Data analytics for smart parking applications

Abstract

We consider real-life smart parking systems where parking lot occupancy data are collected from field sensor devices and sent to backend servers for further processing and usage for applications. Our objective is to make these data useful to end users, such as parking managers, and, ultimately, to citizens. To this end, we concoct and validate an automated classification algorithm having two objectives: (1) outlier detection: to detect sensors with anomalous behavioral patterns, i.e., outliers; and (2) clustering: to group the parking sensors exhibiting similar patterns into distinct clusters. We first analyze the statistics of real parking data, obtaining suitable simulation models for parking traces. We then consider a simple classification algorithm based on the empirical complementary distribution function of occupancy times and show its limitations. Hence, we design a more sophisticated algorithm exploiting unsupervised learning techniques (self-organizing maps). These are tuned following a supervised approach using our trace generator and are compared against other clustering schemes, namely expectation maximization, k-means clustering and DBSCAN, considering six months of data from a real sensor deployment. Our approach is found to be superior in terms of classification accuracy, while also being capable of identifying all of the outliers in the dataset.

Consideramos los sistemas de estacionamiento inteligentes reales donde los datos de ocupación del estacionamiento se recopilan de los dispositivos de sensores de campo y se envían a los servidores back-end para su posterior procesamiento y uso para las aplicaciones. Nuestro objetivo es hacer que estos datos sean útiles para los usuarios finales, como los gerentes de estacionamiento y, en última instancia, para los ciudadanos. Con este fin, elaboramos y validamos un algoritmo de clasificación automatizado que tiene dos objetivos: (1) detección de valores atípicos: para detectar sensores con patrones de comportamiento anómalos, es decir, valores atípicos; y (2) agrupamiento: para agrupar los sensores de estacionamiento que exhiben patrones similares en grupos distintos. Primero analizamos las estadísticas de datos reales de estacionamiento, obteniendo modelos de simulación adecuados para huellas de estacionamiento. Luego consideramos un algoritmo de clasificación simple basado en la función de distribución empírica complementaria de los tiempos de ocupación y mostramos sus limitaciones. Por lo tanto, diseñamos un algoritmo más sofisticado que explota técnicas de aprendizaje no supervisadas (mapas autoorganizados). Estos se sintonizan siguiendo un enfoque supervisado utilizando nuestro generador de trazas y se comparan con otros esquemas de agrupamiento, a saber, la maximización de la expectativa, la agrupación k-means y DBSCAN, considerando seis meses de datos de una implementación real del sensor. Nuestro enfoque es superior en términos de precisión de clasificación, al tiempo que es capaz de identificar todos los valores atípicos en el conjunto de datos.

Considerem els sistemes d'estacionament intel·ligents reals on les dades d'ocupació de l'estacionament es recopilen dels dispositius de sensors de camp i s'envien als servidors back-end per al seu posterior processament i ús per a les aplicacions. El nostre objectiu és fer que aquestes dades siguin útils per als usuaris finals, com els gerents d'estacionament i, en última instància, per als ciutadans. Amb aquesta finalitat, elaborem i validem un algoritme de classificació automatitzat que té dos objectius: (1) detecció de valors atípics: per detectar sensors amb patrons de comportament anòmals, és a dir, valors atípics; i (2) agrupament: per agrupar els sensors d'estacionament que exhibeixen patrons similars en grups diferents. Primer analitzem les estadístiques de dades reals d'estacionament, obtenint models de simulació adequats per a empremtes d'estacionament. Després considerem un algoritme de classificació simple basat en la funció de distribució empírica complementària dels temps d'ocupació i mostrem les seves limitacions. Per tant, vam dissenyar un algoritme més sofisticat que explota tècniques d'aprenentatge no supervisades (mapes autoorganitzats). Aquests es sintonitzen seguint un enfocament supervisat utilitzant el nostre generador de traces i es comparen amb altres esquemes d'agrupament, és a dir, la maximització de l'expectativa, l'agrupació k-means i DBSCAN, considerant sis mesos de dades d'una implementació real del sensor. El nostre enfocament és superior en termes de precisió de classificació, alhora que és capaç d'identificar tots els valors atípics en el conjunt de dades.