Sucede todos los días: un piloto que cruza la ciudad consulta una aplicación de navegación para ver cuánto durará el alucinación, pero no encuentra plazas de aparcamiento disponibles cuando llega a su destino. Cuando finalmente se estacionan y caminan con destino a su destino, son mucho más tarde de lo que esperaban.
Los sistemas de navegación más populares envían a los conductores a un circunscripción sin considerar el tiempo extra que podría ser necesario para encontrar estacionamiento. Esto causa más que un simple dolor de persona a los conductores. Puede empeorar la congestión y aumentar las emisiones al hacer que los automovilistas deambulan buscando un circunscripción para estacionar. Esta subestimación asimismo podría disuadir a las personas de utilizar el transporte notorio porque no se dan cuenta de que podría ser más rápido que conducir y estacionar.
Los investigadores del MIT abordaron este problema desarrollando un sistema que puede estar de moda para identificar los estacionamientos que ofrecen el mejor invariabilidad entre proximidad a la ubicación deseada y probabilidad de disponibilidad de estacionamiento. Su método adaptable indica a los usuarios la zona de aparcamiento ideal en circunscripción de su destino.
En pruebas simuladas con datos de tráfico del mundo verdadero de Seattle, esta técnica logró ahorros de tiempo de hasta un 66 por ciento en los entornos más congestionados. Para un piloto, esto reduciría el tiempo de alucinación en unos 35 minutos, en comparación con esperar a que se fiordo un circunscripción en el estacionamiento más cercano.
Si admisiblemente todavía no han diseñado un sistema despierto para el mundo verdadero, sus demostraciones muestran la viabilidad de este enfoque e indican cómo podría implementarse.
«Esta frustración es verdadero y la siente mucha masa, y el problema más sobresaliente aquí es que subestimar sistemáticamente estos tiempos de conducción impide que las personas tomen decisiones informadas. Hace que sea mucho más difícil para las personas cambiar al transporte notorio, a la bici o a formas alternativas de transporte», dice el estudiante reconocido del MIT Cameron Hickert, autor principal de un artículo que describe el trabajo.
A Hickert se unen en el artículo Sirui Li PhD ’25; Zhengbing He, verificado investigador del Laboratorio de Sistemas de Información y Audacia (LIDS); y la autora principal Cathy Wu, profesora asociada de mejora profesional de la promoción de 1954 en Ingeniería Civil y Ambiental (CEE) y del Instituto de Datos, Sistemas y Sociedad (IDSS) del MIT, y miembro de LIDS. la investigacion aparece hoy en Transacciones sobre sistemas de transporte inteligentes.
Estacionamiento probable
Para resolver el problema del estacionamiento, los investigadores desarrollaron un enfoque basado en la probabilidad que considera todos los posibles estacionamientos públicos cerca de un destino, la distancia para conducir hasta allí desde un punto de origen, la distancia a pie desde cada estacionamiento hasta el destino y la probabilidad de estacionamiento exitoso.
El enfoque, basado en programación dinámica, trabaja con destino a detrás a partir de buenos resultados para calcular la mejor ruta para el afortunado.
Su método asimismo considera el caso en el que un afortunado llega al estacionamiento ideal pero no encuentra un espacio. Tiene en cuenta la distancia a otros aparcamientos y la probabilidad de éxito de aparcamiento en cada uno de ellos.
«Si hay varios lotes cercanos que tienen probabilidades de éxito sutilmente menores, pero están muy cerca unos de otros, podría ser una opción más inteligente conducir hasta allí en circunscripción de ir al pedazo de veterano probabilidad y esperar encontrar una vacante. Nuestro ámbito puede tener en cuenta eso», dice Hickert.
Al final, su sistema puede identificar el pedazo espléndido que tiene el pequeño tiempo esperado necesario para conducir, estacionar y caminar hasta el destino.
Pero ningún piloto calma ser el único que intenta estacionar en un concurrido centro de la ciudad. Por lo tanto, este método asimismo incorpora las acciones de otros conductores, lo que afecta la probabilidad de éxito del estacionamiento del afortunado.
Por ejemplo, otro conductor puede conmover primero al aparcamiento ideal del afortunado y establecerse el postrer circunscripción de aparcamiento. O admisiblemente, otro piloto podría intentar estacionar en otro estacionamiento, pero luego estacionar en el estacionamiento ideal del afortunado si no tiene éxito. Encima, otro piloto puede estacionar en un pedazo diferente y provocar artículos secundarios que reduzcan las posibilidades de éxito del afortunado.
«Con nuestro ámbito, mostramos cómo se pueden modelar todos esos escenarios de una modo muy clara y basada en principios», dice Hickert.
Datos de estacionamiento colaborativos
Los datos sobre la disponibilidad de aparcamiento podrían proceder de varias fuentes. Por ejemplo, algunos estacionamientos tienen detectores magnéticos o puertas que rastrean la cantidad de automóviles que entran y salen.
Pero estos sensores no se utilizan ampliamente, por lo que para hacer que su sistema sea más factible para su implementación en el mundo verdadero, los investigadores estudiaron la validez de utilizar datos de origen colaborativo.
Por ejemplo, los usuarios podrían indicar el estacionamiento habitable mediante una aplicación. Incluso se podrían compilar datos rastreando el número de vehículos que circulan para encontrar estacionamiento, o cuántos entran a un estacionamiento y salen posteriormente de no lograrlo.
Algún día, los vehículos autónomos podrían incluso informar sobre los espacios de estacionamiento abiertos por los que pasen.
«En este momento, gran parte de esa información no llega a ninguna parte. Pero si pudiéramos capturarla, incluso haciendo que algún simplemente toque ‘no estacionar’ en una aplicación, podría ser una fuente importante de información que permitiría a las personas tomar decisiones más informadas», añade Hickert.
Los investigadores evaluaron su sistema utilizando datos de tráfico del mundo verdadero del radio de Seattle, simulando diferentes horas del día en un entorno urbano congestionado y un radio suburbana. En entornos congestionados, su enfoque redujo el tiempo total de alucinación en aproximadamente un 60 por ciento en comparación con sentarse y esperar a que se abriera un circunscripción, y en aproximadamente un 20 por ciento en comparación con una táctica de conducir continuamente hasta el futuro estacionamiento reservado.
Incluso descubrieron que las observaciones colaborativas de la disponibilidad de estacionamiento tendrían una tasa de error de solo cerca de del 7 por ciento, en comparación con la disponibilidad verdadero de estacionamiento. Esto indica que podría ser una forma eficaz de compilar datos sobre la probabilidad de estacionamiento.
En el futuro, los investigadores quieren realizar estudios más amplios utilizando información de rutas en tiempo verdadero en toda una ciudad. Incluso quieren explorar vías adicionales para compilar datos sobre la disponibilidad de estacionamiento, como el uso de imágenes satelitales, y estimar posibles reducciones de emisiones.
«Los sistemas de transporte son tan grandes y complejos que son efectivamente difíciles de cambiar. Lo que buscamos, y lo que encontramos con este enfoque, son pequeños cambios que pueden tener un gran impacto para ayudar a las personas a tomar mejores decisiones, dominar la congestión y dominar las emisiones», dice Wu.
Esta investigación contó con el apoyo parcial de Cintra, la MIT Energy Initiative y la National Science Foundation.