基于实时数据与机器学习技术的停车区域状态短期预测
机器学习
2019-12-02 v1 信号处理
机器学习
摘要
公共道路管理部门与私营出行服务提供商需要由当前及预测交通状态所衍生的信息，以应对日常城市系统及其时空动态。本研究利用公开的历史与实时数据源，开发了一种实时停车区域状态（占用率、流入与流出量）预测模型（可预测至未来60分钟）。基于荷兰阿纳姆市真实场景的案例研究表明，基于神经网络的方法在所有评估性能指标上均优于基于随机森林的方法，尽管差异较小。两者均优于朴素季节性随机游走模型。虽然性能随预测时域延长而下降，但在60分钟预测时域下，该模型相比朴素模型的性能提升超过150%。此外，研究表明预测流入与流出量是更为困难的任务（性能提升约30%），需要更多不单纯基于占用率的训练数据。不过，预测流入与流出量的性能对预测时域的敏感性较低。另外，研究表明当前占用率的实时信息是贡献最大的自变量，尽管时间、交通流与气象变量也显著贡献。在实时部署中，该模型平均性能为朴素模型的三倍。因此，它可为主动交通管理以及出行服务提供商提供有价值的信息。
引用
@article{arxiv.1911.13178,
title = {Short Term Prediction of Parking Area states Using Real Time Data and Machine Learning Techniques},
author = {Jesper Provoost and Luc Wismans and Sander Van der Drift and Andreas Kamilaris and Maurice Van Keulen},
journal= {arXiv preprint arXiv:1911.13178},
year = {2019}
}
备注
Proc. of Transportation Research Board 2020 Annual Meeting, Washington D.C., USA, January 2020