Bài báo này đề xuất SST-iTransformer, một phương pháp luận mới để dự đoán tình trạng chỗ đậu xe bằng cách tích hợp các đặc điểm nhu cầu của nhiều phương thức vận tải khác nhau (tàu điện ngầm, xe buýt, gọi taxi trực tuyến và taxi thông thường) nhằm giải quyết các thách thức về chỗ đậu xe trong đô thị. Chúng tôi sử dụng phân cụm K-means để xác định các vùng cụm đỗ xe (PCZ) và cải tiến iTransformer hiện có bằng cách giới thiệu cơ chế chú ý nhánh kép kết hợp học tự giám sát dựa trên tái tạo mặt nạ, chú ý chuỗi để nắm bắt các phụ thuộc chuỗi thời gian và hướng sự chú ý đến các tương tác mô hình giữa các biến. Kết quả thử nghiệm sử dụng dữ liệu thực tế từ Thành Đô, Trung Quốc, chứng minh rằng SST-iTransformer vượt trội hơn các mô hình học sâu hiện có (Informer, Autoformer, Crossformer và iTransformer), đạt được MSE thấp nhất và MAE cạnh tranh. Hơn nữa, chúng tôi phân tích định lượng tầm quan trọng tương đối của các nguồn dữ liệu khác nhau, chứng minh rằng dữ liệu gọi taxi mang lại cải thiện hiệu suất lớn nhất và xác nhận tầm quan trọng của việc mô hình hóa các phụ thuộc không gian.
