预测驱动的一次性动态停车定价

Aug, 2022

Prediction-based One-shot Dynamic Parking Pricing

Seoyoung Hong, Heejoo Shin, Jeongwhan Choi, Noseong Park

TL;DR本文提出了一种基于预测的优化框架，使用深度学习技术和神经普通微分方程（NODEs）设计预测模型，以预测停车场的占用率和价格信息，并使用一次性价格优化方法来优化预测模型使用的价格输入，以实现针对性的停车栏目占用率，实验证明该模型准确率高于其他模型，并且该一次性优化方法搜索时间较少且始终返回最优价格解。

Abstract

Many U.S. metropolitan cities are notorious for their severe shortage of parking spots. To this end, we present a proactive prediction-driven opt

parking optimization prediction deep learning occupancy rate

发现论文，激发创造

基于深度学习的停车服务动态定价

本文探讨了通过动态调整停车服务价格来改善城市空气质量的可行性，运用深度学习技术通过收集空气质量数据进行预测，以马德里市为例对该提议进行了经济和技术评估。

Jan, 2022

利用 Transformer 模型融合多源交通需求数据进行城市停车预测

基于时空深度学习和多源数据融合的停车可用性预测框架提供了更准确和及时的信息，促进了更高效和可持续的城市出行。

May, 2024

面向城市自主驾驶的动态占据栅格预测：一种基于深度学习的全自动标注方法

本文提出了一种利用贝叶斯滤波技术的环境表示和深度卷积神经网络作为长期预测器相结合的方法，针对复杂的市区情景进行预测，通过像素平衡处理以及自动生成标签等方法实现了无监督学习用于多种道路用户的长期预测。

May, 2017

停车场占用检测中深度学习方法的修订

该研究通过比较和评估现有车位检测算法和视觉转换器，提出了一种新的基于 EfficientNet 体系结构的管道，以增加现有系统的泛化能力和适应特定的视觉条件，从而提高停车场占用检测的效果。

Jun, 2023

基于时空学习的动态环境下未来占据栅格的预测

我们提出了一种时空预测网络管道，它可以从环境和语义标签中获取过去的信息来生成未来的占用预测，并将其应用于复杂的 nuScenes 数据集中，相较于当前 SOTA，我们的方法可以预测长达 3 秒的占用情况，并不需要 HD-Maps 和明确模拟动态物体。

May, 2022

街边停车推荐：基于异构图的排序算法

本文提出了一种基于 learn-to-rank 模型和异构图的方法，自动推荐出直接可用的停车位，实现了实时停车信息的提供。在香港和旧金山的试验中表现出了不错的性能。

Apr, 2023

利用共享车队数据的高效停车搜索

车队数据对于驾驶员的搜索时间有重要作用，可以显著减少寻找可用停车位的时间。

Apr, 2024

面向区域电动车充电需求预测的基于物理知识和注意力机制的图学习方法

该论文提出了一种名为 PAG 的新方法，通过图形和时间注意机制实现特征提取，并在模型预训练阶段使用物理知识引导元学习，以应对训练准确且可解释的预测模型的新挑战，从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。

Sep, 2023

ParkPredict+: 基于 CNN 和 Transformer 的停车场车辆多模态意图和运动预测

该研究使用卷积神经网络和 Transformer 网络从轨迹历史记录和卫星图像中提取时间空间和语境信息，对停车场中人驱动车辆的多模态意图和轨迹预测问题进行了研究，并提出了一种新的方法，能够更精确地预测多个模态，并编码复杂的多智能体场景，同时能够适应不同的停车地图。为了训练和评估方法，该研究还介绍了一组公开的 4K 视频数据集，其中包括了准确的注释、高帧率和丰富的交通场景。

Apr, 2022

面向城市停车位可用性预测的半监督分层递归图神经网络

本研究提出了一种半监督分层循环图神经网络（SHARE），用于预测城市停车位，该模型采用层次图卷积结构来建模停车场之间的非欧几里德空间自相关性，并采用循环神经网络来整合停车场的动态时间依赖性。经过两个真实世界数据集的实验证明，SHARE 的预测性能优于七种最先进的基线。

Nov, 2019