[논문 리뷰] Data-Driven Spatio-Temporal Analysis of Curbside Parking Demand: A Case-Study in Seattle

Tanner Fiez, Lillian J. Ratliff|arXiv (Cornell University)|2017. 12. 02.

Smart Parking Systems Research참고 문헌 18인용 수 7

한 줄 요약

이 논문은 시애틀의 거리 주차 수요의 공간적으로 균일한 영역을 식별하기 위해 데이터 기반 가우시안 혼합 모델(GMM)을 제안한다. 거래 데이터를 활용하여 수요 패턴이 시간적으로 일관되며 종종 임의의 지역 경계를 초월함을 밝혀내며, 가격 외의 행동 기반 정책 및 인cent리브 설계를 더 정밀하게 가능하게 한다.

ABSTRACT

Due to rapid expansion of urban areas in recent years, management of curbside parking has become increasingly important. To mitigate congestion, while meeting a city's diverse needs, performance-based pricing schemes have received a significant amount of attention. However, several recent studies suggest location, time-of-day, and awareness of policies are the primary factors that drive parking decisions. In light of this, we provide an extensive data-driven study of the spatio-temporal characteristics of curbside parking. This work advances the understanding of where and when to set pricing policies, as well as where to target information and incentives to drivers looking to park. Harnessing data provided by the Seattle Department of Transportation, we develop a Gaussian mixture model based technique to identify zones with similar spatial parking demand as quantified by spatial autocorrelation. In support of this technique, we introduce a metric based on the repeatability of our Gaussian mixture model to investigate temporal consistency.

연구 동기 및 목표

• 시앤틀과 같은 도시 지역에서 기존의 가격 정책이 행동적 요인을 충분히 반영하지 못할 수 있는 주차 수요의 공간-시간 패턴을 이해하기 위해.
• 일반적으로 임의의 지역 경계에 의해 정의되는 기존 주차 영역이 실제 수요 균일성과 일치하는지 조사하기 위해.
• 공간 자기상관과 모델 반복성에 기반해 유사한 주차 수요 패턴을 가진 영역을 식별하는 데이터 기반 방법을 개발하기 위해.
• 행동적으로 관련된 일관된 수요 클러스터를 식별하여 보다 효과적인 주차 정책 및 타겟팅된 인센티브 제도를 지원하기 위해.
• 공간 수요 패atters가 시간이 지남에 따라 안정적인지 평가하여 데이터 기반 모델에 기반한 장기 정책 기획이 가능한지 확인하기 위해.

제안 방법

• 시앤틀 교통국(SDOT)의 거래 수준 주차 데이터를 활용하여 블록면의 주차 수요를 정량화한다.
• 공간 자기상관에 기반해 유사한 공간 주차 수요 패턴을 가진 블록면을 군집화하기 위해 가우시안 혼합 모델(GMM)을 적용한다.
• GMM의 반복성 지표를 활용해 계절 및 시간대 간에 식별된 영역의 시간적 일관성을 평가한다.
• 학습된 GMM 영역과 현재 도시에서 지정한 유료 주차 영역을 비교하여 일치성과 공간 일관성을 평가한다.
• 최적의 혼합 성분(영역) 수를 결정하기 위해 모델 선택 기준(예: BIC)을 사용한다.
• 공간 자기상관 검정을 통해 학습된 영역 내 수요가 통계적으로 균일한지 결과를 검증한다.

실험 결과

연구 질문

• RQ1 시앤틀의 현재 도시에서 지정한 유료 주차 영역이 실제 주차 수요의 공간 패턴과 어느 정도 일치하는가?
• RQ2 식별된 주차 수요 영역이 계절 및 시간대 간에 얼마나 시간적으로 일관되는가?
• RQ3 공간 수요 패턴이 시간이 지남에 따라 안정적인가? 이는 데이터 기반 모델에 기반한 장기 정책 기획을 가능하게 하는가?
• RQ4 기존의 지역 경계가 주차 수요의 자연스러운 군집을 얼마나 제한하거나 잘못 표현하는가?
• RQ5 GMM 기반의 영역 설정은 가격 기반 메커니즘을 초월해 운전자에게 정보 및 인센티브를 더 정확하게 타겟팅할 수 있는가?

주요 결과

• GMM 기반 방법은 종종 기존의 지역 경계 및 유료 주차 영역 경계를 초월하는 일관된 주차 수요 패턴을 가진 공간 영역을 식별한다.
• GMM로 식별된 영역 내에서의 공간 자기상관은 현재 도시에서 지정한 영역보다 유의미하게 높아, 더 나은 수요 균일성을 나타낸다.
• 모델는 높은 시간적 일관성을 보이며, 계절 간에 공간 수요 패턴이 안정적으로 유지되어 장기 정책 적용에 유리하다.
• 벨타운과 인접한 지역(상업 핵심지역 및 덴니)을 분석할 때, 지역 내 공간 자기상관이 낮음에도 불구하고 GMM는 여전히 일관된 영역을 식별한다.
• 인접 지역을 포함할 경우 현재의 유료 주차 영역에서의 유의미한 공간 자기상관 빈도가 높아, 더 넓은 맥락에서는 현재 영역 설정이 더 적절할 수 있음을 시사한다.
• 근접성과 인지도가 가격보다 주차 결정에 더 큰 영향을 미친다는 점을 확인하여, 비가격 기반 정책 개입의 필요성을 뒷받침한다.