Google Maps, l'assistente al parcheggio è ora attivo anche in Italia

Guidare nelle grandi città (quelle italiane non fanno eccezione, anzi: leggi che gli italiani sono costretti alle code in auto) può essere veramente sconfortante a causa della marea di automobili che intasano le strade. L'arrivo alla meta tanto agognata non sempre coincide con la fine delle tribolazioni: trovare parcheggio può essere un'impresa altrettanto se non più faticosa. Se il problema è annoso, le soluzioni possono essere anche molto moderne: quella proposta da Google come integrazione di Maps, per esempio, usa il Machine Learning per indicare le difficoltà di parcheggio anche a Roma e a Milano. Altre novità sono però in vista…

APP DELLE MIE BRAME Il servizio appare come un apparentemente innocuo simbolo “P” su sfondo colorato nella app Google Maps (non nell'applicazione web per PC, almeno per ora) vicino alla destinazione di un itinerario.

La grafica è molto simile a quella dei segnali stradali che indicano i parcheggi e infatti l'icona è seguita da aggettivi come “difficile”, “medio” e così via, accompagnate da variazioni del fondino colorato che circonda la P. Si tratta della funzione Parking Difficulty aggiunta da Big G molto di recente e che, come autoesplicato dal nome, intende fornire agli automobilisti un'idea dello “scenario” dei posti auto che troveranno una volta giunti a destinazione.

Una funzione utile che nasce da sofisticati algoritmi matematici e dal Machine Learning. Questo servizio, introdotto all'inizio dell'anno in 25 aree metropolitane negli USA (dalle ovvie San Francisco, New York City, Miami, Washington, Los Angeles e Chicago alle meno note Charlotte, Phoenix, Tampa e Sacramento), è arrivata alla fine di agosto anche in 25 città al di fuori degli States.

PARCHEGGIARE CON L'INTELLIGENZA Le aree urbane del Vecchio Continente interessate da questo servizio sono Alicante, Amsterdam, Copenhagen, Barcelona, Cologne, Darmstadt, Dusseldorf, London, Madrid, Malaga, Manchester, Milano, Moscow, Munich, Paris, Prague, Roma, Stockholm, Stuttgart, Valencia più le canadesi Toronto, Vancouver e Montreal e le brasiliane Rio de Janeiro e Sao Paulo. È Google stessa a spiegare come ottiene quest'indicazione, partendo dalla considerazione che occorrono dati molto “robusti” per generarla. I ricercatori di Big G riferiscono che l'ispirazione per questo servizio è nata proprio a Mountain View, la cittadina sede del quartier generale di Google. Si è infatti osservato che molti utenti del servizio di navigazione di Google all'ora di pranzo circolano seguendo traiettorie come quella illustrata nella figura qui sotto (guarda l'app che trova un parcheggio libero).

I ricercatori hanno dedotto che in quella zona il parcheggio potrebbe essere molto difficile e si è posta quindi la questione di come riconoscere l'impronta digitale del parcheggio difficile e come usarla per addestrare dei sistemi. È stata scelto di considerare la differenza fra l'orario nel quale l'utente sarebbe dovuto arrivare a destinazione e quello nel quale ha effettivamente fermato l'auto e ha iniziato a camminare, dopo aver girato intorno al punto di arrivo. Se molti guidatori evidenziano un grande divario fra questi 2 orari, è lecito ritenere che questo sia il sintomo di un parcheggio difficile.

TI GUIDO IO Oltre a questo indicatore ne sono stati considerati diversi altri, come la dispersione dei parcheggi, la dipendenza dall'ora (la difficoltà, a parità di luogo, varia infatti con l'orario) e dalla data, dati storici e altro ancora, arrivando ad una ventina di variabili da inserire nel modello. Il modello scelto è stato quello della regressione logistica inserito in una procedura di Machine Learning, una preferenza che ha alcuni validi motivi. Il primo luogo il comportamento della regressione logistica è ben noto ed è piuttosto resiliente alla “rumorosità” dei dati durante l'apprendimento: questa dote è molto utile quando i dati provengono da un crowdsourcing, costituito in questo caso dalle migliaia di smartphone degli utilizzatori (leggi che i Big Data possono essere la cura contro il traffico delle città). Risulta poi facile interpretare l'output di questo modello come la probabilità che il parcheggio sarà difficile, una quantità convertibile in termini descrittivi come Posti limitati o Parcheggio facile. Terzo, ma non meno importante, è facile capire l'influenza di ciascuna variabile, cosa che facilita molto il verificare se il modello si comporta “ragionevolmente”. Nella figura qui sotto le aree “difficili” di San Francisco sono quelle con i colo più intensi: a sinistra la situazione del lunedi alle 8 di mattina, a destra quella delle 9 di sera, quando gli uffici sono ormai vuoti.

La cosa non finisce qui, perché nelle stesse città americane è attivo da poco anche il servizio Find Parking, che evidenzia nella app un elenco di garage e posti auto vicini alla destinazione: basterà “toccarne” uno per aggiungerla come destinazione al percorso impostato (leggi che Bosch pensa che il parcheggio delle auto e delle città connesse sia la soluzione al traffico). Il sistema fornirà anche indicazioni sul tragitto da fare a piedi dal parcheggio alla destinazione finale.