論文の概要: Predicting Parking Availability in Singapore with Cross-Domain Data: A New Dataset and A Data-Driven Approach
- arxiv url: http://arxiv.org/abs/2405.18910v1
- Date: Wed, 29 May 2024 09:11:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-30 17:59:30.282308
- Title: Predicting Parking Availability in Singapore with Cross-Domain Data: A New Dataset and A Data-Driven Approach
- Title（参考訳）: クロスドメインデータによるシンガポールのパーキング可用性予測 - 新しいデータセットとデータ駆動アプローチ
- Authors: Huaiwu Zhang, Yutong Xia, Siru Zhong, Kun Wang, Zekun Tong, Qingsong Wen, Roger Zimmermann, Yuxuan Liang,
- Abstract要約: シンガポール全土のパーキング・アベイラビリティー(Parking Availability)を、様々な領域の複雑な要素で総合的に予測することを目指している。
我々は,新しいディープラーニングフレームワークであるDeepPAを紹介し,数千の駐車場にまたがる将来のPAを集合的かつ効率的に予測する。
我々は,DeepPAを実践的なWebベースのプラットフォームに実装し,ドライバーを支援するリアルタイムPA予測と,シンガポールの知事に都市計画を通知する。
- 参考スコア（独自算出の注目度）: 38.88230047248294
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The increasing number of vehicles highlights the need for efficient parking space management. Predicting real-time Parking Availability (PA) can help mitigate traffic congestion and the corresponding social problems, which is a pressing issue in densely populated cities like Singapore. In this study, we aim to collectively predict future PA across Singapore with complex factors from various domains. The contributions in this paper are listed as follows: (1) A New Dataset: We introduce the \texttt{SINPA} dataset, containing a year's worth of PA data from 1,687 parking lots in Singapore, enriched with various spatial and temporal factors. (2) A Data-Driven Approach: We present DeepPA, a novel deep-learning framework, to collectively and efficiently predict future PA across thousands of parking lots. (3) Extensive Experiments and Deployment: DeepPA demonstrates a 9.2% reduction in prediction error for up to 3-hour forecasts compared to existing advanced models. Furthermore, we implement DeepPA in a practical web-based platform to provide real-time PA predictions to aid drivers and inform urban planning for the governors in Singapore. We release the dataset and source code at https://github.com/yoshall/SINPA.
- Abstract（参考訳）: 車両の増加は、効率的な駐車スペース管理の必要性を強調している。
リアルタイムパーキングアベイラビリティ(PA)の予測は、交通渋滞とそれに伴う社会問題を軽減するのに役立つ。
本研究では,シンガポールにおける今後のPAを,様々な領域の複雑な要因で総合的に予測することを目的としている。
1)新しいデータセット: シンガポールの1,687の駐車場から1年分のPAデータを含む,さまざまな空間的・時間的要因に富んだデータセットについて紹介する。
2)データ駆動アプローチ: 数千の駐車場にまたがる将来のPAを集合的かつ効率的に予測する,新しいディープラーニングフレームワークであるDeepPAを提案する。
(3) 大規模実験と展開: DeepPAは既存の先進モデルと比較して最大3時間予測の予測誤差を9.2%削減することを示した。
さらに,DeepPAを実践的なWebベースプラットフォームに実装し,ドライバーを支援するリアルタイムPA予測と,シンガポールの知事に都市計画を通知する。
データセットとソースコードはhttps://github.com/yoshall/SINPAで公開しています。
関連論文リスト
- Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - 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) - FedParking: A Federated Learning based Parking Space Estimation with
Parked Vehicle assisted Edge Computing [23.943759396364]
分散学習アプローチとして、フェデレーション付き学習は、トレーニングデータのプライバシを保持しながら、分散データセット上で共有学習モデルをトレーニングする。
我々は、駐車場管理へのフェデレートラーニングの適用を拡大し、FedParkingを導入し、Parking Lot Operators(PLO)が協力して、生データを交換することなく、駐車空間推定のための長期記憶モデルを訓練する。
論文 参考訳（メタデータ） (2021-10-19T10:55:33Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳（メタデータ） (2021-03-08T16:03:09Z) - 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) - FADACS: A Few-shot Adversarial Domain Adaptation Architecture for
Context-Aware Parking Availability Sensing [5.160087162892865]
本研究では,駐車場データの不十分な地域での駐車状況を予測するために,駐車状況検知のためのエンドツーエンドの移動学習フレームワークを設計する。
このフレームワークは2つの課題を克服する。1) 既存のデータ駆動モデルに十分なデータを提供できない実世界のケースが多く、2) センサデータと異種コンテキスト情報をマージすることは困難である。
論文 参考訳（メタデータ） (2020-07-13T08:25:26Z) - 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) - TTDM: A Travel Time Difference Model for Next Location Prediction [14.93730951083916]
次の位置予測は、多くの位置情報ベースのアプリケーションにとって非常に重要であり、ビジネスや政府に不可欠なインテリジェンスを提供する。
既存の研究では、次の位置予測に対する一般的なアプローチは、条件付き確率に基づいて、巨大な歴史的軌跡を持つ連続的な遷移を学習することである。
本稿では,最短走行時間と実走行時間との差を利用して次の位置を推定する旅行時間差モデル(TTDM)を提案する。
論文 参考訳（メタデータ） (2020-03-16T05:16:43Z) - 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。