基于实时停车服务能力图粗化的大规模城市停车预测
机器学习
2025-02-24 v2 人工智能
摘要
随着车辆数量的急剧增加，停车难问题已成为许多城市亟待解决的紧迫挑战。在预测大规模城市停车数据的任务中，现有研究往往缺乏有效的深度学习模型和策略。为应对这一挑战，本文提出了一种创新的框架，利用实时服务能力预测大规模城市停车图，旨在提高停车预测的准确性和效率。具体而言，我们引入了一种图注意力机制，评估停车场的实时服务能力，以构建一个能准确反映停车行为真实偏好的动态停车图。为有效处理大规模停车数据，本研究将图粗化技术与时间卷积自编码器相结合，实现了对复杂城市停车图结构和特征的统一降维。随后，我们使用时空图卷积模型基于粗化图进行预测，并通过预训练的自编码器-解码器模块将预测结果恢复至原始数据维度，从而完成任务。我们的方法已在深圳市停车场的真实数据集上进行了严格测试。实验结果表明，与传统停车预测模型相比，我们的框架在准确性和效率上分别提升了46.8%和30.5%。值得注意的是，随着图规模的扩大，我们框架的优势变得更加明显，展示了其在实际场景中解决复杂城市停车难题的巨大潜力。
引用
@article{arxiv.2410.04022,
title = {Efficient Large-Scale Urban Parking Prediction: Graph Coarsening Based on Real-Time Parking Service Capability},
author = {Yixuan Wang and Zhenwu Chen and Kangshuai Zhang and Yunduan Cui and Yang Yang and Lei Peng},
journal= {arXiv preprint arXiv:2410.04022},
year = {2025}
}