Truck Parking Usage Prediction with Decomposed Graph Neural Networks

要約

貨物通路でのトラック駐車は、駐車スペースの不足やサービス時間 (HOS) 規制の順守など、さまざまな課題に直面しています。
これらの制約により、不正駐車が行われることが多く、安全上の懸念が生じます。
貨物輸送の安全性を高めるには、駐車場の使用状況を正確に予測することが費用対効果の高いソリューションであることが証明されています。
個々のトラック駐車場の使用量を予測するための十分な精度を示した既存の研究にもかかわらず、複数のトラック駐車場の空間依存性を伴う使用量を予測するアプローチはほとんど提案されていません。
我々は、より良いトラック駐車情報を提供し、不正駐車を軽減するために、州全体の駐車利用状況を評価するための予測フレームワークとして、Regional Temporal Graph Neural Network (RegT-GCN) を紹介します。
このフレームワークは、トラック駐車場の分布のトポロジー構造と過去の駐車データを活用して、州全体の占有率を予測します。
これを達成するために、地理的特徴を効果的に捉える地域分解アプローチを導入します。
また、時間モジュールと効率的に連携する空間モジュールも紹介します。
評価結果は、提案されたモデルが他のベースライン モデルを上回り、元のモデルと比較して $20\%$ 以上パフォーマンスが向上していることを示しています。
提案されたモデルにより、トラック駐車場がトポロジ構造を認識できるようになり、より高いパフォーマンスが提供されます。

要約(オリジナル)

Truck parking on freight corridors faces various challenges, such as insufficient parking spaces and compliance with Hour-of-Service (HOS) regulations. These constraints often result in unauthorized parking practices, causing safety concerns. To enhance the safety of freight operations, providing accurate parking usage prediction proves to be a cost-effective solution. Despite the existing research demonstrating satisfactory accuracy for predicting individual truck parking site usage, few approaches have been proposed for predicting usage with spatial dependencies of multiple truck parking sites. We present the Regional Temporal Graph Neural Network (RegT-GCN) as a predictive framework for assessing parking usage across the entire state to provide better truck parking information and mitigate unauthorized parking. The framework leverages the topological structures of truck parking site distributions and historical parking data to predict occupancy rates across a state. To achieve this, we introduce a Regional Decomposition approach, which effectively captures the geographical characteristics. We also introduce the spatial module working efficiently with the temporal module. Evaluation results demonstrate that the proposed model surpasses other baseline models, improving the performance by more than $20\%$ compared with the original model. The proposed model allows truck parking sites’ percipience of the topological structures and provides higher performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google