論文の概要: Beyond Prediction: On-street Parking Recommendation using Heterogeneous Graph-based List-wise Ranking

• arxiv url: http://arxiv.org/abs/2305.00162v2
• Date: Thu, 30 Nov 2023 06:39:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 20:47:28.931947
• Title: Beyond Prediction: On-street Parking Recommendation using Heterogeneous Graph-based List-wise Ranking
• Title（参考訳）: beyond prediction:不均一グラフに基づくリストワイズランキングを用いた路上駐車推薦
• Authors: Hanyu Sun, Xiao Huang, Wei Ma
• Abstract要約: 我々はまず,ドライバーに駐車スペースを直接推薦する,路上駐車推奨(OPR)タスクを提案する。 我々はESGraphと呼ばれる高効率なヘテロジニアスグラフを設計し、歴史的かつリアルタイムなメーターのターンオーバーイベントを表現する。 さらにランキングモデルを用いて、ランキングされた駐車場のリストを推薦するスコア関数を学習する。
• 参考スコア（独自算出の注目度）: 18.08128929432942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To provide real-time parking information, existing studies focus on predicting parking availability, which seems an indirect approach to saving drivers' cruising time. In this paper, we first time propose an on-street parking recommendation (OPR) task to directly recommend a parking space for a driver. To this end, a learn-to-rank (LTR) based OPR model called OPR-LTR is built. Specifically, parking recommendation is closely related to the "turnover events" (state switching between occupied and vacant) of each parking space, and hence we design a highly efficient heterogeneous graph called ESGraph to represent historical and real-time meters' turnover events as well as geographical relations; afterward, a convolution-based event-then-graph network is used to aggregate and update representations of the heterogeneous graph. A ranking model is further utilized to learn a score function that helps recommend a list of ranked parking spots for a specific on-street parking query. The method is verified using the on-street parking meter data in Hong Kong and San Francisco. By comparing with the other two types of methods: prediction-only and prediction-then-recommendation, the proposed direct-recommendation method achieves satisfactory performance in different metrics. Extensive experiments also demonstrate that the proposed ESGraph and the recommendation model are more efficient in terms of computational efficiency as well as saving drivers' on-street parking time.
• Abstract（参考訳）: リアルタイムの駐車情報を提供するため、既存の研究は、ドライバーの走行時間を節約するための間接的なアプローチであるパーキング可用性の予測に重点を置いている。 本稿では,運転者に直接駐車スペースを推薦するために,路上駐車推奨(opr)タスクを初めて提案する。 この目的のために、OPR-LTRと呼ばれるLearning-to-rank(LTR)ベースのOPRモデルを構築している。 具体的には、駐車勧告は、各駐車空間の「転倒イベント」と密接に関連しているため、ESGraphと呼ばれる高効率な異種グラフを設計し、歴史的かつリアルタイムなメータの転倒イベントと地理的関係を表現し、その後、畳み込みに基づくイベント列グラフネットワークを用いて異種グラフの表現を集約・更新する。 ランキングモデルはさらに、特定の路上駐車クエリに対してランク付けされた駐車スポットのリストを推奨するスコア関数を学習するために利用される。 この方法は、香港とサンフランシスコの路上駐車メーターデータを用いて検証される。 予測のみと予測を推奨する2種類の手法を比較することにより,提案手法は様々な指標において良好な性能を実現する。 大規模な実験により、提案したESGraphとレコメンデーションモデルは、計算効率の面でより効率的であり、ドライバーの路上駐車時間を節約できることを示した。

関連論文リスト

• Efficient Large-Scale Urban Parking Prediction: Graph Coarsening Based on Real-Time Parking Service Capability [7.5350858327743095]
  本稿では,リアルタイムサービス機能を活用した大規模都市駐車場グラフの予測手法を提案する。 大規模駐車データを効果的に処理するために,グラフ粗大化手法と時間畳み込みオートエンコーダを組み合わせる。 本フレームワークは, それぞれ46.8%, 30.5%の精度向上と効率向上を実現している。
  論文  参考訳（メタデータ） (2024-10-05T03:54:25Z)
• Leverage Multi-source Traffic Demand Data Fusion with Transformer Model for Urban Parking Prediction [4.672121078249809]
  本研究では,空間時間深層学習とマルチソースデータ融合を組み合わせた駐車予測フレームワークを提案する。 このフレームワークは、時空間深層学習モデルとしてのTransformerに基づいている。 実世界の実証データを用いて,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-05-02T07:28:27Z)
• 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)
• Prior Based Online Lane Graph Extraction from Single Onboard Camera Image [133.68032636906133]
  単眼カメラ画像からレーングラフをオンラインに推定する。 前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。 オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
  論文  参考訳（メタデータ） (2023-07-25T08:58:26Z)
• GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
  精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。 不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。 我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
  論文  参考訳（メタデータ） (2022-11-04T16:10:50Z)
• 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)
• Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
  提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。 われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。 アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
  論文  参考訳（メタデータ） (2021-08-25T18:24:34Z)
• Towards automatic extraction and validation of on-street parking spaces using park-out events data [0.0]
  路上駐車スペースに有効なマップを自動作成する2つの手法を提案する。 1つ目は空間アグリゲーション、もう1つは機械学習アルゴリズムを使用する。 我々は,ベルリン市内の地区での結果を示し,元の不均衡データから92%の分類精度を報告した。
  論文  参考訳（メタデータ） (2021-02-12T20:22:38Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)
• 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)
• 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。