論文の概要: Efficient Large-Scale Urban Parking Prediction: Graph Coarsening Based on Real-Time Parking Service Capability
- arxiv url: http://arxiv.org/abs/2410.04022v1
- Date: Sat, 5 Oct 2024 03:54:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 14:40:27.482747
- Title: Efficient Large-Scale Urban Parking Prediction: Graph Coarsening Based on Real-Time Parking Service Capability
- Title（参考訳）: 大規模都市パーキング予測の効率化:リアルタイムパーキングサービス機能に基づくグラフ粗化
- Authors: Yixuan Wang, Zhenwu Chen, Kangshuai Zhang, Yunduan Cui, Lei Peng,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.5350858327743095
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the sharp increase in the number of vehicles, the issue of parking difficulties has emerged as an urgent challenge that many cities need to address promptly. In the task of predicting large-scale urban parking data, existing research often lacks effective deep learning models and strategies. To tackle this challenge, this paper proposes an innovative framework for predicting large-scale urban parking graphs leveraging real-time service capabilities, aimed at improving the accuracy and efficiency of parking predictions. Specifically, we introduce a graph attention mechanism that assesses the real-time service capabilities of parking lots to construct a dynamic parking graph that accurately reflects real preferences in parking behavior. To effectively handle large-scale parking data, this study combines graph coarsening techniques with temporal convolutional autoencoders to achieve unified dimension reduction of the complex urban parking graph structure and features. Subsequently, we use a spatio-temporal graph convolutional model to make predictions based on the coarsened graph, and a pre-trained autoencoder-decoder module restores the predicted results to their original data dimensions, completing the task. Our methodology has been rigorously tested on a real dataset from parking lots in Shenzhen. The experimental results indicate that compared to traditional parking prediction models, our framework achieves improvements of 46.8\% and 30.5\% in accuracy and efficiency, respectively. Remarkably, with the expansion of the graph's scale, our framework's advantages become even more apparent, showcasing its substantial potential for solving complex urban parking dilemmas in practical scenarios.
- Abstract（参考訳）: 車両の数が急増する中で、駐車難の問題は、多くの都市が迅速に対応しなければならない緊急の課題として浮上している。
大規模都市駐車場データを予測するタスクでは、既存の研究は効果的なディープラーニングモデルや戦略を欠いていることが多い。
この課題に対処するために, 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し, 駐車予測の精度と効率を向上させることを目的とした。
具体的には、駐車場のリアルタイムサービス機能を評価するグラフアテンション機構を導入し、駐車行動の実際の嗜好を正確に反映した動的な駐車グラフを構築する。
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ことで, 複雑な都市駐車場グラフ構造と特徴の統一次元化を実現する。
その後、時空間グラフ畳み込みモデルを用いて粗いグラフに基づいて予測を行い、事前訓練されたオートエンコーダデコーダモジュールが予測結果を元のデータ次元に復元し、タスクを完了させる。
我々の手法は深センの駐車場から得られた実際のデータセットで厳格に検証されている。
実験の結果,従来の駐車予測モデルと比較して,46.8\%と30.5\%の精度向上を実現していることがわかった。
注目すべきは、グラフの規模が拡大するにつれ、我々のフレームワークの利点はさらに明らかになり、現実的なシナリオにおいて複雑な都市駐車場ジレンマを解決するための大きな可能性を示すことである。
関連論文リスト
- 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) - Improving Demand Forecasting in Open Systems with Cartogram-Enhanced Deep Learning [2.684349361878955]
本研究では,カルトグラム手法を用いてレンタル・リターンパターンを予測するためのディープラーニングフレームワークを提案する。
本手法を韓国ソウル市における自転車レンタル・アンド・リターンデータに適用する。
論文 参考訳（メタデータ） (2024-03-24T07:29:12Z) - 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) - Deep Prompt Tuning for Graph Transformers [55.2480439325792]
ファインチューニングはリソース集約型であり、大きなモデルのコピーを複数保存する必要がある。
ファインチューニングの代替として,ディープグラフプロンプトチューニングと呼ばれる新しい手法を提案する。
事前学習したパラメータを凍結し、追加したトークンのみを更新することにより、フリーパラメータの数を減らし、複数のモデルコピーを不要にする。
論文 参考訳（メタデータ） (2023-09-18T20:12:17Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Beyond Prediction: On-street Parking Recommendation using Heterogeneous
Graph-based List-wise Ranking [18.08128929432942]
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。
論文 参考訳（メタデータ） (2023-04-29T03:59:35Z) - 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) - Deep Multi-Task Learning for Joint Localization, Perception, and
Prediction [68.50217234419922]
本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。
我々は,認識,予測,局所化を共同で行うシステムの設計を行う。
本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
論文 参考訳（メタデータ） (2021-01-17T17:20:31Z) - 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。