[논문 리뷰] Short Term Prediction of Parking Area states Using Real Time Data and Machine Learning Techniques

Jesper Provoost, Luc Johannes Josephus Wismans외 3명|University of Twente Research Information|2019. 11. 29.

Smart Parking Systems Research참고 문헌 20인용 수 4

한 줄 요약

이 논문은 네덜란드 아르헤임에서의 역사적 및 실시간 데이터를 사용하여 향후 60분 이내의 주차 공간 점유율, 입출차 유동을 실시간으로 예측하는 기계학습 모델을 제안한다. 신경망 모델은 랜덤 포레스트 및 단순 계절성 모델보다 우수한 성능을 보이며, 60분 예측 수준에서 150퍼센트 이상의 성능 향상을 달성한다. 실시간 점유율이 가장 영향력 있는 예측 변수이다.

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.

연구 동기 및 목표

• 가용한 데이터 소스를 활용하여 도시 주차 공간 상태에 대한 실시간 예측 모델을 개발하는 것.
• 기계학습 모델이 향후 60분 이내 주차 점유율, 입출차 유동을 예측하는 성능을 평가하는 것.
• 정확한 예측에 가장 영향을 미치는 입력 변수를 특정하는 것.
• 신경망, 랜덤 포레스트, 그리고 단순 계절성 무작위 보행 모델 간의 예측 성능을 비교하는 것.
• 예측 수준이 증가함에 따라 예측 정확도가 어떻게 영향을 받는지 평가하는 것.

제안 방법

• 모델은 주차율, 교통 흐름, 시간대, 기상 조건 등의 공개된 역사적 및 실시간 데이터를 사용한다.
• 전방향 신경망과 랜덤 포레스트 모델을 활용하여 최대 60분까지의 다양한 예측 수준에서 주차 상태 변수를 예측한다.
• 실제 사례 연구를 기반으로 시간 순서 기반 교차 검증 방법을 사용하여 모델 학습 및 평가를 수행한다.
• 각 입력 변수의 기여도를 평가하기 위해 순열 기반 방법을 사용하여 특성 중요도를 분석한다.
• 예측 수준에 따라 RMSE 및 R²와 같은 표준 성능 지표를 사용하여 성능을 측정한다.
• 기준 비교를 위해 단순 계절성 무작위 보행 모델을 사용한다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 실시간 데이터를 활용하여 단기 주차 공간 점유율 및 입출차 유동을 얼마나 정확하게 예측할 수 있는가?
• RQ2 예측 수준이 다양할 때, 신경망 모델과 랜덤 포레스트 모델 중 어느 것이 주차 상태 예측에 더 우수한 성능을 보이는가?
• RQ3 실시간 점유율, 시간, 교통 흐름, 기상 조건이 예측 성능에 기여하는 상대적 기여도는 어떠한가?
• RQ4 5분에서 60분으로 예측 수준이 증가함에 따라 예측 정확도는 어떻게 저하되는가?
• RQ5 점유율 예측만 하는 것에 비해 입출차 유동 예측을 추가로 수행할 경우 성능 향상 수준은 어느 정도인가?

주요 결과

• 신경망 모델은 모든 성능 지표에서 랜덤 포레스트 및 단순 계절성 무작위 보행 모델을 초월하며, 60분 예측 수준에서 150퍼센트 이상의 성능 향상을 달성한다.
• 입출차 유동 예측은 점유율 예측보다 훨씬 도전적인 과제이며, 기준 모델 대비 30퍼센트의 성능 향상을 보였지만, 예측 수준 증가에 덜 민감하다.
• 실시간 점유율이 가장 영향력 있는 예측 변수로, 시간, 교통 흐름, 기상 변수보다 더 큰 기여를 한다.
• 실시간 운영 중 평균적으로 기준 모델보다 3배 이상 뛰어난 성능을 보인다.
• 예측 수준이 증가할수록 성능이 저하되지만, 신경망은 60분 수준에서도 강력한 예측 능력을 유지한다.
• 교통 흐름 및 기상 조건과 같은 점유율 외 변수를 포함시킬 경우 모델 성능이 향상되지만, 점유율이 여전히 주요 결정 요소로 남아 있다.