Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction
用于城市范圍內(nèi)停車可用性預測的半監(jiān)督分層遞歸圖神經(jīng)網(wǎng)絡
原文鏈接：https://arxiv.org/pdf/1911.10516.pdf
年份：2020
Publisher：AAAI 2020 Computer Science, Engineering, Mathematics
1. Abstract
? ? ? ? 對市內(nèi)停車位的有效預測可以提高停車效率材鹦，幫助停車規(guī)劃，從而最終有效解決停車擁堵。解決該問題面臨以下三個挑戰(zhàn)：
（1）停車場之間非歐式空間的自相關性馍盟；
（2）停車場內(nèi)部和停車場之間的動態(tài)時間自相關雪隧；
（3）實時傳感器（攝像頭漓糙、超聲波傳感器卿闹、GPS）獲得的實時停車可用性信息的稀缺捺宗。
? ? ? ? 具體來說对蒲，首先提出了分層圖卷積結構(a hierarchical graph convolution structure)來對停車場之間的非歐氏空間自相關進行建模钩蚊，接著分別提出了上下文圖卷積塊和軟聚類圖卷積塊來描述停車場之間的局部和全局空間依賴性；然后采用遞歸神經(jīng)網(wǎng)絡來合并停車場的動態(tài)時間依賴性蹈矮；此外還提出了一個停車位可用性PA近似模塊砰逻，來估計從時空域丟失的實時停車位可用性。最后泛鸟，實驗證明SHARE（Semi-supervised Hierarchical Recurrent Graph Neural Network）的性能優(yōu)于其余七個baselines蝠咆。
2. Introduction
? ? ? ? 城市交通擁擠引起了學術界和工業(yè)界的關注。一方面北滥，谷歌用用戶調查和谷歌地圖上的軌跡數(shù)據(jù)來進行停車難度的預測刚操，百度用環(huán)境特征預測城市停車可用性。這兩種都是間接的數(shù)據(jù)碑韵，都可能導致不準確的預測結果赡茸。另一方面，攝像頭祝闻、GPS占卧、傳感器等設備的普遍為該問題的研究帶來了很大的便利遗菠，但是出于經(jīng)濟和安全的考慮，很難大規(guī)模覆蓋所有的停車場华蜒。
? ? ? ? 在本文中辙纬，我們建議根據(jù)環(huán)境上下文數(shù)據(jù)（例如POI分布，人口）和部分觀察到的實時停車可用性數(shù)據(jù)叭喜，同時預測城市每個停車場的可用性贺拣。通過整合兩個數(shù)據(jù)集，我們可以在城市范圍內(nèi)做出更好的停車可用性預測捂蕴。但是這件事存在以下三個挑戰(zhàn)：
（1）空間自相關譬涡。一個停車場的可用性不僅受臨近停車場的影響，而且和距離遠的停車場同步啥辨。第一個挑戰(zhàn)就是如何對停車場之間不規(guī)律的且非歐式自相關性建模涡匀；
（2） 時間自相關。停車場的未來可用性與其先前時間段的可用性相關溉知。此外陨瘩，停車場之間的空間自相關也可能隨時間變化。如何為每個停車場的動態(tài)時間自相關建模是另一個挑戰(zhàn)级乍；
（3）停車可用性（PA）稀缺舌劳。只有一小部分停車場配備了實時傳感器。根據(jù)最大的地圖服務應用程序之一玫荣，北京有超過70,000個停車場甚淡，但是，只有6.12％的具有實時停車可用性數(shù)據(jù)崇决。第三個挑戰(zhàn)是如何利用稀缺和不完整的實時停車可用性信息材诽。
Major Contributions
- a semi-supervised spatio-temporal learning famework：整合環(huán)境上下文因素和稀疏的實時停車可用性數(shù)據(jù)底挫。
- a hierarchical graph convolution module：解決停車場之間非歐式空間相關性恒傻，包含上下文圖卷積塊和軟聚類圖卷積塊，分別對應于本地和全局的空間依賴模型建邓。
- a parking availability approximation module：估計沒有傳感器監(jiān)控的缺失的停車可用性數(shù)據(jù)盈厘。具體來說，我們引入了一個傳播卷積塊（ Propagating Graph Convolution）官边，并重用了時間模塊用來從空間和時間域近似估計缺失的停車位沸手，然后通過基于熵的機制將它們?nèi)诤稀?/li>
- 用北京和深圳兩個城市的數(shù)據(jù)來評估SHARE（Semi-supervised Hierarchical Recurrent Graph Neural Network），結果顯示比其余七個要好注簿。
3. Framework Overview
正如以上描述的那樣契吉，所有停車場的上下文特征和有傳感器停車場的測試數(shù)據(jù)作為輸入數(shù)據(jù)，輸出為所有的停車場預測時間步
????首先捐晶，用層級圖卷積單元（hierarchical graph convolution mudule）給停車場間的空間自相關性建模，此處上下文圖卷積（CxtConv）塊通過豐富的上下文特征捕獲停車場之間的局部空間依賴性（例如，POI分布惑灵，地區(qū)人口等）山上，而用軟聚類圖卷積（SCConv）塊通過將每個停車場軟分配給一組潛在聚類節(jié)點來捕獲遠處停車場之間的全局相關性。
????其次英支，時間自相關建模模塊采用門控循環(huán)單元（ Gated Recurrent Unit (GRU)）對每個停車場的動態(tài)時間相關性進行建模佩憾。
????最后，用PA近似模塊從時空域估計
