[論文レビュー] Short Term Prediction of Parking Area states Using Real Time Data and Machine Learning Techniques

Jesper Provoost, Luc Johannes Josephus Wismans+3 more|University of Twente Research Information|Nov 29, 2019

Smart Parking Systems Research参考文献 20被引用数 4

ひとこと要約

本稿では、オランダ・アーヘンの歴史的およびリアルタイムデータを用いて、60分先までの駐車場の占有状況および入出庫の短期予測をリアルタイムで行う機械学習モデルを提案する。ニューラルネットワークはランダムフォレストおよびナイーブな季節的ランダムウォークモデルを上回り、60分先の予測で150%以上の性能向上を達成した。特に、リアルタイムでの占有状況が最も影響力のある予測変数であった。

ABSTRACT

Public road authorities and private mobility service providers need information derived from the current and predicted traffic states to act upon the daily urban system and its spatial and temporal dynamics. In this research, a real-time parking area state (occupancy, in- and outflux) prediction model (up to 60 minutes ahead) has been developed using publicly available historic and real time data sources. Based on a case study in a real-life scenario in the city of Arnhem, a Neural Network-based approach outperforms a Random Forest-based one on all assessed performance measures, although the differences are small. Both are outperforming a naive seasonal random walk model. Although the performance degrades with increasing prediction horizon, the model shows a performance gain of over 150% at a prediction horizon of 60 minutes compared with the naive model. Furthermore, it is shown that predicting the in- and outflux is a far more difficult task (i.e. performance gains of 30%) which needs more training data, not based exclusively on occupancy rate. However, the performance of predicting in- and outflux is less sensitive to the prediction horizon. In addition, it is shown that real-time information of current occupancy rate is the independent variable with the highest contribution to the performance, although time, traffic flow and weather variables also deliver a significant contribution. During real-time deployment, the model performs three times better than the naive model on average. As a result, it can provide valuable information for proactive traffic management as well as mobility service providers.

研究の動機と目的

• 利用可能なデータソースを用いて、都市部の駐車場状態をリアルタイムで予測するモデルを開発すること。
• 機械学習モデルの性能を、60分先までの駐車場の占有状況および入出庫の予測に応用して評価すること。
• 正確な予測に寄与する最も重要な入力変数を特定すること。
• ニューラルネットワーク、ランダムフォレスト、およびナイーブな季節的ランダムウォークモデルの予測性能を比較すること。
• 予測ホライズンの延長に伴う予測精度の感受性を評価すること。

提案手法

• 本モデルは、占有率、交通量、時刻、天候状況などを含む、公開されている歴史的およびリアルタイムデータを用いる。
• フィードフォワードニューラルネットワークおよびランダムフォレストモデルを、複数の時間ホライズン（最大60分）における駐車状態変数を予測するように訓練する。
• モデルの訓練および評価は、オランダ・アーヘンにおける実世界の事例研究に基づき、時系列クロスバリデーション手法を用いて実施する。
• 各入力変数の寄与度を評価するため、パーミュテーションベースの手法を用いて特徴量の重要度を分析する。
• 予測性能は、異なる予測ホライズンにおいて標準的な指標（RMSEおよびR²）を用いて測定する。
• ナイーブな季節的ランダムウォークモデルは、比較のためのベースラインとして用いられる。

実験結果

リサーチクエスチョン

• RQ1 リアルタイムデータを用いた機械学習モデルは、短期的な駐車場の占有状況および入出庫をどの程度正確に予測できるか？
• RQ2 予測ホライズンが変化する中で、ニューラルネットワークとランダムフォレストのどちらの機械学習モデルが駐車状態予測において優れているか？
• RQ3 リアルタイムでの占有状況、時刻、交通量、天候が予測性能に与える相対的寄与度はどの程度か？
• RQ4 予測ホライズンが5分から60分に拡大するに伴い、予測精度はどのように低下するか？
• RQ5 占有状況の予測のみに比べ、入出庫の予測を加えることでどの程度性能向上が得られるか？

主な発見

• ニューラルネットワークモデルは、すべての性能指標においてランダムフォレストおよびナイーブな季節的ランダムウォークモデルを上回り、60分先の予測ホライズンで150%以上の性能向上を達成した。
• 入出庫の予測は占有状況の予測よりもはるかに困難であり、ベースライン比で30%の性能向上を示したが、予測ホライズンの変化に対してはそれほど感受性が低かった。
• リアルタイムでの占有率が最も影響力のある予測変数であり、時刻、交通量、天候変数よりも寄与度が高かった。
• リアルタイムでの運用において、本モデルはナイーブモデルの3倍以上の性能を発揮した。
• 予測ホライズンが延長するにつれて性能は低下するが、ニューラルネットワークは60分先でも強力な予測能力を維持した。
• 交通量や天候といった非占有状況の変数を組み込むことでモデルの性能は向上したが、占有状況が依然として主要因であった。