論文の概要: Spatio-temporal Parking Behaviour Forecasting and Analysis Before and During COVID-19

• arxiv url: http://arxiv.org/abs/2108.07731v1
• Date: Sun, 15 Aug 2021 08:31:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-18 13:11:33.247343
• Title: Spatio-temporal Parking Behaviour Forecasting and Analysis Before and During COVID-19
• Title（参考訳）: 新型コロナウイルス感染前後の時空間駐車行動予測と分析
• Authors: Shuhui Gong, Xiaopeng Mo, Rui Cao, Yu Liu, Wei Tu, Ruibin Bai
• Abstract要約: 本研究では,空間接続グラフ構築と時間予測という2つのステップを含む空間認識型駐車予測フレームワークを提案する。 中国・寧波市で実施されているケーススタディでは、新型コロナウイルス(COVID-19)前後の駐車記録が100万件を超えている。
• 参考スコア（独自算出の注目度）: 9.433295824910589
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Parking demand forecasting and behaviour analysis have received increasing attention in recent years because of their critical role in mitigating traffic congestion and understanding travel behaviours. However, previous studies usually only consider temporal dependence but ignore the spatial correlations among parking lots for parking prediction. This is mainly due to the lack of direct physical connections or observable interactions between them. Thus, how to quantify the spatial correlation remains a significant challenge. To bridge the gap, in this study, we propose a spatial-aware parking prediction framework, which includes two steps, i.e. spatial connection graph construction and spatio-temporal forecasting. A case study in Ningbo, China is conducted using parking data of over one million records before and during COVID-19. The results show that the approach is superior on parking occupancy forecasting than baseline methods, especially for the cases with high temporal irregularity such as during COVID-19. Our work has revealed the impact of the pandemic on parking behaviour and also accentuated the importance of modelling spatial dependence in parking behaviour forecasting, which can benefit future studies on epidemiology and human travel behaviours.
• Abstract（参考訳）: 近年,交通渋滞の緩和や旅行行動の理解において重要な役割を担っていることから,駐車需要予測や行動分析が注目されている。 しかし、従来の研究では、駐車予測のために駐車場間の空間相関を無視するが、時間依存のみを考慮すべきである。 これは主に、直接の物理的接続や観測可能な相互作用の欠如によるものである。 したがって、空間的相関の定量化は依然として重要な課題である。 そこで本研究では,このギャップを埋めるために,2つのステップを含む空間対応駐車予測フレームワークを提案する。 空間接続グラフの構築と時空間予測 中国・寧波市のケーススタディでは、新型コロナウイルス(COVID-19)前後の駐車記録を100万件以上利用している。 その結果,特にcovid-19のような時間的不規則性が高い場合において,パーキング占有率予測が基本手法よりも優れていることがわかった。 本研究は,パンデミックが駐車行動に与える影響を明らかにし,また,駐車行動予測における空間依存のモデル化の重要性を強調した。

関連論文リスト

• Crowdsourced reviews reveal substantial disparities in public perceptions of parking [2.3034861262968453]
  本研究は,全米の駐車場に対する一般の認識を調査するため,費用対効果が高く,広くアクセス可能なデータソースであるクラウドソースオンラインレビューを紹介した。 Google Mapsから得られた911のコアベース統計領域(CBSA)を対象に,駐車関連レビュー4,987,483件のPOI(1,129,460点)について検討した。 POI型とCBSA型にまたがるパーキング感の顕著な変化がみられ,レストランPOIは最もネガティブな傾向を示した。
  論文  参考訳（メタデータ） (2024-07-06T15:17:17Z)
• Truck Parking Usage Prediction with Decomposed Graph Neural Networks [15.291200515217513]
  貨物回廊のトラックの駐車は、不十分な駐車場の大きな課題に直面している。 正確な駐車場利用予測を提供することは、安全でない駐車慣行を減らすためのコスト効率の高いソリューションであることが示されている。 本稿では地域時間グラフニューラルネットワーク(RegT-CN)を提案する。
  論文  参考訳（メタデータ） (2024-01-23T17:14:01Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• Predicting vacant parking space availability zone-wisely: a graph based spatio-temporal prediction approach [0.25782420501870296]
  空き駐車スペース(VPS)情報の正確な予測は、インテリジェントな駐車誘導システムにおいて重要な役割を果たす。 本稿では,短期・長期のVPS数を予測するグラフデータモデルST-GBGRUを提案する。 その結果,ST-GBGRUモデルは短期的・長期的予測タスクにおいて,精度が高く,適用可能性も良好であることが示唆された。
  論文  参考訳（メタデータ） (2022-05-03T12:24:39Z)
• Predicting Driver Takeover Time in Conditionally Automated Driving [14.861880139643942]
  安全な乗っ取り遷移を定量化する重要な要因の1つは、乗っ取り時間である。 以前の研究では、テイクオーバリードタイム、非運転タスク、テイクオーバリクエスト(TOR)のモダリティ、シナリオ緊急性など、多くの要因がテイクオーバ時間に与える影響が特定された。 メタ分析によるデータセットを用いて,eXtreme Gradient Boostingを用いてテイクオーバー時間の予測を行った。
  論文  参考訳（メタデータ） (2021-07-20T15:01:49Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
  我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。 歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。 2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
  論文  参考訳（メタデータ） (2021-01-07T06:08:21Z)
• A Machine Learning Approach for Modelling Parking Duration in Urban Land-use [0.0]
  本研究では,自動車利用者の社会経済的・旅行特性が駐車時間に与える影響を解析するためのモデルを提案する。 ドライバー特性と駐車時間の間の接続をキャプチャするために、人工知能ニューラルネットワーク(ANN)がデプロイされる。 その結果, LIMEによる予測の確率が高く, ユビキタスに適用可能であることがわかった。
  論文  参考訳（メタデータ） (2020-08-04T16:05:59Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。