[论文解读] Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction

Weijia Zhang, Hao Liu+3 more|arXiv (Cornell University)|Nov 24, 2019

Smart Parking Systems Research参考文献 26被引用 7

一句话总结

本文提出 SHARE，一种半监督的分层循环图神经网络，通过结合上下文数据与稀疏实时传感器数据，对城市级停车空位预测中的非欧几里得空间相关性与动态时间依赖性进行建模。通过集成分层图卷积模块与停车空位近似模块，该方法在数据稀缺条件下实现了最先进性能，在两个真实世界数据集上表现优异。

ABSTRACT

The ability to predict city-wide parking availability is crucial for the successful development of Parking Guidance and Information (PGI) systems. Indeed, the effective prediction of city-wide parking availability can improve parking efficiency, help urban planning, and ultimately alleviate city congestion. However, it is a non-trivial task for predicting citywide parking availability because of three major challenges: 1) the non-Euclidean spatial autocorrelation among parking lots, 2) the dynamic temporal autocorrelation inside of and between parking lots, and 3) the scarcity of information about real-time parking availability obtained from real-time sensors (e.g., camera, ultrasonic sensor, and GPS). To this end, we propose Semi-supervised Hierarchical Recurrent Graph Neural Network (SHARE) for predicting city-wide parking availability. Specifically, we first propose a hierarchical graph convolution structure to model non-Euclidean spatial autocorrelation among parking lots. Along this line, a contextual graph convolution block and a soft clustering graph convolution block are respectively proposed to capture local and global spatial dependencies between parking lots. Additionally, we adopt a recurrent neural network to incorporate dynamic temporal dependencies of parking lots. Moreover, we propose a parking availability approximation module to estimate missing real-time parking availabilities from both spatial and temporal domain. Finally, experiments on two real-world datasets demonstrate the prediction performance of SHARE outperforms seven state-of-the-art baselines.

研究动机与目标

• 为解决在实时传感器数据有限的条件下预测城市级停车空位的挑战。
• 对停车点之间的非欧几里得空间自相关性进行建模，捕捉局部与全局空间依赖性。
• 通过循环建模捕捉停车点内部及相互之间的动态时间自相关性。
• 通过基于熵的融合机制，利用空间与时间传播近似缺失的实时停车空位数据。
• 构建一个统一框架，整合环境上下文特征与稀疏传感器观测数据，实现可扩展的城市停车预测。

提出的方法

• 提出一种分层图卷积模块，结合上下文图卷积模块以捕捉局部空间依赖性，以及软聚类图卷积模块以建模全局空间相关性。
• 采用基于GRU的循环模块，对停车空位序列中的动态时间依赖性进行建模。
• 引入停车空位近似模块，通过传播卷积模块实现空间传播，利用相同的GRU模块进行时间建模，以估计缺失的实时数据。
• 采用基于熵的机制融合空间与时间近似结果，提升估计的鲁棒性。
• 采用半监督学习框架，联合优化配备传感器（有标签）与未配备传感器（无标签）的停车点的预测结果。
• 应用图神经网络原理，对停车点之间不规则的、非欧几里得的空间关系进行建模，克服欧几里得假设的局限性。

实验结果

研究问题

• RQ1 如何在城市级停车预测系统中有效建模停车点之间的非欧几里得空间相关性？
• RQ2 停车点内部及相互之间的时间依赖性在多大程度上能提升预测准确性？
• RQ3 如何利用空间与时间信息有效近似缺失的实时停车空位数据？
• RQ4 结合上下文数据与稀疏传感器数据的半监督框架能否优于完全监督或无监督基线方法？
• RQ5 该模型在不同城市区域（停车点规模与密度各异）中的表现如何？

主要发现

• SHARE在北京与深圳两个数据集上均实现了最低的MAE，优于七种最先进基线方法，在城市级停车空位预测中表现最优。
• 在北京市数据集上，模型的平均绝对误差（MAE）为10.68，性能与每处停车点的平均车位数相关性最强。
• 时间建模的最优输入序列长度为12个时间步，可在提供足够时间上下文与降低噪声之间实现良好平衡。
• 预测误差随预测时域延长而增加，但有标签停车点的误差增长速度明显快于无标签点，表明观测数据具有更强的时间依赖性。
• 鲁棒性分析表明，性能在不同地理区域中相对稳定，但大型停车点因绝对波动更大，MAE较高。
• 消融实验表明，分层图卷积模块与停车空位近似模块对模型整体性能均有显著贡献。