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

Shuguan Yang, Wei Ma+2 more|arXiv (Cornell University)|Jan 21, 2019

Smart Parking Systems Research参考文献 40被引用 8

一句话总结

该论文提出了一种结合图卷积神经网络（GCNN）与长短期记忆（LSTM）网络的深度学习模型，利用多种时空数据源——停车计费交易、交通速度和天气数据——实现实时块级停车占用率预测。该模型在提前30分钟预测占用率时，平均测试MAPE达到10.6%，优于Lasso和多层LSTM基线模型，且天气数据显著提升了休闲区域的预测准确性。

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.

研究动机与目标

• 开发一种面向城市街道路网的实时、数据驱动型停车占用率预测模型。
• 通过整合停车计费交易、交通速度和天气等异构时空数据源，提升预测准确性。
• 通过使用交易数据作为占用率估算的代理，减少对昂贵停车传感器的依赖。
• 在不同用地类型（尤其是商业区与休闲区）之间评估模型性能。
• 通过可靠的30分钟前瞻占用率预测，实现主动停车管理。

提出的方法

• 模型采用图卷积神经网络（GCNN）捕捉道路网络中相互连接的街道路段之间的空间依赖性。
• 采用长短期记忆（LSTM）网络对停车占用率序列中的时间动态和长程依赖关系进行建模。
• 该框架整合了多种数据源：停车计费交易（作为占用率的代理）、实时交通速度和天气状况。
• 全连接前馈神经网络（FNN）用于处理融合后的时空特征，输出最终预测结果。
• 模型使用匹兹堡市中心的历史和实时数据进行端到端训练。
• 空间关系通过道路网络图进行编码，其中节点代表街道路段，边代表连通性。

实验结果

研究问题

• RQ1 与传统基线方法相比，融合多种异构数据源的深度学习模型是否能提升实时停车占用率预测的准确性？
• RQ2 整合交通速度和天气数据对预测性能有何影响，特别是在不同用地类型区域中？
• RQ3 使用停车计费交易数据作为占用率的代理，是否能在无直接传感器测量的情况下实现可靠预测？
• RQ4 在商业区与休闲区之间，模型的预测误差表现有何差异？
• RQ5 30分钟前瞻预测在多大程度上可支持主动停车管理与引导系统？

主要发现

• 该模型在提前30分钟预测停车占用率时，平均测试均差百分比误差（MAPE）为10.6%。
• 该模型在预测准确性方面显著优于基线方法，包括多层LSTM和Lasso回归。
• 引入交通速度和天气数据可提升预测性能，其中天气数据在39个路段中的38个路段中将误差降低高达3.0% MAPE。
• 模型在商业区的表现优于休闲区域，后者受天气条件影响更大。
• 天气数据在休闲区域中特别有效，能显著提升预测准确性，因为该区域需求对恶劣天气更敏感。
• 模型具备30分钟前瞻预测能力，有助于优化出行规划，并减少驾驶过程中对实时移动应用的依赖。