超越预测：基于异构图列表排序的路边停车推荐
机器学习
2023-12-01 v2 人工智能
摘要
为提供实时停车信息，现有研究侧重于预测停车可用性，这似乎是节省驾驶员巡游时间的间接方法。本文首次提出路边停车推荐（OPR）任务，直接为驾驶员推荐停车位。为此，构建了一个基于学习排序（LTR）的OPR模型，称为OPR-LTR。具体而言，停车推荐与每个停车位的“周转事件”（占用与空闲之间的状态切换）密切相关，因此我们设计了一种称为ESGraph的高效异构图，用于表示历史与实时停车计时器的周转事件以及地理关系；随后，使用基于卷积的事件—图网络来聚合并更新异构图表示。进一步利用排序模型学习评分函数，从而为特定路边停车查询推荐一组排序后的停车点。该方法使用香港和旧金山的路边停车计时器数据进行了验证。通过与另外两类方法（仅预测、预测后推荐）比较，所提出的直接推荐方法在不同指标上均取得了令人满意的性能。大量实验还表明，所提出的ESGraph与推荐模型在计算效率以及节省驾驶员路边停车时间方面更为高效。
引用
@article{arxiv.2305.00162,
title = {Beyond Prediction: On-street Parking Recommendation using Heterogeneous Graph-based List-wise Ranking},
author = {Hanyu Sun and Xiao Huang and Wei Ma},
journal= {arXiv preprint arXiv:2305.00162},
year = {2023}
}