Каждый день водитель, который едет через город, проверяет навигационное приложение, чтобы узнать, сколько времени займёт дорога. Но когда он добирается до места назначения, оказывается, что мест для парковки нет. К тому времени, когда водитель наконец находит место для парковки и доходит до места назначения, он уже значительно опаздывает.
Большинство популярных навигационных систем отправляют водителей в определённое место, не учитывая дополнительное время, которое может понадобиться для поиска парковки. Это не только вызывает раздражение у водителей, но и может усугубить пробки и увеличить выбросы из-за того, что автомобилисты вынуждены объезжать в поисках свободного места.
Исследователи из Массачусетского технологического института (MIT) решили эту проблему, разработав систему, которая может помочь определить парковки, предлагающие наилучший баланс между близостью к желаемому месту и вероятностью наличия свободных мест. Их адаптивный метод указывает пользователям на идеальное место для парковки, а не только на место назначения.
В ходе имитационных тестов с использованием реальных данных о трафике из Сиэтла эта методика позволила сэкономить до 66% времени в условиях наиболее загруженного движения. Для водителя это означает сокращение времени в пути примерно на 35 минут по сравнению с ожиданием свободного места на ближайшей парковке.
Хотя исследователи пока не разработали систему, готовую для реального использования, их демонстрации показывают жизнеспособность этого подхода и указывают на то, как его можно реализовать.
«Это раздражение реально и знакомо многим. Более серьёзная проблема заключается в том, что систематическая недооценка времени в пути мешает людям делать осознанный выбор. Из-за этого гораздо сложнее перейти на общественный транспорт, велосипеды или альтернативные виды транспорта», — говорит Кэмерон Хикерт, аспирант MIT и ведущий автор статьи, описывающей работу.
Кэмерон Хикерт работал над статьёй вместе с Сируи Ли, аспиранткой MIT 2025 года, Чжэнбином Хэ, научным сотрудником Лаборатории информационных и управленческих систем (LIDS), и старшим автором Катриной Ву, доцентом кафедры гражданского и экологического инжиниринга (CEE) и Института данных, систем и общества (IDSS) в MIT, и членом LIDS. Исследование опубликовано в журнале Transactions on Intelligent Transportation Systems.
Вероятность парковки
Чтобы решить проблему с парковкой, исследователи разработали подход, учитывающий вероятность наличия свободных мест на всех возможных парковках вблизи места назначения. Этот подход, основанный на динамическом программировании, работает в обратном направлении от хороших результатов, чтобы рассчитать наилучший маршрут для пользователя.
Их метод также учитывает случай, когда пользователь приезжает на идеальную парковку, но не может найти место. Он учитывает расстояние до других парковок и вероятность успеха парковки на каждой из них.
«Если есть несколько парковок поблизости с немного более низкой вероятностью успеха, но они расположены очень близко друг к другу, может быть разумнее поехать туда, а не на парковку с более высокой вероятностью и надеяться найти свободное место. Наша система может учесть это», — говорит Хикерт.
В итоге их система может определить оптимальную парковку, которая требует наименьшего ожидаемого времени для поездки, парковки и прогулки до места назначения.
Но ни один водитель не ожидает, что он будет единственным, кто пытается припарковаться в оживлённом центре города. Поэтому этот метод также учитывает действия других водителей, которые влияют на вероятность успеха парковки пользователя.
Например, другой водитель может приехать на идеальную парковку пользователя первым и занять последнее свободное место. Или другой автомобилист может попытаться припарковаться на другой парковке, но затем припарковаться на идеальной парковке пользователя, если не смог найти место. Кроме того, другой автомобилист может припарковаться на другой парковке и вызвать эффект переполнения, который снизит шансы пользователя на успех.
«С помощью нашей системы мы показываем, как можно смоделировать все эти сценарии в очень чистом и принципиальном виде», — говорит Хикерт.
Краудсорсинговые данные о парковке
Данные о наличии свободных мест на парковках могут поступать из нескольких источников. Например, на некоторых парковках есть магнитные детекторы или ворота, которые отслеживают количество въезжающих и выезжающих автомобилей.
