当 CapitaLand Investment 启动开发停车场预测系统计划时，目标是在实现营收增长的同时尽可能降低对环境的影响。
总部位于新加坡的房地产投资公司将该项目交给其数据与人工智能 (AI) 团队，由内部团队基于 Python 开发完成。该系统历时三个月完成，并已在 23 个 CapitaLand 商业园区和商用大楼的停车场全面部署。
创立于 2000 年的 CapitaLand Investment 在新加坡拥有 2,878 名员工，其中 IT 部门有 12 人。公司旨在提升用户满意度与提供无缝的停车体验，通过在季租车位需求较低时，动态将这些车位释放给非季租用户。
他们希望借助更准确预测使用模式与优化土地利用率来推动营收增长。同时，通过优化现有资源，降低对新增基础设施的依赖，从而减少对环境的影响。
如果该预测系统证明具有良好的可扩展性与适应性，该项目还有望树立行业新标杆，并激发城市规划领域的新一轮创新。
该停车场系统采用了多种机器学习算法，包括逻辑回归、套索回归、随机森林、 CatBoost 以及 light gradient boosting machine (LightGBM)。
为了训练各种机器学习模型，这些算法因具备处理大规模数据集与标注数据以及预测特定结果（例如停车场占用率和可用性）的能力而被选用。
为了确保能够根据最新数据模式动态调整，所有机器学习模型均每周运行一次，为下周生成预测数据。每周挑选表现最佳的模型，并用于分配下周的停车位。
改善用户体验
CapitaLand 认为，这种方法将持续提升系统的准确性与效率。
该预测系统还融合了季节性趋势和事件驱动的波动，使得在高峰期将季租车位释放给非季租用户成为可能，从而在优化空间利用率的同时提高用户体验。
在实施过程中，公司还着力与利益相关者保持沟通，定期开展讨论以解决顾虑并提供项目进展更新。选定部分停车场进行试点，以便在系统全面部署前解决潜在问题，确保运营顺畅。此外，CapitaLand 还收集用户反馈，根据用户体验对系统进行必要的微调。
通过预测使用模式与优化空间，该停车场预测系统为 CapitaLand 带来了 15% 的总体营收增长。未来，该系统有望进一步扩展到更多商用大楼，并有可能整合更先进的 AI 技术与额外的数据源。
通过这一项目，CapitaLand 认识到部署可扩展系统与 AI 模型是成功的关键，同时具备处理大规模数据集的能力至关重要。其底层基础设施必须能够扩展支持多个场所，而不牺牲性能。
此外，预测系统必须适应实时数据与不断变化的使用模式。在这方面，CapitaLand 认为采用多样化机器学习模型至关重要，每个模型均能发挥独特优势，高效完成各项预测任务。
其住宿业务部门 Ascott 同样利用多种实时数据为聊天机器人提供支持，帮助用户规划行程，其中包括 Bing 搜索、 Azure Map 的 “nearby” 以及天气应用编程接口 (APIs)，还有 Ascott 的 DiscoverASR.com。基于生成式 AI 运行的聊天机器人能够提供包括目的地亮点、住宿推荐、景点和 “Instagram-worthy” 地点等多种旅行见解。
