[論文レビュー] Spatio-temporal Parking Behaviour Forecasting and Analysis Before and During COVID-19

Shuhui Gong, Xiaopeng Mo+4 more|arXiv (Cornell University)|Aug 15, 2021

Smart Parking Systems Research参考文献 18被引用数 6

ひとこと要約

本研究では、距離に基づく接続グラフを用いて空間相関を統合し、時系列モデリングに時空間グラフ畳み込みネットワーク（T-GCN）を用いる空間認識型駐車場空き状況予測フレームワークを提案する。中国・寧波の110万件の駐車記録を対象に評価した結果、特にCOVID-19期において、不規則な需要パターンに不可欠な時空間的依存関係を捉えることで、ベースラインを著しく上回る性能を示した。

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.

研究の動機と目的

• 駐車場間の空間相関を無視する従来の駐車予測モデルの限界を是正すること。
• 時系列的不規則性が著しい時期における予測の堅牢性を向上させるために、近隣の駐車場間の空間的依存関係をモデル化すること。
• 実世界の駐車データを用いて、COVID-19パンデミックが都市部の駐車行動に与えた影響を調査すること。
• 他の都市移動や環境変数に応用可能なスケーラブルな時空間駐車空き状況予測フレームワークを構築すること。
• パンデミック前後における駐車需要の変化を引き起こす主な活動タイプと空間パターンを特定すること。

提案手法

• 地理的近接性に基づき、駐車場間の関係を定義する距離閾値（500 m）を用いて空間接続グラフを構築する。
• 時空間グラフ畳み込みネットワーク（T-GCN）を適用し、駐車空き状況系列における時系列的ダイナミクスと空間的依存関係を同時にモデリングする。
• 2019年4月から2020年4月までの寧波の136か所の駐車場の歴史的駐車空き状況データを、学習およびテストに使用する。
• 予測性能を、パンデミック前とパンデミック期を含む異なる時間帯で、RMSEおよびMAE指標を用いて評価する。
• 従来の時系列モデルおよびディープラーニング手法を含む複数のベースラインモデルと、本フレームワークを比較する。
• 500 m、1 km、および無限距離（完全接続）の各条件下で予測精度を評価し、距離閾値を最適化する。

実験結果

リサーチクエスチョン

• RQ1 駐車場間の空間相関を組み込むことで、特に時系列的不規則性が著しい時期における駐車空き状況予測の精度がどの程度向上するか？
• RQ2 駐車行動予測フレームワークにおいて、駐車場間の空間的接続を定義する最適な距離閾値は何か？
• RQ3 COVID-19パンデミックは、駐車空き状況のパターンと活動ベースの駐車需要の両面で、都市部の駐車行動にどのように変化をもたらしたか？
• RQ4 仕事、ショッピング、医療などの活動タイプのうち、通常期間と比較してパンデミック期に駐車需要に最も顕著な変化を示したのはどれか？
• RQ5 空間的に接続された駐車場はどの程度同期的な空き状況のパターンを示すか？これは、活動タイプや時間帯によってどのように変化するか？

主な発見

• 提案された空間認識型フレームワークは、時系列的パターンが著しく不規則なCOVID-19期において、ベースラインモデルを著しく上回る性能を示した。
• 500 mの距離閾値が予測性能において最良であった。これは、この範囲内における駐車場間の空間相関が最も強く、一般的な歩行距離と整合的であることを裏付けた。
• パンデミック期の駐車空き状況は全体的に著しく低下しており、特に仕事、ショッピング、ホテル関連の活動では、非必須移動の減少が顕著に見られた。
• 平日には、銀行、医療機関、長距離移動（ホテル関連）の駐車場空き状況が急激に減少したが、週末には市場関連の駐車場の空き状況が90％にまで上昇した。
• パンデミック期には住宅地が主な駐車場所となった一方、パンデミック以前のパターンでは、市街地や職場での空き状況が高かった。
• 本研究は、緊急時における予測の堅牢性を高めるために空間的相関が重要な要因であることを確認した。これにより、移動予測モデルに空間的構造を統合する必要性が浮き彫りになった。