[논문 리뷰] Spatio-temporal Parking Behaviour Forecasting and Analysis Before and During COVID-19

Shuhui Gong, Xiaopeng Mo외 4명|arXiv (Cornell University)|2021. 08. 15.

Smart Parking Systems Research참고 문헌 18인용 수 6

한 줄 요약

이 연구는 거리 기반 연결 그래프를 통해 공간 상관관계를 통합하고, 시간적 모델링을 위해 시간적 그래프 컨volution 네트워크(T-GCN)를 사용하는 공간 인식 주차 점유 예측 프레임워크를 제안한다. 중국 닝보의 110만 건의 주차 기록을 대상으로 평가한 결과, 특히 코로나19 기간 동안 비정상적인 수요 패턴에 핵심적인 역할을 하는 공간시간 의존성을 포착함으로써 기존 모델들을 뛰어넘는 성능을 보였다.

ABSTRACT

Parking demand forecasting and behaviour analysis have received increasing attention in recent years because of their critical role in mitigating traffic congestion and understanding travel behaviours. However, previous studies usually only consider temporal dependence but ignore the spatial correlations among parking lots for parking prediction. This is mainly due to the lack of direct physical connections or observable interactions between them. Thus, how to quantify the spatial correlation remains a significant challenge. To bridge the gap, in this study, we propose a spatial-aware parking prediction framework, which includes two steps, i.e. spatial connection graph construction and spatio-temporal forecasting. A case study in Ningbo, China is conducted using parking data of over one million records before and during COVID-19. The results show that the approach is superior on parking occupancy forecasting than baseline methods, especially for the cases with high temporal irregularity such as during COVID-19. Our work has revealed the impact of the pandemic on parking behaviour and also accentuated the importance of modelling spatial dependence in parking behaviour forecasting, which can benefit future studies on epidemiology and human travel behaviours.

연구 동기 및 목표

• 주차장 간 공간 상관관계를 忽시하는 기존 주차 예측 모델의 한계를 해결한다.
• 고도로 비정상적인 시간 패턴 기간 동안 예측의 강건성을 향상시키기 위해 인근 주차장 간 공간적 의존성을 모델링한다.
• 실제 주차 데이터를 활용하여 코로나19 팬데믹이 도시 주차 행동에 미친 영향을 조사한다.
• 다른 도시 이동 및 환경 변수에 적용 가능한 확장 가능한 공간시간 주차 점유 예측 프레임워크를 개발한다.
• 팬데믹 이전과 기간 동안 주차 수요 변화를 이끄는 주요 활동 유형과 공간 패턴을 규명한다.

제안 방법

• 지리적 근접도를 기반으로 주차장 간 관계를 정의하기 위해 거리 임계값(500m)을 사용해 공간 연결 그래프를 구축한다.
• 시간적 동적 변화와 주차 점유 시계열에서의 공간 의존성을 동시에 모델링하기 위해 시간적 그래프 컨볼루션 네트워크(T-GCN)를 적용한다.
• 2019년 4월부터 2020년 4월까지 닝보의 136개 주차장에서 수집한 역사적 주차 점유 데이터를 학습 및 테스트에 사용한다.
• 예측 성능을 평가하기 위해 RMSE 및 MAE 지표를 사용하여 패안 및 팬데믹 단계를 포함한 다양한 시간대에서 성능을 평가한다.
• 기존의 시간 시계열 및 딥 러닝 방법을 포함한 여러 기준 모델과 제안된 프레임워크를 비교한다.
• 예측 정확도를 500m, 1km, 무한 거리(전체 연결)에서 평가하여 거리 임계값을 최적화한다.

실험 결과

연구 질문

• RQ1 주차장 간 공간 상관관계를 통합함으로써, 특히 시간 패턴이 극도로 비정상적인 기간 동안 주차 점유 예측 정확도는 어떻게 향상되는가?
• RQ2 주차 행동 예측 프레임워크에서 주차장 간 공간 연결을 정의하기 위한 최적의 거리 임계값은 무엇인가?
• RQ3 코로나19 팬데믹 기간 동안 도시 주차 행동은 점유 패턴과 활동 기반 주차 수요 측면에서 어떻게 변화했는가?
• RQ4 워크, 쇼핑, 의료 등의 활동 유형 중 팬데믹 기간 동안 정상 기간 대비 주차 수요 변화가 가장 두드러진 유형은 무엇인가?
• RQ5 공간적으로 연결된 주차장들은 얼마나 동기화된 점유 패턴을 보이며, 이는 다양한 활동 유형과 시간대에 따라 어떻게 달라지는가?

주요 결과

• 제안된 공간 인식 프레임워크는 특히 시간 패턴이 극도로 비정상적인 코로나19 기간 동안 기존 모델들을 뛰어넘는 예측 성능을 보였다.
• 500m 거리 임계값에서 가장 높은 예측 성능를 기록하여, 이 범위 내 주차장 간 공간 상관관계가 가장 강하다는 점을 확인했으며, 일반적인 보행 거리와 일치한다.
• 팬데믹 기간 동안 전체적으로 주차 점유율이 크게 낮아졌으며, 특히 근무, 쇼핑, 호텔 관련 활동의 점유율이 감소하여 비필수 이동이 줄어든 것으로 나타났다.
• 평일 동안 은행, 의료기관, 장거리 이동(호텔 관련) 주차장의 점유율이 급격히 감소했고, 주말 동안 시장 관련 주차장은 90%의 점유율을 기록했다.
• 팬데믹 기간 동안 주거 지역이 주요 주차 장소로 부상했으며, 팬데믹 이전에는 도심과 직장에서 높은 점유율을 보였다.
• 이 연구는 비상 상황에서 예측 강건성을 향상시키기 위해 공간 상관관계가 핵심 요소임을 확인했으며, 이는 이동 예측 모델에 공간적 구조를 통합할 필요성을 강조한다.