[论文解读] 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 6

一句话总结

本研究提出了一种空间感知的停车占用率预测框架，通过基于距离的连接图整合空间相关性，并利用时间图卷积网络（T-GCN）进行时间建模。在宁波市110万条停车记录上进行评估，该方法在新冠疫情期间显著优于基线模型，通过捕捉对不规则需求模式至关重要的时空依赖关系，表现出色。

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.

研究动机与目标

• 解决先前停车预测模型忽略停车点之间空间相关性的局限性。
• 对邻近停车点之间的空间依赖性进行建模，以提升在时间不规则性较高的时期预测的鲁棒性。
• 利用真实世界停车数据，研究新冠疫情对城市停车行为的影响。
• 开发一种可扩展的时空停车占用率预测框架，适用于其他城市出行与环境变量。
• 识别疫情前与疫情期间驱动停车需求变化的关键活动类型与空间模式。

提出的方法

• 使用500米距离阈值构建空间连接图，基于地理邻近性定义停车点之间的关系。
• 应用时间图卷积网络（T-GCN）联合建模停车占用率序列中的时间动态与空间依赖性。
• 使用宁波市136个停车点（2019年4月至2020年4月）的历史停车占用率数据进行训练与测试。
• 通过RMSE与MAE指标在不同时间段（包括疫情前与疫情期间）评估模型性能。
• 将所提框架与多种基线模型对比，包括传统时间序列方法与深度学习方法。
• 通过在500米、1公里及全连接（无限距离）条件下评估预测精度，优化距离阈值。

实验结果

研究问题

• RQ1 在时间不规则性较高的时期，将停车点之间的空间相关性纳入模型，如何提升停车占用率预测的准确性？
• RQ2 在停车行为预测框架中，定义停车点之间空间连接的最优距离阈值是多少？
• RQ3 新冠疫情如何改变了城市停车行为，体现在占用率模式与基于活动的停车需求方面？
• RQ4 与正常时期相比，哪些活动类型（如工作、购物、医疗）在疫情期间的停车需求变化最为显著？
• RQ5 在不同活动类型与时间段下，空间相连的停车点在占用率模式上表现出多大程度的同步性？

主要发现

• 所提出的空间感知框架在停车占用率预测中显著优于基线模型，尤其在新冠疫情期间时间模式高度不规则时表现突出。
• 500米距离阈值实现了最佳预测性能，证实该范围内停车点的空间相关性最强，与典型步行距离一致。
• 疫情期间整体停车占用率显著下降，尤其是与工作、购物及酒店相关的活动，表明非必要出行减少。
• 工作日期间，银行、医疗机构及长途出行（酒店相关）的停车占用率急剧下降，而周末市场相关停车占用率升至90%。
• 疫情期间住宅区成为主要停车地点，而疫情前则以市中心与工作场所的占用率更高。
• 本研究证实空间相关性是提升突发事件期间预测鲁棒性的关键因素，强调在出行预测模型中整合空间结构的必要性。