[논문 리뷰] Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction

Weijia Zhang, Hao Liu외 3명|arXiv (Cornell University)|2019. 11. 24.

Smart Parking Systems Research참고 문헌 26인용 수 7

한 줄 요약

이 논문은 도시 전역의 주차 가능 예측을 위해 문맥 정보와 희소한 실시간 센서 데이터를 모두 활용하여 비유클리드 공간 상관관계와 동적 시간적 의존성을 모델링하는 준지도 학습형 계층적 순환 그래프 신경망인 SHARE를 제안한다. 데이터 부족 문제를 다루기 위해 계층적 그래프 컨볼루션 모듈과 주차 가능 예측 근사 모듈을 통합함으로써 두 개의 실세계 데이터셋에서 최신 기술 수준의 성능을 달성한다.

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.

연구 동기 및 목표

• 제한된 실시간 센서 데이터를 바탕으로 도시 전역의 주차 가능성을 예측하는 문제에 대응하기 위해.
• 주차장 간 비유클리드 공간 자기상관관계를 모델링하여 국소적 및 전역적 공간 의존성을 모두 포착하기 위해.
• 순환 모델링을 통해 주차장 내외의 동적 시간 자기상관관계를 포착하기 위해.
• 엔트로피 기반 융합 기법을 활용해 공간적 및 시간적 전파를 통해 실시간 주차 가능 예측 데이터의 누락을 근사하기 위해.
• 확장 가능한 도시 주차 예측을 위한 환경적 문맥 특징과 희소한 센서 관측치를 통합하는 통합 프레임워크를 개발하기 위해.

제안 방법

• 지역적 공간 의존성을 위한 문맥 그래프 컨볼루션 블록과 전역적 공간 상관관계를 위한 소프트 클러스터링 그래프 컨볼루션 블록을 조합한 계층적 그래프 컨볼루션 모듈을 제안한다.
• 주차 가능 예측 시계열의 동적 시간 의존성을 모델링하기 위해 GRU 기반 순환 모듈을 활용한다.
• 공간 전파를 위한 전파 컨볼루션 블록과 동일한 GRU 모듈을 활용한 시간 모델링을 통해 실시간 데이터 누락을 근사하는 주차 가능 예측 근사 모듈을 도입한다.
• 공간적 및 시간적 근사를 엔트로피 기반 기법으로 융합하여 추정의 강건성을 향상시킨다.
• 라벨이 부여된(센서가 장착된) 및 라벨이 없는(센서가 없는) 주차장을 동시에 최적화할 수 있도록 준지도 학습 프레임워크를 사용한다.
• 유클리드 가정의 제약을 넘어 불규칙하고 비유클리드적인 주차장 간 공간 관계를 모델링하기 위해 그래프 신경망 원리를 적용한다.

실험 결과

연구 질문

• RQ1 도시 전역 주차 예측 시스템에서 주차장 간 비유클리드 공간 상관관계를 효과적으로 모델링할 수 있는 방법은 무엇인가?
• RQ2 주차장 내외의 시간적 의존성은 예측 정확도 향상에 어느 정도 기여하는가?
• RQ3 공간적 및 시간적 정보를 활용해 실시간 주차 가능 예측 데이터 누락을 효과적으로 근사할 수 있는가?
• RQ4 문맥 정보와 희소한 센서 데이터를 조합한 준지도 학습 프레임워크가 완전 지도 학습 또는 비지도 학습 기준 모델을 초월할 수 있는가?
• RQ5 다양한 주차장 크기와 밀도를 가진 도시 지역에서 모델의 성능은 어떻게 나타나는가?

주요 결과

• SHARE는 베이징 및 선전 데이터셋에서 모두 가장 낮은 MAE를 기록하여 도시 전역 주차 가능 예측에서 7개의 최신 기술 수준 기준 모델을 모두 초월한다.
• 베이징 데이터셋에서 모델은 평균 절대 오차(MAE) 10.68를 기록했으며, 성능은 주차장당 평균 주차 공간 수와 가장 강하게 상관관계가 있다.
• 시간 모델링에 최적의 입력 시퀀스 길이는 12개 시간 단위로, 충분한 시간적 맥락 확보와 노이즈 감소 사이의 균형을 이룬다.
• 예측 수평이 길어질수록 오차가 증가하지만, 라벨이 부여된 주차장의 오차 증가 속도가 라벨이 없는 주차장보다 빠르며, 관측 데이터에서 더 강한 시간적 의존성이 있음을 시사한다.
• 강건성 분석 결과, 지리적 지역 간 성능은 비교적 일관되나, 더 큰 주차장은 절대적 변동 폭이 더 크기 때문에 더 높은 MAE를 보이며 예외적으로 영향을 받는다.
• 제거 분석 결과, 계층적 그래프 컨볼루션과 주차 가능 예측 근사 모듈이 모두 모델의 전체 성능 향상에 중대한 기여를 한다.