基于预测的停车价格一次性动态定价
机器学习
2022-08-31 v1 人工智能
最优化与控制
摘要
美国许多大都市因其严重的停车位短缺而臭名昭著。为此，我们提出一个主动的、由预测驱动的优化框架来动态调整停车价格。我们利用神经常微分方程（NODEs）等最先进的深度学习技术，结合历史占用率和价格信息，设计未来停车占用率预测模型。此外，得益于NODEs的连续且双射特性，我们设计了一种在给定预训练预测模型下的一次性价格优化方法，该方法仅需一次迭代即可找到最优解。换言之，我们优化预训练预测模型的 price 输入，以在停车区块中实现目标占用率。我们使用在旧金山和西雅图多年收集的数据进行实验。与各种时间或时空预测模型相比，我们的预测模型表现出最佳精度。我们的一次性优化方法在搜索时间上大幅优于其他黑盒和白盒搜索方法，且总是返回最优价格解。
引用
@article{arxiv.2208.14231,
title = {Prediction-based One-shot Dynamic Parking Pricing},
author = {Seoyoung Hong and Heejoo Shin and Jeongwhan Choi and Noseong Park},
journal= {arXiv preprint arXiv:2208.14231},
year = {2022}
}
备注
Accepted at CIKM 2022