[論文レビュー] A deep learning approach to real-time parking occupancy prediction in spatio-temporal networks incorporating multiple spatio-temporal data sources

Shuguan Yang, Wei Ma+2 more|arXiv (Cornell University)|Jan 21, 2019

Smart Parking Systems Research参考文献 40被引用数 8

ひとこと要約

本稿では、グラフ畳み込みニューラルネットワーク（GCNN）と長短期記憶（LSTM）ネットワークを組み合わせたディープラーニングモデルを提案し、駐車場メーター取引、交通速度、天候といった複数の空間時間的データソースを用いて、リアルタイムでブロック単位の駐車場占有率を予測する。モデルは、30分先の占有率予測において平均10.6%のテストMAPEを達成し、ラッソ回帰およびマルチレイヤーLSTMベースラインを上回る性能を示した。特にレクリエーションエリアでは天候データの統合が精度向上に寄与した。

ABSTRACT

A deep learning model is applied for predicting block-level parking occupancy in real time. The model leverages Graph-Convolutional Neural Networks (GCNN) to extract the spatial relations of traffic flow in large-scale networks, and utilizes Recurrent Neural Networks (RNN) with Long-Short Term Memory (LSTM) to capture the temporal features. In addition, the model is capable of taking multiple heterogeneously structured traffic data sources as input, such as parking meter transactions, traffic speed, and weather conditions. The model performance is evaluated through a case study in Pittsburgh downtown area. The proposed model outperforms other baseline methods including multi-layer LSTM and Lasso with an average testing MAPE of 10.6\% when predicting block-level parking occupancies 30 minutes in advance. The case study also shows that, in generally, the prediction model works better for business areas than for recreational locations. We found that incorporating traffic speed and weather information can significantly improve the prediction performance. Weather data is particularly useful for improving predicting accuracy in recreational areas.

研究の動機と目的

• 都市のストリートネットワーク向けに、リアルタイムでデータ駆動型の駐車場占有率予測モデルを開発すること。
• 駐車場メーター取引、交通速度、天候といった異種の空間時間的データソースを統合することで、予測精度を向上させること。
• 直接的なセンサー測定に依存するのを減らし、取引データを占有率推定の代理指標として用いること。
• 特に商業地域とレクリエーションエリアの対比において、異なる土地利用タイプにおけるモデル性能を評価すること。
• 信頼性の高い30分先の予測を提供することで、能動的な駐車管理を可能とすること。

提案手法

• モデルは、道路網内の接続されたストリートブロック間の空間的依存関係を捉えるために、グラフ畳み込みニューラルネットワーク（GCNN）を用いる。
• 長期記憶依存関係をモデル化するため、長期短期記憶（LSTM）ネットワークを用いて駐車場占有率系列の時間的ダイナミクスを扱う。
• 複数のデータソースを統合する：駐車場メーター取引（占有率の代理として）、リアルタイムの交通速度、天候状態。
• 統合された空間時間的特徴を処理するため、全結合型フィードフォワードニューラルネットワーク（FNN）を用いて最終的な予測出力を得る。
• ピッツバーグのダウンタウン地域の歴史的およびリアルタイムデータを用いて、エンド・トゥ・エンドでモデルを訓練する。
• 空間的関係は、ノードがブロックを表し、エッジが接続性を表す道路網グラフによって符号化される。

実験結果

リサーチクエスチョン

• RQ1 複数の異種データソースを統合するディープラーニングモデルは、従来のベースラインと比較して、リアルタイムの駐車場占有率予測精度を向上させることができるか？
• RQ2 交通速度および天候データの統合は、特に異なる土地利用ゾーンにおいて予測性能にどのように影響を与えるか？
• RQ3 直接的なセンサー測定がなくとも、駐車場メーター取引データを占有率の代理指標として用いることで、信頼性の高い予測が得られるか？
• RQ4 商業地区とレクリエーションエリアの間で、予測誤差の観点からモデルの性能にどのような差が生じるか？
• RQ5 30分先の予測は、能動的な駐車管理および誘導システムの実現にどの程度貢献できるか？

主な発見

• 本稿で提案するモデルは、30分先の駐車場占有率予測において、平均10.6%のテストMAPEを達成した。
• 本モデルは、マルチレイヤーLSTMおよびラッソ回帰といったベースライン手法を著しく上回る予測精度を示した。
• 交通速度および天候データの統合により予測性能が向上し、天候データの導入により39ブロック中38ブロックで最大3.0%のMAPE低下が見られた。
• 商業地域ではレクリエーション地域よりもモデルの性能が優れており、天候条件が駐車需要に強い影響を与えることが判明した。
• 天候データは特に、需要が悪天候に敏感なレクリエーションエリアの予測精度向上に顕著に寄与した。
• 本モデルが30分先を予測できる能力により、より良い行程計画が可能となり、運転中のリアルタイムモバイルアプリ使用の必要性が軽減された。