Сводя к минимуму необходимость объезжать окрестности в поисках парковочного места, этот метод может сэкономить водителям до 35 минут и дать им реалистичную оценку общего времени в пути. 
Исследователи из Массачусетского технологического института разработали систему навигации, учитывающую особенности парковки, которая помогает водителям находить парковки, предлагающие оптимальный баланс между близостью к месту назначения и вероятностью наличия свободных мест. Источник: iStock
Это случается каждый день — водитель, едущий через весь город, проверяет навигационное приложение, чтобы узнать, сколько времени займет поездка, но, добравшись до места назначения, обнаруживает, что свободных парковочных мест нет. К тому моменту, когда он наконец паркуется и добирается до места назначения пешком, он значительно опаздывает.
Большинство популярных навигационных систем направляют водителей к месту назначения, не учитывая дополнительное время, которое может потребоваться для поиска парковки. Это создает не только проблемы для водителей, но и может усугубить пробки и увеличить выбросы вредных веществ, заставляя автомобилистов ездить по городу в поисках места для парковки. Такая недооценка также может отпугнуть людей от использования общественного транспорта, поскольку они не понимают, что это может быть быстрее, чем ехать на машине и искать парковку.
Исследователи из Массачусетского технологического института решили эту проблему, разработав систему, которая позволяет определять парковки, обеспечивающие наилучший баланс между близостью к желаемому месту и вероятностью наличия свободных мест. Их адаптивный метод направляет пользователей к идеальной парковке, а не к месту назначения.
В ходе имитационных испытаний с использованием реальных данных о дорожном движении в Сиэтле этот метод позволил сэкономить до 66 процентов времени в самых загруженных районах. Для водителя это сократило бы время в пути примерно на 35 минут по сравнению с ожиданием свободного места на ближайшей парковке.
Хотя они еще не разработали систему, готовую к применению в реальных условиях, их демонстрации показывают жизнеспособность этого подхода и указывают, как его можно реализовать.
«Это разочарование реально и его испытывают многие люди, и более серьезная проблема заключается в том, что систематическое недооценивание времени в пути мешает людям делать осознанный выбор. Это значительно затрудняет переход на общественный транспорт, велосипеды или другие виды транспорта», — говорит аспирант Массачусетского технологического института Кэмерон Хикерт, ведущий автор статьи, описывающей эту работу.
Вместе с Хикертом в работе над статьей приняли участие Сируи Ли, доктор философии (выпуск 2025 года); Чжэнбин Хэ, научный сотрудник Лаборатории информационных и систем принятия решений (LIDS); и старший автор Кэти Ву, доцент кафедры гражданского и экологического строительства (CEE) и Института данных, систем и общества (IDSS) Массачусетского технологического института (MIT), а также член LIDS. Результаты исследования опубликованы сегодня в журнале Transactions on Intelligent Transportation Systems.
Вероятная парковка
Для решения проблемы парковки исследователи разработали вероятностный подход, учитывающий все возможные общественные парковки рядом с пунктом назначения, расстояние на автомобиле от начальной точки, расстояние пешком от каждой парковки до пункта назначения и вероятность успешной парковки.
Предложенный подход, основанный на динамическом программировании, работает в обратном направлении, отталкиваясь от благоприятных результатов, для расчета оптимального маршрута для пользователя.
Их метод также учитывает случай, когда пользователь прибывает на идеальную парковку, но не может найти свободное место. Он принимает во внимание расстояние до других парковок и вероятность успешной парковки на каждой из них.
«Если поблизости есть несколько участков с несколько меньшей вероятностью успеха, но расположенных очень близко друг к другу, возможно, будет разумнее поехать туда, а не ехать на участок с большей вероятностью успеха в надежде найти свободное место. Наша система это учитывает», — говорит Хикерт.
В конечном итоге, их система может определить оптимальную парковку, для которой требуется наименьшее ожидаемое время на проезд, парковку и пешую прогулку до места назначения.
Но ни один автомобилист не ожидает, что окажется единственным, кто попытается припарковаться в оживленном центре города. Поэтому этот метод также учитывает действия других водителей, которые влияют на вероятность успешной парковки для пользователя.
Например, другой водитель может первым подъехать к желаемой пользователем парковке и занять последнее свободное место. Или другой автомобилист может попытаться припарковаться на другой парковке, но, если ему это не удастся, припарковаться на желаемой пользователем парковке. Кроме того, другой автомобилист может припарковаться на другой парковке, что вызовет побочные эффекты, снижающие шансы пользователя на успех.
«С помощью нашей системы мы показываем, как можно смоделировать все эти сценарии очень простым и принципиальным способом», — говорит Хикерт.
Данные о парковках, полученные методом краудсорсинга
Данные о наличии парковочных мест могут поступать из нескольких источников. Например, на некоторых парковках установлены магнитные детекторы или ворота, отслеживающие количество въезжающих и выезжающих автомобилей.
Однако такие датчики не получили широкого распространения, поэтому, чтобы сделать свою систему более пригодной для реального применения, исследователи изучили эффективность использования данных, полученных методом краудсорсинга.
Например, пользователи могли бы указывать наличие свободных парковочных мест с помощью приложения. Также можно собирать данные, отслеживая количество автомобилей, кружащих в поисках парковки, или количество тех, кто въезжает на парковку и выезжает после неудачной попытки.
В будущем беспилотные автомобили смогут даже сообщать о свободных парковочных местах, мимо которых они проезжают.
«Сейчас большая часть этой информации никуда не девается. Но если бы мы могли ее собрать, даже если бы кто-то просто нажал кнопку «парковка запрещена» в приложении, это могло бы стать важным источником информации, позволяющим людям принимать более обоснованные решения», — добавляет Хикерт.
Исследователи оценили свою систему, используя реальные данные о дорожном движении в районе Сиэтла, имитируя разное время суток в условиях плотной городской застройки и пригорода. В условиях плотной застройки их подход сократил общее время в пути примерно на 60 процентов по сравнению с ожиданием свободного места и примерно на 20 процентов по сравнению со стратегией постоянного перемещения к ближайшей парковке.
Они также обнаружили, что данные о наличии парковочных мест, полученные методом краудсорсинга, имеют погрешность всего около 7 процентов по сравнению с фактическим наличием парковочных мест. Это указывает на то, что это может быть эффективным способом сбора данных о вероятности наличия парковочных мест.
В будущем исследователи планируют провести более масштабные исследования, используя информацию о маршрутах в режиме реального времени по всему городу. Они также хотят изучить дополнительные способы сбора данных о наличии парковочных мест, например, с помощью спутниковых снимков, и оценить потенциальное сокращение выбросов.
«Транспортные системы настолько масштабны и сложны, что их очень трудно изменить. Мы ищем, и именно это мы обнаружили, применяя данный подход, небольшие изменения, которые могут оказать большое влияние, помогая людям делать более правильный выбор, уменьшая заторы и сокращая выбросы», — говорит Ву.
Данное исследование было частично поддержано компанией Cintra, инициативой MIT Energy Initiative и Национальным научным фондом.
Источник: news.mit.edu
