پیش بینی رفتار پارکینگ با تکنیک های یادگیری عمیق و داده های چند منبعی، بر اساس همبستگی های فضایی

مدیریت کارآمد پارکینگ در مناطق شهری، با توجه به افزایش تعداد وسایل نقلیه و محدودیت فضاهای پارک، به چالشی اساسی در حوزه ی شهر هوشمند تبدیل شده است. علاوه بر این، عوامل محیطی نظیر شرایط آب و هوا و همبستگی های فضایی میان پارکینگ ها نقش مهمی در الگوی اشغال آن ها دارند. در این پژوهش، رویکردی ترکیبی مبتنی بر یادگیری عمیق برای پیش بینی رفتار پارکینگ ارائه می شود که از تلفیق شبکه ی کانولوشن گرافی (GCN) و شبکه ی حافظه ی طولانی کوتاه مدت (LSTM) بهره می گیرد. در روش پیشنهادی GCNها برای مدل سازی روابط فضایی کدگذاری شده در یک ماتریس مجاورت وزنی که منعکس کننده تاثیر پارکینگ های مجاور بر یکدیگر است مورد استفاده قرار می گیرند و شبکه های LSTM برای یادگیری پویایی زمانی از سوابق تاریخی پارکینگ و شرایط آب و هوایی مانند دما، رطوبت، سرعت باد و بارندگی به کار گرفته می شوند. مجموعه داده ی مورد استفاده برای آموزش و ارزیابی روش پیشنهادی شامل بیش از ۷۷ هزار رکورد پارک خودرو از پنج پارکینگ در شهر چانگشا، چین است که محیط هایی نظیر بازارها، مراکز خرید و سالن اجتماعات را در بر می گیرد. برای بهبود عملکرد مدل، از فرآیندهای پیش پردازش داده، مهندسی ویژگی و نرمال سازی بهره گرفته شده است. نتایج آزمایش ها نشان می دهد که مدل پیشنهادی GCN-LSTM با دستیابی به دقت ۹۴٫۶۴٪ نسبت به سایر روش ها عملکرد برتری دارد. این رویکرد ترکیبی، ابزاری کارآمد برای تصمیم گیری پیش نگرانه در سیستم های هوشمند مدیریت ترافیک و پارکینگ فراهم می کند. در تحقیقات آتی، توسعه ی مدل در مقیاس بزرگ تر و استقرار آن در شرایط واقعی شهری مدنظر قرار خواهد گرفت

کلیدواژه ها:

مدیریت هوشمند پارکینگ ، پیش بینی رفتار پارکینگ ، همبستگی فضایی ، شرایط آب و هوایی ، یادگیری ماشین ، یادگیری عمیق