यह पत्र शहरी पार्किंग चुनौतियों का समाधान करने हेतु विभिन्न परिवहन साधनों (मेट्रो, बस, ऑनलाइन टैक्सी-हाइलिंग और नियमित टैक्सियों) की मांग विशेषताओं को एकीकृत करके पार्किंग उपलब्धता की भविष्यवाणी करने की एक नवीन पद्धति, SST-iTransformer का प्रस्ताव करता है। हम पार्किंग क्लस्टर ज़ोन (PCZ) को परिभाषित करने के लिए K-मीन्स क्लस्टरिंग का उपयोग करते हैं और एक दोहरे-शाखा ध्यान तंत्र को प्रस्तुत करके मौजूदा iTransformer में सुधार करते हैं जिसमें मास्क-पुनर्निर्माण-आधारित स्व-पर्यवेक्षित शिक्षण, समय-श्रृंखला निर्भरताओं को पकड़ने के लिए श्रृंखला ध्यान, और चरों के बीच मॉडल इंटरैक्शन पर ध्यान केंद्रित करना शामिल है। चेंगदू, चीन से वास्तविक दुनिया के डेटा का उपयोग करके प्राप्त प्रायोगिक परिणाम दर्शाते हैं कि SST-iTransformer मौजूदा डीप लर्निंग मॉडल (इन्फॉर्मर, ऑटोफॉर्मर, क्रॉसफॉर्मर और iTransformer) से बेहतर प्रदर्शन करता है, और सबसे कम MSE और प्रतिस्पर्धी MAE प्राप्त करता है। इसके अलावा, हम विभिन्न डेटा स्रोतों के सापेक्ष महत्व का मात्रात्मक विश्लेषण करते हैं, यह दर्शाते हुए कि टैक्सी-हाइलिंग डेटा सबसे अधिक प्रदर्शन सुधार प्रदान करता है और स्थानिक निर्भरताओं के मॉडलिंग के महत्व की पुष्टि करता है।
