Beyond Prediction: On-street Parking Recommendation using Heterogeneous Graph-based List-wise Ranking

要約

タイトル：異種グラフベースのリストワイズランキングを用いた予測を超えた路上駐車場の推奨

要約：

– 現存の研究では駐車スペースの利用可能性を予測することに注力しており、ドライバーの巡回時間を節約するためには間接的な手法のように思われる。
– この論文では、最初に直接ドライバーに駐車場を推奨する路上駐車場推奨（OPR）タスクを提案する。
– このために、ランキング学習（LTR）ベースのOPRモデルであるOPR-LTRを構築する。
– 駐車場の推奨は、各駐車場の「回転イベント」（占有・空きの状態の切り替え）と密接に関係しているため、歴史的およびリアルタイムのメーターの回転イベントと地理的関係を表す高度に効率的な異種グラフであるESGraphを設計する。
– その後、畳み込みベースのイベント-グラフネットワークを使用して、異種グラフの表現を集約および更新する。
– ランキングモデルをさらに利用して、特定の路上駐車クエリのランク付けされた駐車スポットのリストを推奨するためのスコア関数を学習する。
– この方法は香港とサンフランシスコの路上駐車メーターデータを使用して検証されており、予測のみの方法と予測してからの推奨の方法と比較して、提案された直接推奨方法は異なるメトリックで満足のいくパフォーマンスを発揮している。
– 広範な実験も、提案されたESGraphと推奨モデルが計算効率的であり、ドライバーの路上駐車時間を節約できることを示している。

要約(オリジナル)

To provide real-time parking information, existing studies focus on predicting parking availability, which seems an indirect approach to saving drivers’ cruising time. In this paper, we first time propose an on-street parking recommendation (OPR) task to directly recommend a parking space for a driver. To this end, a learn-to-rank (LTR) based OPR model called OPR-LTR is built. Specifically, parking recommendation is closely related to the ‘turnover events’ (state switching between occupied and vacant) of each parking space, and hence we design a highly efficient heterogeneous graph called ESGraph to represent historical and real-time meters’ turnover events as well as geographical relations; afterward, a convolution-based event-then-graph network is used to aggregate and update representations of the heterogeneous graph. A ranking model is further utilized to learn a score function that helps recommend a list of ranked parking spots for a specific on-street parking query. The method is verified using the on-street parking meter data in Hong Kong and San Francisco. By comparing with the other two types of methods: prediction-only and prediction-then-recommendation, the proposed direct-recommendation method achieves satisfactory performance in different metrics. Extensive experiments also demonstrate that the proposed ESGraph and the recommendation model are more efficient in terms of computational efficiency as well as saving drivers’ on-street parking time.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI