[论文解读] 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 7

一句话总结

本文提出一种基于数据的高斯混合模型（GMM）方法，利用交易数据识别西雅图路边停车需求的空间同质区域，揭示了需求模式在时间上具有一致性，且常跨越人为划定的邻里边界。该方法可实现更精确、基于行为的停车政策与激励设计，超越单纯的价格机制。

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.

研究动机与目标

• 理解西雅图等城市地区路边停车需求的时空模式，因为传统定价政策可能无法完全捕捉行为驱动因素。
• 调查现有停车区域（通常以任意邻里边界划定）是否与实际需求同质性一致。
• 开发一种基于数据的方法，根据空间自相关性和模型可重复性，识别具有相似停车需求的区域。
• 通过识别一致且与行为相关的停车需求聚类，支持更有效的停车政策与针对性激励计划。
• 评估空间需求模式是否随时间保持稳定，从而支持基于学习模型的长期政策规划。

提出的方法

• 使用西雅图交通局（SDOT）提供的交易级停车数据，量化各街区路段的路边停车需求。
• 应用高斯混合模型（GMM）基于空间自相关性，将具有相似空间停车需求模式的街区路段进行分组。
• 采用GMM的可重复性度量指标，评估不同季节和时间段内识别出的区域在时间上的一致性。
• 将学习到的GMM区域与当前城市划定的收费停车区域进行比较，以评估其对齐程度与空间一致性。
• 使用模型选择标准（如BIC）确定每个区域最优的混合成分数量（即区域数量）。
• 通过空间自相关性检验验证结果，确认学习到的区域内部需求具有统计同质性。

实验结果

研究问题

• RQ1 西雅图当前由城市划定的收费停车区域在多大程度上与实际的停车需求空间模式一致？
• RQ2 所识别的停车需求区域在不同季节和时间段内的时间一致性如何？
• RQ3 空间需求模式是否随时间保持稳定，从而支持基于数据驱动模型的长期政策规划？
• RQ4 现有邻里边界在多大程度上限制或扭曲了停车需求的自然聚类？
• RQ5 基于GMM的区域划分能否在价格机制之外，更精准地实现对司机的信息与激励投放？

主要发现

• 基于GMM的方法识别出具有相似停车需求的独立空间区域，这些区域常跨越现有的邻里边界和收费停车区域边界。
• 与当前城市划定的区域相比，GMM识别出的区域内部空间自相关性显著更高，表明其需求同质性更优。
• 该模型表现出高度的时间一致性，空间需求模式在不同季节间保持稳定，支持长期政策应用。
• 在贝灵厄姆（Belltown）及其相邻区域（商业核心区和丹尼区）分析中，尽管局部空间自相关性较低，GMM仍能识别出连贯的区域。
• 当将相邻区域纳入分析时，当前收费停车区域中显著空间自相关性的频率更高，表明在更广泛背景下，当前区域划分可能更为合理。
• 研究证实，接近程度和意识水平等因素对停车决策的影响大于价格，支持非价格机制的政策干预需求。