論文の概要: A Cost-Effective Framework for Predicting Parking Availability Using Geospatial Data and Machine Learning

• arxiv url: http://arxiv.org/abs/2508.14125v1
• Date: Mon, 18 Aug 2025 23:24:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.209136
• Title: A Cost-Effective Framework for Predicting Parking Availability Using Geospatial Data and Machine Learning
• Title（参考訳）: 地理空間データと機械学習を用いた駐車場利用率予測のための費用効果フレームワーク
• Authors: Madyan Bagosher, Tala Mustafa, Mohammad Alsmirat, Amal Al-Ali, Isam Mashhour Al Jawarneh,
• Abstract要約: 学生は授業の時間帯に空き場所を迅速かつ便利に見つける必要がある。 本稿では,街路地図,モビリティ,気象データなど,複数のデータソースを統合するスマートフレームワークを提案する。 このフレームワークは、予定の駐車場と時間を使って、適切な駐車場を指定する。
• 参考スコア（独自算出の注目度）: 0.30758169771529686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As urban populations continue to grow, cities face numerous challenges in managing parking and determining occupancy. This issue is particularly pronounced in university campuses, where students need to find vacant parking spots quickly and conveniently during class timings. The limited availability of parking spaces on campuses underscores the necessity of implementing efficient systems to allocate vacant parking spots effectively. We propose a smart framework that integrates multiple data sources, including street maps, mobility, and meteorological data, through a spatial join operation to capture parking behavior and vehicle movement patterns over the span of 3 consecutive days with an hourly duration between 7AM till 3PM. The system will not require any sensing tools to be installed in the street or in the parking area to provide its services since all the data needed will be collected using location services. The framework will use the expected parking entrance and time to specify a suitable parking area. Several forecasting models, namely, Linear Regression, Support Vector Regression (SVR), Random Forest Regression (RFR), and Long Short-Term Memory (LSTM), are evaluated. Hyperparameter tuning was employed using grid search, and model performance is assessed using Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) and Coefficient of Determination (R2). Random Forest Regression achieved the lowest RMSE of 0.142 and highest R2 of 0.582. However, given the time-series nature of the task, an LSTM model may perform better with additional data and longer timesteps.
• Abstract（参考訳）: 都市人口が増加し続けるにつれて、都市は駐車場の管理と占有率の決定に多くの課題に直面している。 この問題は特に大学のキャンパスで顕著であり、学生は授業の時間帯に空き地を見つける必要がある。 キャンパスにおける駐車場の限られた利用は、空き駐車場を効果的に割り当てるための効率的なシステムを実装する必要性を浮き彫りにしている。 本研究では,道路地図,モビリティ,気象データなどの複数のデータソースを空間結合操作により統合し,午前7時から午後3時までの3日間の駐車行動と車両の移動パターンを把握できるスマートフレームワークを提案する。 このシステムは、位置情報サービスを使って必要なすべてのデータを収集するため、道路や駐車場に設置するいかなるセンサーツールも必要としない。 このフレームワークは、予定の駐車場と時間を使って、適切な駐車場を指定する。 線形回帰、サポートベクトル回帰(SVR)、ランダムフォレスト回帰(RFR)、Long Short-Term Memory(LSTM)などの予測モデルを評価する。 グリッドサーチを用いてハイパーパラメータチューニングを行い,Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Coefficient of determined (R2)を用いてモデル性能を評価する。 ランダムフォレスト回帰は、RMSEが0.142、R2が0.582に達した。 しかし、タスクの時系列の性質を考えると、LSTMモデルは追加のデータとより長いタイムステップでより良く機能する可能性がある。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• 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、州全体での駐車場利用を予測するために、Reg-TCN(Reg-TCN)を提案する。
  論文  参考訳（メタデータ） (2024-01-23T17:14:01Z)
• Efficient Federated Prompt Tuning for Black-box Large Pre-trained Models [62.838689691468666]
  我々は,各ローカルデータセットを最適に活用するためのフェデレートブラックボックス・プロンプト・チューニング(Fed-BBPT)を提案する。 Fed-BBPTは、ローカルユーザーがレギュラーアグリゲーションを通じてプロンプトジェネレータを協調的に訓練するのを支援する中央サーバーに重点を置いている。 大規模な微調整とは対照的に、Fed-BBPTは、PTMストレージとローカルマシンの微調整に関連するメモリの課題を、十分にサイドステップで解決している。
  論文  参考訳（メタデータ） (2023-10-04T19:30:49Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• 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)

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。