Но такие датчики используются не везде, поэтому, чтобы сделать свою систему более пригодной для использования в реальных условиях, исследователи изучили эффективность использования краудсорсинговых данных.
Например, пользователи могут указывать на наличие свободных мест с помощью приложения. Данные также можно собирать, отслеживая количество автомобилей, которые кружат в поисках парковки, или количество автомобилей, которые въезжают на парковку и выезжают после неудачной попытки припарковаться.
Когда-нибудь автономные транспортные средства могут даже сообщать об открытых парковочных местах, мимо которых они проезжают.
«Сейчас большая часть этой информации никуда не идёт. Но если мы сможем её собрать, даже если кто-то просто нажмёт «нет парковки» в приложении, это может стать важным источником информации, который позволит людям принимать более обоснованные решения», — добавляет Хикерт.
Исследователи оценили свою систему, используя реальные данные о трафике из района Сиэтла, моделируя различные часы дня в условиях загруженного города и пригорода. В условиях загруженного движения их подход сократил общее время в пути примерно на 60% по сравнению с ожиданием свободного места и примерно на 20% по сравнению со стратегией постоянного поиска ближайшего места для парковки.
Они также обнаружили, что краудсорсинговые наблюдения за наличием свободных мест будут иметь погрешность всего около 7% по сравнению с фактическим наличием свободных мест. Это указывает на то, что это может быть эффективным способом сбора данных о вероятности парковки.
В будущем исследователи хотят провести более масштабные исследования, используя информацию о маршрутах в реальном времени в масштабах всего города. Они также хотят изучить дополнительные возможности для сбора данных о наличии свободных мест, например, с помощью спутниковых снимков, и оценить потенциальное сокращение выбросов.
«Транспортные системы настолько велики и сложны, что их действительно трудно изменить. Мы ищем небольшие изменения, которые могут оказать большое влияние и помочь людям делать более осознанный выбор, уменьшить пробки и сократить выбросы», — говорит Ву.
Это исследование частично финансировалось Cintra, MIT Energy Initiative и Национальным научным фондом.
1. Какие проблемы существующих навигационных систем решает новая система учёта парковки, разработанная исследователями MIT?
Ответ: существующие навигационные системы не учитывают дополнительное время, которое может понадобиться для поиска парковки. Это вызывает раздражение у водителей, усугубляет пробки и увеличивает выбросы из-за того, что автомобилисты вынуждены объезжать в поисках свободного места.
2. Какой метод использовали исследователи для определения оптимальной парковки?
Ответ: исследователи разработали подход, учитывающий вероятность наличия свободных мест на всех возможных парковках вблизи места назначения. Этот подход, основанный на динамическом программировании, работает в обратном направлении от хороших результатов, чтобы рассчитать наилучший маршрут для пользователя.
3. Какие источники данных о наличии свободных мест на парковках могут использоваться в системе?
Ответ: данные о наличии свободных мест на парковках могут поступать из нескольких источников. Например, на некоторых парковках есть магнитные детекторы или ворота, которые отслеживают количество въезжающих и выезжающих автомобилей. Также можно использовать краудсорсинговые данные, например, когда пользователи указывают на наличие свободных мест с помощью приложения.
4. Насколько точны краудсорсинговые данные о наличии свободных мест по сравнению с фактическим наличием?
Ответ: исследователи оценили свою систему, используя реальные данные о трафике из района Сиэтла, и обнаружили, что краудсорсинговые наблюдения за наличием свободных мест будут иметь погрешность всего около 7% по сравнению с фактическим наличием свободных мест. Это указывает на то, что это может быть эффективным способом сбора данных о вероятности парковки.
5. Какие цели преследуют исследователи при разработке системы учёта парковки?
Ответ: исследователи стремятся помочь водителям сэкономить время, уменьшить пробки и сократить выбросы, а также сделать более осознанный выбор в пользу альтернативных видов транспорта.