Leverage Multi-source Traffic Demand Data Fusion with Transformer Model for Urban Parking Prediction

城市私家车拥有量的增加加剧了城市停车困境，需要有效的停车可用性预测来进行城市规划和管理。然而，现有的预测方法存在预测精度低的问题，缺乏与停车量相关的时空相关特征，并忽略了某些区域内类似停车场之间的流量模式和相关性。为了解决这些挑战，本研究提出了一个停车可用性预测框架，将时空深度学习与多源数据融合相结合，涵盖多个来源（如地铁、公交、出租车服务）的交通需求数据和停车场数据。该框架基于Transformer作为时空深度学习模型，并利用K-means聚类来建立停车集群区域，从连接到停车场的各种交通方式（如地铁、公交、网约车和出租车）中提取和整合交通需求特征。实际的经验数据被用来验证所提出的方法的有效性，与不同的机器学习、深度学习和传统的统计模型相比，用于预测停车可用性。实验结果表明，通过提出的流程，开发的Transformer模型在各种指标（如均方误差（MSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE））方面优于其他模型。通过融合多源需求数据和时空深度学习技术，这种方法提供了开发停车可用性预测系统的潜力，为驾驶员和城市规划者提供更准确和及时的信息，从而促进更高效和可持续的城市交通。

解决城市私家车辆拥有量增加导致的停车难问题，提高停车可用性预测的准确性。

提出了一种停车可用性预测框架，将空间-时间深度学习与多源数据融合相结合，包括来自多个交通方式（如地铁、公交、网约车和出租车）的交通需求数据和停车场数据。使用Transformer作为空间-时间深度学习模型，并利用K-means聚类建立停车簇区，从连接到停车场的各种交通方式中提取和整合交通需求特征。

实验结果表明，所提出的停车可用性预测框架在各种指标（如MSE、MAE和MAPE）上优于其他模型。该方法结合了多源需求数据和空间-时间深度学习技术，为驾驶员和城市规划者提供更准确和及时的信息，促进了更有效和可持续的城市交通。

在这个领域中，还有一些相关研究，如《A Deep Learning Approach to Parking Occupancy Prediction Using Recurrent Neural Networks》、《Parking availability prediction based on deep learning models》等。