基于跨域数据的新加坡停车Availability 预测：一个新数据集与数据驱动方法
人工智能
2024-05-30 v1
摘要
车辆数的增加凸显了高效停车空间管理的需求。预测实时停车Availability (PA) 可有助于缓解交通拥堵及其引发的社会问题，这是密集城市（如新加坡）面临的紧迫问题。本研究旨在综合预测新加坡范围内的未来 PA，这些因素来自多个领域。本文的贡献列如下：(1) 新数据集：我们引入包含新加坡 1687 个停车场一年 PA 数据的 \texttt{SINPA} 数据集，丰富了各种空间和时间因素。(2) 数据驱动方法：我们提出了一种新型深度学习框架 DeepPA，用于高效地预测数千个停车场未来 PA。(3) 大量实验与部署：DeepPA 在预测误差上较现有先进模型实现了 9.2% 的降低，适用于最长 3 小时的预测。此外，我们在实际 Web 平台上实现了 DeepPA，为司机提供实时 PA 预测，为新加坡政府的城市规划提供信息。我们在 https://github.com/yoshall/SINPA 上发布了数据集和源代码。
关键词
引用
@article{arxiv.2405.18910,
title = {Predicting Parking Availability in Singapore with Cross-Domain Data: A New Dataset and A Data-Driven Approach},
author = {Huaiwu Zhang and Yutong Xia and Siru Zhong and Kun Wang and Zekun Tong and Qingsong Wen and Roger Zimmermann and Yuxuan Liang},
journal= {arXiv preprint arXiv:2405.18910},
year = {2024}
}
备注
Accepted by IJCAI 2024 (Multi-Year Track On AI And Social Good with ~20% acceptance rate)