[논문 리뷰] A deep learning approach to real-time parking occupancy prediction in spatio-temporal networks incorporating multiple spatio-temporal data sources

Shuguan Yang, Wei Ma외 2명|arXiv (Cornell University)|2019. 01. 21.

Smart Parking Systems Research참고 문헌 40인용 수 8

한 줄 요약

이 논문은 그래프 컬러션 신경망(GCNN)과 장기 단기 기억(LSTM) 네트워크를 조합한 딥러닝 모델을 제안하여 주차 계약자 거래, 교통 속도, 기상 정보 등 다양한 시공간 데이터 소스를 사용해 실시간으로 블록 수준의 주차 점유율을 예측한다. 모델은 30분 전 주차 점유율 예측에서 평균 테스트 MAPE가 10.6%를 기록하며 라소와 다층 LSTM 기반 모델을 능가하며, 특히 여가 지역에서는 기상 데이터가 정확도 향상에 크게 기여한다.

ABSTRACT

A deep learning model is applied for predicting block-level parking occupancy in real time. The model leverages Graph-Convolutional Neural Networks (GCNN) to extract the spatial relations of traffic flow in large-scale networks, and utilizes Recurrent Neural Networks (RNN) with Long-Short Term Memory (LSTM) to capture the temporal features. In addition, the model is capable of taking multiple heterogeneously structured traffic data sources as input, such as parking meter transactions, traffic speed, and weather conditions. The model performance is evaluated through a case study in Pittsburgh downtown area. The proposed model outperforms other baseline methods including multi-layer LSTM and Lasso with an average testing MAPE of 10.6\% when predicting block-level parking occupancies 30 minutes in advance. The case study also shows that, in generally, the prediction model works better for business areas than for recreational locations. We found that incorporating traffic speed and weather information can significantly improve the prediction performance. Weather data is particularly useful for improving predicting accuracy in recreational areas.

연구 동기 및 목표

• 도시 도로망의 실시간 데이터 기반 주차 점유율 예측 모델을 개발하기 위해.
• 주차 계약자 거래, 교통 속도, 기상 조건과 같은 이질적인 시공간 데이터 소스를 통합하여 예측 정확도를 향상시키기 위해.
• 직접적인 센서 측정 없이도 거래 데이터를 점유율 추정의 대체 수단으로 사용함으로써 비용이 많이 드는 주차 센서 의존도를 줄이기 위해.
• 특히 상업 지역과 여가 지역 간의 차이를 고려하여 다양한 용도 유형에서의 모델 성능을 평가하기 위해.
• 신뢰할 수 있는 30분 후 예측을 통해 능동적인 주차 관리 시스템을 가능하게 하기 위해.

제안 방법

• 모델은 도로망 내 상호 연결된 도로 블록 간의 공간적 종속성을 포착하기 위해 그래프 컬러션 신경망(GCNN)을 사용한다.
• 장기 단기 기억(LSTM) 네트워크는 주차 점유율 시계열의 시간적 동적 특성과 장거리 의존성을 모델링하는 데 사용된다.
• 프레임워크는 주차 계약자 거래(점유율의 대체 수단으로서), 실시간 교통 속도, 기상 조건 등의 다양한 데이터 소스를 통합한다.
• 완전히 연결된 피드포워드 신경망(FNN)은 융합된 시공간 특징을 처리하여 최종 예측 출력을 생성한다.
• 모델는 피츠버그 시내의 역사적 및 실시간 데이터를 사용해 엔드 투 엔드로 훈련된다.
• 공간적 관계는 노드가 블록을 나타내고 간선이 연결성을 나타내는 도로망 그래프를 통해 인코딩된다.

실험 결과

연구 질문

• RQ1 다양한 이질적인 데이터 소스를 융합한 딥러닝 모델이 기존 기반 모델 대비 실시간 주차 점유율 예측 정확도를 향상시킬 수 있는가?
• RQ2 교통 속도 및 기상 데이터를 통합할 경우, 특히 다양한 용도 유형의 지역에서 예측 성능에 어떤 영향을 미치는가?
• RQ3 직접적인 센서 측정 없이 주차 계약자 거래 데이터를 점유율의 대체 수단으로 사용할 경우 신뢰할 수 있는 예측 결과를 도출할 수 있는가?
• RQ4 상업 지역과 여가 지역 간의 예측 오차 측면에서 모델 성능은 어떻게 다름이 있는가?
• RQ5 30분 후 예측은 얼마나 능동적인 주차 관리 및 안내 시스템을 지원할 수 있는가?

주요 결과

• 제안된 모델은 30분 전 주차 점유율을 예측할 때 평균 테스트 MAPE가 10.6%를 기록한다.
• 모델은 예측 정확도에서 다층 LSTM 및 라소 회귀 기반 모델을 크게 능가한다.
• 교통 속도 및 기상 데이터를 통합함으로써 예측 성능이 향상되며, 기상 데이터는 39개 블록 중 38개에서 최대 3.0% MAPE 감소 효과를 보였다.
• 모델은 상업 지역에서 여가 지역보다 더 우수한 성능을 보이며, 여가 지역에서는 기상 조건이 주차 수요에 더 큰 영향을 미친다.
• 기상 데이터는 여가 지역에서 주차 수요가 악천후 조건에 더 민감한 점을 감안할 때 특히 예측 정확도 향상에 효과적이다.
• 모델이 30분 전 예측을 가능하게 하여 더 나은 여행 계획 수립이 가능해지고 운전 중 실시간 모바일 앱 사용 필요성이 감소한다.