[論文レビュー] Data-Driven Spatio-Temporal Analysis of Curbside Parking Demand: A Case-Study in Seattle

Tanner Fiez, Lillian J. Ratliff|arXiv (Cornell University)|Dec 2, 2017

Smart Parking Systems Research参考文献 18被引用数 7

ひとこと要約

本稿では、シーダス市における路上駐車需要の空間的均一領域を特定するため、データ駆動型のガウス・ミックスチャーモデル（GMM）手法を提案する。この手法により、需要パターンが時間的に一貫しており、任意の地域境界を越えて広がっていることが明らかになった。本手法は、価格以外の要因に基づく行動に裏付けられた、より正確な駐車政策およびインcentive設計を可能にする。

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.

研究の動機と目的

• シーダスのような都市における路上駐車需要の空間的・時間的パターンを理解すること。ここでは、従来の価格政策が行動的要因を完全に捉えていない可能性がある。
• 現在の駐車区域（しばしば任意の地域境界に基づいて定義されている）が、実際の需要の均一性と一致するかどうかを調査すること。
• 空間自己相関とモデルの再現性に基づいて、類似した駐車需要を示す領域を同定するデータ駆動型手法を開発すること。
• 行動的に意味のある一貫した需要クラスタを同定することで、より効果的な駐車政策およびターゲティングされたインcentiveスキームを支援すること。
• 空間的需要パターンが時間経過とともに安定しているかどうかを評価し、学習済みモデルに基づく長期的政策立案を可能にするかを検証すること。

提案手法

• シーダス市交通局（SDOT）の取引レベル駐車データを用い、ブロックフェース単位での路上駐車需要を定量化する。
• 空間自己相関に基づいて、類似した空間的駐車需要パターンを示すブロックフェースをグループ化するため、ガウス・ミックスチャーモデル（GMM）を適用する。
• GMMの再現性指標を用いて、季節や時間帯をまたいで同定された領域の時間的整合性を評価する。
• 学習済みのGMM領域と現在の市が指定した有料駐車区域を比較し、一致度と空間的整合性を評価する。
• 最適な混合成分数（領域数）を決定するために、モデル選択基準（例：BIC）を用いる。
• 空間自己相関検定を用いて、学習済み領域内の需要が統計的に均一であることを確認することで、結果を検証する。

実験結果

リサーチクエスチョン

• RQ1 シーダス市の現在の市が指定した有料駐車区域は、実際の駐車需要の空間的パターンとどの程度一致しているか？
• RQ2 同定された駐車需要領域の時間的整合性は、季節や時間帯を問わずどの程度保たれているか？
• RQ3 空間的需要パターンは時間経過とともに安定しているか。これにより、学習済みモデルに基づく長期的政策立案が可能になるか？
• RQ4 既存の地域境界は、駐車需要の自然なグループ化をどの程度制限しているか、または誤解を招いているか？
• RQ5 GMMに基づくゾーニングは、価格以外のメカニズムを用いた情報提供やインcentiveのターゲティングをどのように改善できるか？

主な発見

• GMMに基づく手法により、既存の地域境界や有料駐車区域の境界を越えて、類似した駐車需要を示す明確な空間的領域が同定された。
• GMMで同定された領域内での空間自己相関は、現在の市が指定した区域よりも顕著に高いことが判明し、需要の均一性が優れていることが示された。
• モデルは高い時間的整合性を示しており、季節を越えて空間的需要パターンが安定していることが確認され、長期的政策用途に適していることが裏付けられた。
• ベルトウン（Belltown）とその周辺地域（コマーシャル・コアおよびデニー）を分析した場合、局所的な空間自己相関が低くても、GMMは依然として整合性のある領域を同定した。
• 周辺地域を含めた場合、現在の有料駐車区域における有意な空間自己相関の頻度が高くなることから、現行の区域設定がより広範な文脈では適切である可能性が示唆された。
• 本研究は、価格よりも距離の近さや認知度が駐車意思決定においてより大きな影響を持つことを確認した。これにより、価格以外の政策的干渉の必要性が裏付けられた。