Площадные парковки в Москве — как они заполнены (распознавание на спутниковых снимках)

Периодически в обсуждениях городских проблем всплывает тема эффективного планирования и использования парковочных мест, вот и сейчас власти города выставили на торги машиноместа на городских парковках, о чем сообщили многие СМИ. Правда на официальном сайте их там пока не много (около 150 машиномест на торгах). Кроме того, наши партнеры, разрабатывающие решения в области геомаркетинга, заинтересовались трафиком вокруг торговых центров, для потенциального рейтинга.
Мы умеем создавать модели на основе нейросетей для распознавания изображений и применять их к данным съемки со спутников и аэрофотосъемки. Для того чтобы оценить заполненность парковок в Москве, мы создали сценарий моделей, распознающих площадные парковки и скопления машин на них.

Вкратце о технологии и о том, как мы ее начали применять для Москвы.
1) Были выбраны спутниковые снимки Москвы + окрестности МКАД (где расположены многие крупные ТЦ) за единовременный промежуток. Найти такой срез данных непросто, поскольку большая территория (~ 1400 км²) не покрывается одним пролетом. Мы используем платформу Digitalglobe для доступа к исходным данным и с ее помощью нашли нужное покрытие — съемка была поизведена в воскресный день лета, около 12 часов дня. С одной стороны — мы искали съемку за выходной день, потому что трафик распределен более равномерно по сравнению с маятниковыми колебаниями в рабочие дни, с другой — понятно, что в летние выходные народ валит из города и в среднем заполненность ниже. Но надо с чего-то начинать.

Image for post
Image for post
Результаты поиска спутниковых снимков в каталоге Digitalglobe

2) Мы собрали обучающий датасет на основе полигонов парковок из Openstreetmap и доработали до нужной нам разметки (далеко не каждая парковка, нарисованная для картографической базы данных, представляет собой интерпретируемое изображение на космоснимках).

3) Общий сценарий состоит из двух этапов обработки: первая модель распознает площадные парковки, вторая — сегментирует скопления машин внутри сегментов парковок. Такая последовательность помогает значительно повысить точность.

Перейдем к некоторым результатам.
Наша первая модель отсегментировала ~15.500 площадных парковок, общей площадью ~19км² (для сравнения, в Openstreetmap, где больше парковок по Москве, чем на всех других картографических сервисах, на исследуемую территорию нашлось10.328 полигонов, общая площадь 15км², площадь наземных, отмеченных тегом <parking=surface>, 7.8км²).

Тут возникает вопрос, а что, кстати, есть в официальных открытых данных с портала data.mos.ru? А там ничего такого нет, есть только платные уличные парковки в виде линейных геометрий.

Дальше должно быть интереснее.
Из всех парковок в примерно 26% по площади наша модель не засегментировала ни одной машинки.
На оставшихся непустых площадных парковок, заполненность распределяется следующим образом.

Заполненность парковки в данном случае считается в процентах от площади:

Заполненность = (Суммарная площадь автомобилей / Площадь парковки)*100%

Для красоты, конечно, следует добавить пересчет в машиноместа, потому что по сути 30% фактической площади это почти 100% заполненности машиномест площадной парковки. В приближении, около 12 квадратных километров площадных наземных парковок заполнены на 1/3 и менее, т.е. с учетом полностью пустых парковок, более 70% от общей площади — свободно. Пусть Манхэттен позавидует с его дорогими многоярусными паркингами.

Image for post
Image for post
Парковка около Технополиса — результат автоматического распознавания. Пример заполненной парковки

Вот как это распределение по плотности заполнения парковок выглядит на тепловой карте.

Image for post
Image for post
Тепловая карта заполненности парковок с наложенными точками торговых центров

Эти данные уже можно анализировать по конкретным локациям.
На основе посчитанных соотношений по заполненности парковок, одним из интересных приложений представляется составление рейтинга торговых центров. Если более строго подходить к такому рейтингу, следует видимо сгладить его в отношении сезонных колебаний (как было сказано, исходные данные съемки относятся к летнему периоду), что можно сделать за счет усреднения по разновременном снимкам.
Пока мы передали данные нашим партнерам для геомаркетингового анализа, хотим поиграться с рейтингом и придумываем другие применения датасета по парковкам, которые можно будет опубликовать для общественности. Если у вас есть идеи, в том числе по другим городам, давайте обмениваться!

В конце еще несколько картинок для привлечения внимания к возможностям использования датасета по заполненности парковок.

Image for post
Image for post
Заполненность парковок около торговых центров на Востоке Москвы
Image for post
Image for post
Заполненность парковок в Химках

Справка

Лаборатория АэронетЛаб Сколковского института науки и технологий и компания Геоалерт разрабатывают приложения в области анализа данных дистанционного зондирования.
Если у вас есть вопросы, идеи или просто что-то гениальное пришло в голову — пишите на hello@geoalert.io :)

Written by

We apply Machine learning to automated analysis over Earth observation data

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store