基于分解图神经网络的卡车停车位使用预测
人工智能
2025-03-27 v3
摘要
货运走廊上的卡车停车面临着停车位不足的主要挑战。服务时间（HOS）法规加剧了这一问题，该法规常导致违规停车行为，引发安全隐患。已有研究表明，提供准确的停车位使用预测可以作为减少不安全停车行为的低成本解决方案。有鉴于此，现有研究已开发出多种方法来预测单个卡车停车场的使用情况，并展示了令人满意的准确率。然而，由于数据的缺乏，这些研究集中于单一停车场，鲜有方法在考虑时空依赖性的情况下来预测多个卡车停车位的使用情况。本文旨在填补这一空白，提出区域时间图卷积网络（RegT-GCN）来预测全州的停车位使用情况，以提供更全面的卡车停车信息。该框架利用卡车停车位位置和历史停车数据的拓扑结构，在考虑全州时空依赖性的情况下预测占用率。为实现这一目标，我们引入了一种区域分解方法，该方法有效地捕捉了卡车停车位置的地理特征及其空间相关性。评估结果表明，所提出的模型优于其他基线模型，展示了我们区域分解方法的有效性。代码可在 https://github.com/raynbowy23/RegT-GCN 获取。
引用
@article{arxiv.2401.12920,
title = {Truck Parking Usage Prediction with Decomposed Graph Neural Networks},
author = {Rei Tamaru and Yang Cheng and Steven Parker and Ernie Perry and Bin Ran and Soyoung Ahn},
journal= {arXiv preprint arXiv:2401.12920},
year = {2025}
}