融合多时空数据源的时空网络实时停车占用率深度学习预测方法
机器学习
2019-05-14 v5 机器学习
摘要
应用深度学习模型实时预测街区级停车占用率。该模型利用图卷积神经网络（GCNN）提取大规模网络中交通流的空间关系，并利用带长短期记忆（LSTM）的循环神经网络（RNN）捕捉时间特征。此外，该模型能够将多种异构结构的交通数据源作为输入，如停车计费交易、交通速度和天气状况。通过匹兹堡市中心的案例研究评估模型性能。所提模型优于其他基线方法，包括多层LSTM和Lasso，在提前30分钟预测街区级停车占用率时平均测试MAPE为10.6\%。案例研究还表明，一般而言，该预测模型在商业区比在娱乐区表现更好。我们发现纳入交通速度和天气信息可显著提升预测性能。天气数据对提高娱乐区预测精度尤为有用。
引用
@article{arxiv.1901.06758,
title = {A deep learning approach to real-time parking occupancy prediction in spatio-temporal networks incorporating multiple spatio-temporal data sources},
author = {Shuguan Yang and Wei Ma and Xidong Pi and Sean Qian},
journal= {arXiv preprint arXiv:1901.06758},
year = {2019}
}