用于全市停车可用性预测的半监督层次循环图神经网络
机器学习
2019-12-02 v1 信号处理
机器学习
摘要
预测全市停车可用性的能力对于停车引导与信息（PGI）系统的成功开发至关重要。事实上，有效的全市停车可用性预测可提高停车效率、助力城市规划，并最终缓解城市拥堵。然而，由于三大挑战，预测全市停车可用性并非易事：1）停车场间的非欧几里得空间自相关，2）停车场内部及之间的动态时间自相关，以及 3）从实时传感器（如摄像头、超声波传感器和 GPS）获取的实时停车可用性信息稀缺。为此，我们提出半监督层次循环图神经网络（SHARE）用于预测全市停车可用性。具体而言，我们首先提出一种层次图卷积结构来建模停车场间的非欧几里得空间自相关。沿此思路，分别提出上下文图卷积块与软聚类图卷积块以捕捉停车场间的局部与全局空间依赖。此外，我们采用循环神经网络来纳入停车场的动态时间依赖。而且，我们提出停车可用性近似模块，从空间与时间域估计缺失的实时停车可用性。最后，在两个真实世界数据集上的实验表明 SHARE 的预测性能优于七个当前最优基线。
引用
@article{arxiv.1911.10516,
title = {Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction},
author = {Weijia Zhang and Hao Liu and Yanchi Liu and Jingbo Zhou and Hui Xiong},
journal= {arXiv preprint arXiv:1911.10516},
year = {2019}
}
备注
8 pages, 9 figures, AAAI-2020