[論文レビュー] Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction

Weijia Zhang, Hao Liu+3 more|arXiv (Cornell University)|Nov 24, 2019

Smart Parking Systems Research参考文献 26被引用数 7

ひとこと要約

本稿では、文脈的情報と疎なリアルタイムセンサー情報の両方を用いて、都市規模の駐車場空き状況予測において非ユークリッド空間相関と動的時間的依存関係をモデル化する、半教師付き階層的再帰的グラフニューラルネットワークであるSHAREを提案する。データ不足に対処するため、階層的グラフ畳み込みモジュールと駐車場空き状況近似モジュールを統合することで、2つの実世界データセットで最先端の性能を達成した。

ABSTRACT

The ability to predict city-wide parking availability is crucial for the successful development of Parking Guidance and Information (PGI) systems. Indeed, the effective prediction of city-wide parking availability can improve parking efficiency, help urban planning, and ultimately alleviate city congestion. However, it is a non-trivial task for predicting citywide parking availability because of three major challenges: 1) the non-Euclidean spatial autocorrelation among parking lots, 2) the dynamic temporal autocorrelation inside of and between parking lots, and 3) the scarcity of information about real-time parking availability obtained from real-time sensors (e.g., camera, ultrasonic sensor, and GPS). To this end, we propose Semi-supervised Hierarchical Recurrent Graph Neural Network (SHARE) for predicting city-wide parking availability. Specifically, we first propose a hierarchical graph convolution structure to model non-Euclidean spatial autocorrelation among parking lots. Along this line, a contextual graph convolution block and a soft clustering graph convolution block are respectively proposed to capture local and global spatial dependencies between parking lots. Additionally, we adopt a recurrent neural network to incorporate dynamic temporal dependencies of parking lots. Moreover, we propose a parking availability approximation module to estimate missing real-time parking availabilities from both spatial and temporal domain. Finally, experiments on two real-world datasets demonstrate the prediction performance of SHARE outperforms seven state-of-the-art baselines.

研究の動機と目的

• 限られたリアルタイムセンサー情報での都市規模駐車場空き状況予測の課題に対処すること。
• 駐車場間の非ユークリッド空間自己相関をモデル化し、局所的およびグローバルな空間的依存関係を捉えること。
• 再帰的モデルを用いて駐車場内および駐車場間の動的時間的自己相関を捉えること。
• エントロピーに基づく融合機構を用いて、空間的および時間的伝播による欠損リアルタイム駐車場空き状況データを近似すること。
• スケーラブルな都市駐車場予測を実現するため、環境的文脈特徴と疎なセンサー観測を統合する包括的フレームワークの構築こと。

提案手法

• 局所的空間的依存関係を扱う文脈的グラフ畳み込みブロックと、グローバルな空間相関を扱うソフトクラスタリンググラフ畳み込みブロックを組み合わせた階層的グラフ畳み込みモジュールを提案する。
• 時間的依存関係を動的かつ時間的にモデル化するため、GRUベースの再帰モジュールを採用する。
• 空間的伝播による欠損リアルタイムデータの推定を実現する駐車場空き状況近似モジュールを導入し、同じGRUモジュールを用いて時間的モデリングも行う。
• 空間的および時間的近似をエントロピーに基づくメカニズムで統合し、推定のロバスト性を向上させる。
• ラベル付き（センサー搭載）およびラベルなし（センサー非搭載）の駐車場の両方の予測を同時に最適化する半教師付き学習フレームワークを用いる。
• ユークリッド仮定の制限を克服するため、不規則で非ユークリッド的な駐車場間の空間的関係をグラフニューラルネットワークの原則を用いてモデル化する。

実験結果

リサーチクエスチョン

• RQ1 都市規模駐車場予測システムにおいて、駐車場間の非ユークリッド空間相関を効果的にモデル化する方法は何か？
• RQ2 駐車場内および駐車場間の時間的依存関係は、予測精度をどの程度向上させるか？
• RQ3 空間的および時間的情報を用いて、欠損リアルタイム駐車場空き状況データを効果的に近似する方法は何か？
• RQ4 文脈的情報と疎なセンサー情報の組み合わせた半教師付きフレームワークは、完全教師ありまたは教師なしベースラインを上回る性能を発揮できるか？
• RQ5 異なる都市地域、特に駐車場のサイズや密度が異なる地域において、モデルの性能はどのように変動するか？

主な発見

• SHAREは北京および深センの両データセットで最小のMAEを達成し、都市規模駐車場空き状況予測において7つのSOTAベースラインを上回った。
• 北京データセットでは平均的に10.68の平均絶対誤差（MAE）を達成し、性能は駐車場1か所あたりの平均駐車可能台数に強く相関していた。
• 時間的モデリングの最適な入力シーケンス長は12タイムステップであり、十分な時間的文脈とノイズ低減の両立を実現していた。
• 予測ホライズンが長くなるほど誤差は増加するが、ラベル付き駐車場の誤差上昇速度がラベルなし駐車場よりも速く、観測データに強い時間的依存性があることを示している。
• ロバストネス分析の結果、地理的地域によって性能に相対的に大きなばらつきはなく、大きな駐車場では絶対的変動が大きいためMAEが高くなる以外は一貫性があった。
• アブレーションスタディの結果、階層的グラフ畳み込みモジュールおよび駐車場空き状況近似モジュールの両方が、モデル全体の性能向上に顕著に寄与していることが確認された。