预测停车时间的智能停车系统并不是从停车传感器收集数据，而是利用了停车计时器的交易，在使用更多的数据进行预测前对停车情况进行评估。
根据估算，95%的收费停车场均采用计价器进行管理，其模型比依赖传感器的系统更具通用性。但是在这项智能停车研究中，研究者采用了数据驱动的方法，将多种与交通相关的资源结合在一起，包括实时和历史数据，包括停车、交通状况、道路特点、天气和网络。
研究者们根据已有数据预测了短期停车泊位的占用率，使用基于节点、边、属性和其它图形结构的图卷神经网络对停车场的位置、交通流量、停车需求、道路连接和停车场之间建立了统计关系。
智能停车系统将递归神经网络和一个多层解码器结合起来，从与交通有关的数据源(如停车计时器事务、交通速度和天气状况)提取停车信息，并输出交通相关数据源。
研究者们数据基础上训练它，在停车管理中心，同时网络汽车公司交通信息频道提供了停车历史数据。
研究者称，在测试中，该模型比其它基准方法在30分钟内预测占用率更高。
它们把人工智能系统的卓越表现归功于天气和交通速度数据，特别是天气数据，这些数据提高了休闲娱乐场所预测的准确性。
一般情况下，在停车容量大的地方，预测误差会更小。
由于停车容量越大，占用率的差异越小，因此在商业区这种模式表现更好并不奇怪。商业地区的停车需求通常有着强烈的日常模式，对于异常情况(例如恶劣天气和特殊事件)的影响更为灵活，从而使预测更为有效。将来他们还将设计一个模型来整合其它与交通相关的数据，包括路段流量、道路关闭、交通事件和事故。
