Forecasting hourly parking occupancy with multiple seasonalities

Thumbnail Image

Files

master_Klemets_Kristian_2020.pdf (1.86 MB)

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2020-08-18

Department

Major/Subject

Computer Science

Mcode

SCI3042

Degree programme

Master’s Programme in Computer, Communication and Information Sciences

Language

en

Pages

60

Series

Abstract

Forecasting parking occupancy in city areas has become increasingly important to give the city and drivers a way to predict the available parking spaces. The city can use this information for planning and the drivers can predict where to park their car and avoiding the need of searching for a parking space. In this paper we introduce various prediction models for forecasting parking occupancy on an hourly level and compare their forecasting performance with a dataset of parking instances. The tested models include linear regression, gradient boosting, SARIMAX, TBATS, Facebook Prophet, and two neural network classes: long short-term memory and gated recurrent unit. The experimental model results were compared against each other, and the evaluated results suggest that gradient boosting is the best performing model for our dataset. The results are evaluated both in the error metrics and training times of the models.

Parkkipaikkojen käyttöasteen ennustaminen kaupunkialueilla on tullut yhä tärkeämmäksi, jotta kaupungilla ja kuljettajilla on tapa ennakoida vapaana olevia pysäköintipaikkoja. Kaupunki voi käyttää ennusteita liikenteen suunnitteluun ja kuljettajat voivat ennakoida, mihin pysäköidä autonsa ja välttää pysäköintipaikan etsimisen tuomia haittapuolia, kuten bensan- ja ajankulutusta. Tässä työssä esittelemme erilaisia ennustemalleja pysäköintien käyttöasteen ennustamiseksi tunnin välein ja vertaamme niiden ennustekykyä pysäköintitapahtuma tietoaineistoa käyttäen. Testattuihin malleihin sisältyvät lineaarinen regressio, gradient boosting, SARIMAX, TBATS, Facebook Prophet sekä kaksi neuroverkkoluokkaa: long short-term memory ja gated recurrent unit. Mallien alustavat tulokset viittaavat siihen, että gradient boosting antaa parhaat tulokset työn aineistoa käytettäessä. Mallien vertailun perusteena käytettiin sekä suorituskykyä, että koulutusaikoja.

Description

Supervisor

Jung, Alexander

Thesis advisor

Tervo, Roope

Keywords

machine learning, time series, parking prediction, neural networks, gradient boosting, long short-term memory

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202008234922

Collections

[dipl] Perustieteiden korkeakoulu / SCI