論文の概要: Parking Availability Prediction via Fusing Multi-Source Data with A Self-Supervised Learning Enhanced Spatio-Temporal Inverted Transformer

• arxiv url: http://arxiv.org/abs/2509.04362v1
• Date: Thu, 04 Sep 2025 16:22:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.218739
• Title: Parking Availability Prediction via Fusing Multi-Source Data with A Self-Supervised Learning Enhanced Spatio-Temporal Inverted Transformer
• Title（参考訳）: 自己監督型時空間反転変換器を用いたマルチソースデータによる駐車可否予測
• Authors: Yin Huang, Yongqi Dong, Youhua Tang, Li Li,
• Abstract要約: 本研究では,SST-iTransformerを用いた交通需要特性の抽出・統合手法を提案する。 中国・成都の現実世界のデータを用いた実験では、SST-iTransformerがディープラーニングモデルより優れていることが示されている。
• 参考スコア（独自算出の注目度）: 6.779236767393988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of private car ownership has worsened the urban parking predicament, underscoring the need for accurate and effective parking availability prediction to support urban planning and management. To address key limitations in modeling spatio-temporal dependencies and exploiting multi-source data for parking availability prediction, this study proposes a novel approach with SST-iTransformer. The methodology leverages K-means clustering to establish parking cluster zones (PCZs), extracting and integrating traffic demand characteristics from various transportation modes (i.e., metro, bus, online ride-hailing, and taxi) associated with the targeted parking lots. Upgraded on vanilla iTransformer, SST-iTransformer integrates masking-reconstruction-based pretext tasks for self-supervised spatio-temporal representation learning, and features an innovative dual-branch attention mechanism: Series Attention captures long-term temporal dependencies via patching operations, while Channel Attention models cross-variate interactions through inverted dimensions. Extensive experiments using real-world data from Chengdu, China, demonstrate that SST-iTransformer outperforms baseline deep learning models (including Informer, Autoformer, Crossformer, and iTransformer), achieving state-of-the-art performance with the lowest mean squared error (MSE) and competitive mean absolute error (MAE). Comprehensive ablation studies quantitatively reveal the relative importance of different data sources: incorporating ride-hailing data provides the largest performance gains, followed by taxi, whereas fixed-route transit features (bus/metro) contribute marginally. Spatial correlation analysis further confirms that excluding historical data from correlated parking lots within PCZs leads to substantial performance degradation, underscoring the importance of modeling spatial dependencies.
• Abstract（参考訳）: プライベートカーの所有が急速に増加し、都市駐車場の悪化が悪化し、都市計画と管理を支援するための正確かつ効果的な駐車予測の必要性が浮き彫りになった。 SST-iTransformer を用いた新しい手法を提案する。 この手法は、K平均クラスタリングを利用してパーキングクラスタゾーン(PCZ)を確立し、ターゲット駐車場に関連する様々な交通手段(メトロ、バス、オンライン配車、タクシー)から交通需要特性を抽出・統合する。 バニラiTransformerにアップグレードされたSST-iTransformerは、自己教師付き時空間表現学習のためのマスク再構成ベースのプレテキストタスクを統合し、革新的なデュアルブランチの注意機構を備えている。 中国・成都の現実世界データを用いた大規模な実験では、SST-iTransformerはベースラインのディープラーニングモデル(Informer、Autoformer、Crossformer、iTransformerなど)より優れており、最小平均二乗誤差(MSE)と競合平均絶対誤差(MAE)で最先端のパフォーマンスを達成する。 ライドシェアリングデータの導入は、最大のパフォーマンス向上をもたらし、タクシーが続く一方、固定ルートのトランジット機能(バス/メトロ)は、限界的に寄与する。 空間相関解析により,PCZ内の駐車場の履歴データを除くと性能が著しく低下し,空間依存のモデル化の重要性が強調される。

関連論文リスト

• Online Location Planning for AI-Defined Vehicles: Optimizing Joint Tasks of Order Serving and Spatio-Temporal Heterogeneous Model Fine-Tuning [12.784479119173223]
  車両群集センシング(VCS)は、車両の移動性とセンサーを装備した能力を活用する重要なイネーブラーとして登場した。 この研究は、エッジアシスト車両が注文サービスと基礎モデルの微調整のジョイントタスクを行う、有望なシナリオを探求する。
  論文  参考訳（メタデータ） (2025-02-06T07:23:40Z)
• 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)
• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• ST-former for short-term passenger flow prediction during COVID-19 in urban rail transit system [8.506559986635057]
  乗客の流動の複雑な依存関係を動的にモデル化する方法は、感染発生時に正確な乗客の流動予測を行う上で、主要な課題である。 本稿では、COVID-19に特化したエンコーダデコーダフレームワーク下で、STformerと呼ばれるトランスフォーマーベースのアーキテクチャを提案する。 実世界の乗客フローデータセットの実験は、STフォーマーが他の11の最先端手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2022-10-14T01:51:33Z)
• Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting [68.86835407617778]
  Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。 長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
  論文  参考訳（メタデータ） (2021-06-24T13:43:43Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

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。