Machine Learning‐Based Prediction of Parking Space Availability in IoT‐Enabled Smart Parking Management Systems
Notice bibliographique
Résumé
Parking space management has become a critical challenge in urban areas due to increasing vehicle numbers and limited parking infrastructure. This paper presents a comprehensive study of machine learning (ML) models in IoT‐enabled environments focusing on proposing an ML‐based model for predicting available parking space. The study evaluates the performance of various models including K‐nearest neighbors (KNNs), support vector machines (SVMs), random forest (RF), decision tree (DT), logistic regression (LR), and Naïve Bayes (NB) based on “precision, recall, accuracy, and F1‐score performance metrics”. The results obtained by implementing ML models on the data with 65% and 85% threshold values are compared to draw meaningful conclusions regarding their performance in predicting parking space availability. Among the evaluated models, random forest (RF) demonstrates superior performance with high precision, recall, accuracy, and F1‐score values. It showcases its effectiveness in accurately predicting parking space availability in the IoT‐enabled environment. On the other hand, models such as K‐nearest neighbors (KNNs), decision tree (DT), logistic regression (LR), and Naïve Bayes (NB) show relatively lower performance in complex parking scenarios. The paper concludes that the use of advanced predictive models, particularly random forest, significantly enhances the accuracy and reliability of IoT‐enabled parking management systems and also reduces the waiting time of the vehicles, leading to more efficient resource utilization, reduced traffic congestion in real‐time scenarios, and better user satisfaction in the IoT‐enabled environment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».