt zu einer starken Reduktion der Suche. Weitere Verbesserungen werden bei Nutzung der Informationen zur Parkplatzverfügbarkeit beobachtet, insbesondere wenn die Parkkapazität in den Straßenabschnitten ähnlich ist und daher die Parkraumkarte weniger Unterstützung bietet.Zusammenfassend kann festgestellt werden, dass das Parkplatz-Crowdsensing mit Messfahrzeugen ein hohes Potenzial für die Bereitstellung dynamischer Parkplatzkarten bietet, ohne dass statische Sensoren in den Straßen benötigt werden. Darüber hinaus helfen dynamische Parkplatzkarten den Autofahrern erheblich bei der Parkplatzsuche.