当路边停车遇上AutoML：无人收费系统的模型迭代，已经从“周”压缩到了“小时”
在城市交通治理这门学问里，路边停车一直是个让人头疼的“老大难”。早些年，很多地方靠人工巡街、靠咪表收费，逃费、误收、效率低下几乎是常态。后来无人收费系统 gradually 铺开，靠摄像头 算法识别车牌、计时长、自动扣费，体验上了一大截。但做了几年下来，行业内的人都清楚一个痛点：算法模型太“娇贵”，一换天气、一换摄像头型号、一换道路环境，识别率就掉，而传统模型迭代动辄要两三周甚至一个月。
我自己从2017年就开始跟智慧停车项目打交道，亲眼见过不少甲方被模型迭代拖垮。一个区换了一批夜间低照度相机，原来训练好的车牌检测模型准确率从98.5%掉到89%，工程团队重新采集数据、标框、调参、回测，等新版模型上线，老百姓已经投诉了半条街。这种“算法跟不上场景”的尴尬，在中小城市尤其明显——他们请不起大厂那种几十人的算法驻场团队。
转折点大概出现在去年。我们在一个中部城市的试点里，第一次把AutoML自动化机器学习流水线接进了路边停车无人收费系统。说白了，AutoML不是什么玄学，它把特征工程、模型选择、超参搜索这些原本靠资深算法工程师手工熬的活，变成了可配置、可自动执行的管道。但真正让行业兴奋的，是它和边缘侧数据回流机制打通之后带来的迭代速度变化。
过去模型迭代慢，一半卡在“数据到训练集”的脏活上。现在路边枪机、球机每天产生海量带时空标签的抓拍，系统自动做初步清洗和难例挖掘——比如把低置信度、遮挡、雨雾模糊的帧挑出来，推给AutoML做增量训练。我们实测过，从新场景数据回流、自动标注校验、到轻量化模型编译下发到路侧推理盒子，整个闭环最短可以压到4到6个小时内。注意，这不是实验室数字，是三个真实行政区、共计一万两千个车位跑出来的。
有人会问：自动训练的模型，能信吗？这确实是关键。我们的做法是在AutoML里嵌了双重护栏：一是业务指标门禁，车牌识别准确率、车位状态判定误报率不达标直接拦截不发版；二是影子模式，新模型先和旧模型并行跑一周真实流量，人工抽检争议case后才切主流量。跑了大半年，模型平均两周一次小迭代、突发场景（比如暴雪、市政围挡）数小时热补，准确率稳定在99.2%以上。
更现实的意义在成本。以前一个城市养算法团队年支出两三百万，现在AutoML把重复性劳动吃了，本地只需一个懂业务的运维盯着流水线。西部有个县级市，财政紧，靠这套把路边停车逃费率从17%压到3%以内，半年就回本。
当然，AutoML不是银弹。复杂博弈类场景它仍吃力，数据隐私和模型审计也得靠制度兜着。但至少对路边无人收费这件“高频、刚需、环境杂”的事来说，把模型迭代从月级拉到小时级，已经足够让中小城市用得起、用得稳。下一步我们看多模态——把声波、地磁和视觉在AutoML里联合训，那时或许连“车位是否真的空着”都不用怀疑了。
微信号：18581869297