Deep learning for continuous parking occupancy forecasting in urban environments
Apprentissage profond pour la prévision continue de l’occupation du parking en milieu urbain
Résumé
Deep learning has been widely adopted in various fields for its ability to extract complex features from large amounts of data. In this thesis, we propose a deep learning-based approach for continuous parking occupancy prediction. We therefore collected a large dataset of parking occupancy data (for both off-street and on-street parking) from various cities in two different countries and used it to train deep neural network models. Our experiments show that the proposed approach outperforms classical and machine learning baseline models in terms of forecast accuracy and real-time performance. Furthermore, our approach can also be easily integrated into existing smart parking systems to improve their efficiency and convenience. For a city-level deployment, we also propose a framework for sharing models amongst parking lots by analyzing their spatial and temporal profiles similarity. By identifying the relevant spatial and temporal characteristics of each parking lot (parking profile) and grouping them accordingly, our approach allows the development of accurate occupancy forecasting models for a set of parking lots, thereby reducing computational costs and improving model transferability. Our experiments demonstrate the effectiveness of the proposed strategy in reducing model deployment costs while maintaining a good quality of the forecast. In conclusion, this work demonstrates the effectiveness of deep learning in addressing the problem of continuous parking occupancy forecasting and highlights its potential for future smart parking applications.
L'apprentissage profond a été largement adopté dans divers domaines en raison de sa capacité à extraire des caractéristiques complexes à partir de grandes quantités de données. Dans cette thèse, nous proposons une approche basée sur l'apprentissage profond pour la prédiction continue de l'occupation des parkiL'apprentissage profond a été largement adopté dans divers domaines en raison de sa capacité à extraire des caractéristiques complexes à partir de grandes quantités de données. Dans cette thèse, nous proposons une approche basée sur l'apprentissage profond pour la prédiction continue de l'occupation des parkings. Nous avons donc collecté un large ensemble de données sur l'occupation des parkings (tant pour les parkings couverts que pour les parkings en bord de rue) provenant de différentes villes de deux pays différents et les avons utilisées pour entraîner des modèles de réseaux neuronaux profonds. Nos expériences montrent que l'approche proposée surpasse les modèles classiques et basés sur l'apprentissage machine en termes de précision des prévisions et de performances en temps réel. De plus, notre approche peut également être facilement intégrée aux systèmes de stationnement intelligents existants pour améliorer leur efficacité et leur commodité.Pour un déploiement au niveau de la ville, nous proposons également un cadre permettant de partager les modèles entre les parkings en analysant leur similarité spatiale et temporelle. En identifiant les caractéristiques spatiales et temporelles pertinentes de chaque parking (profil de stationnement) et en les regroupant en conséquence, notre approche permet le développement de modèles précis de prévision de l'occupation pour un ensemble de parkings, ce qui permet de réduire les coûts de calcul et d'améliorer la transférabilité des modèles. Nos expériences démontrent l'efficacité de la stratégie proposée en termes de réduction des coûts de déploiement des modèles tout en maintenant une bonne qualité des prévisions.En conclusion, ce travail démontre l'efficacité de l'apprentissage profond pour résoudre le problème de la prévision continue de l'occupation des parkings et met en évidence son potentiel pour les futures applications de stationnement intelligentes.
