Es passiert jeden Tag: Ein Autofahrer, der quer durch die Stadt fährt, schaut in einer Navigations-App nach, wie lange die Fahrt dauern wird, aber als er sein Ziel erreicht, stellt er fest, dass keine Parkplätze verfügbar sind. Als sie endlich parken und zu ihrem Ziel laufen, ist es deutlich später als erwartet.
Die meisten gängigen Navigationssysteme leiten Fahrer zu einem Ort, ohne die zusätzliche Zeit zu berücksichtigen, die für die Parkplatzsuche erforderlich sein könnte. Das bereitet Autofahrern mehr als nur Kopfzerbrechen. Es kann die Staus verschlimmern und die Emissionen erhöhen, da Autofahrer auf der Suche nach einem Parkplatz herumfahren müssen. Diese Unterschätzung könnte Menschen auch davon abhalten, öffentliche Verkehrsmittel zu nutzen, weil ihnen nicht klar ist, dass diese möglicherweise schneller sind als Autofahren und Parken.
MIT-Forscher gingen dieses Drawback an, indem sie ein System entwickelten, mit dem Parkplätze identifiziert werden können, die das beste Gleichgewicht zwischen Nähe zum gewünschten Standort und Wahrscheinlichkeit der Parkverfügbarkeit bieten. Ihre anpassungsfähige Methode führt Benutzer zum idealen Parkplatz und nicht zu ihrem Ziel.
In simulierten Exams mit realen Verkehrsdaten aus Seattle konnte mit dieser Technik in den verkehrsreichsten Gegenden eine Zeitersparnis von bis zu 66 Prozent erzielt werden. Für einen Autofahrer würde dies die Reisezeit um etwa 35 Minuten verkürzen, verglichen mit dem Warten auf einen freien Parkplatz auf dem nächstgelegenen Parkplatz.
Obwohl sie noch kein praxistaugliches System entwickelt haben, zeigen ihre Demonstrationen die Machbarkeit dieses Ansatzes und zeigen, wie er umgesetzt werden könnte.
„Diese Frustration ist actual und wird von vielen Menschen empfunden, und das größere Drawback besteht darin, dass die systematische Unterschätzung dieser Fahrzeiten die Menschen daran hindert, fundierte Entscheidungen zu treffen. Dadurch wird es für die Menschen viel schwieriger, auf öffentliche Verkehrsmittel, Fahrräder oder various Transportmittel umzusteigen“, sagt MIT-Doktorand Cameron Hickert, Hauptautor einer Arbeit, die die Arbeit beschreibt.
Hickert wird bei der Arbeit von Sirui Li PhD ’25 unterstützt; Zhengbing He, Forschungswissenschaftler am Labor für Informations- und Entscheidungssysteme (LIDS); und leitende Autorin Cathy Wu, außerordentliche Professorin für Karriereentwicklung im Jahrgang 1954 für Bau- und Umweltingenieurwesen (CEE) und Institut für Daten, Systeme und Gesellschaft (IDSS) am MIT sowie Mitglied von LIDS. Die Forschung erscheint heute in Transaktionen auf intelligenten Transportsystemen.
Wahrscheinlicher Parkplatz
Um das Parkproblem zu lösen, entwickelten die Forscher einen wahrscheinlichkeitsbewussten Ansatz, der alle möglichen öffentlichen Parkplätze in der Nähe eines Ziels, die Entfernung, die von einem Ausgangspunkt dorthin zurückgelegt werden muss, die Entfernung, die von jedem Parkplatz zum Ziel zurückgelegt werden muss, und die Wahrscheinlichkeit eines Parkerfolgs berücksichtigt.
Der auf dynamischer Programmierung basierende Ansatz arbeitet rückwärts von guten Ergebnissen, um die beste Route für den Benutzer zu berechnen.
Ihre Methode berücksichtigt auch den Fall, dass ein Benutzer am idealen Parkplatz ankommt, aber keinen Platz findet. Dabei werden die Entfernung zu anderen Parkplätzen und die Erfolgswahrscheinlichkeit des Parkens auf jedem dieser Parkplätze berücksichtigt.
„Wenn es in der Nähe mehrere Grundstücke gibt, die etwas geringere Erfolgsaussichten haben, aber sehr nahe beieinander liegen, ist es möglicherweise klüger, dorthin zu fahren, als zu dem Grundstück mit der höheren Wahrscheinlichkeit zu gehen und zu hoffen, eine offene Stelle zu finden. Unser Rahmenwerk kann das berücksichtigen“, sagt Hickert.
Am Ende kann ihr System das optimale Grundstück identifizieren, das die geringste erwartete Zeit zum Fahren, Parken und Gehen zum Ziel benötigt.
Aber kein Autofahrer erwartet, der Einzige zu sein, der versucht, in einer belebten Innenstadt zu parken. Bei dieser Methode werden additionally auch die Aktionen anderer Autofahrer berücksichtigt, die sich auf die Erfolgswahrscheinlichkeit des Parkvorgangs auswirken.
Beispielsweise kann es sein, dass ein anderer Fahrer als Erster am Wunschparkplatz des Nutzers ankommt und den letzten Parkplatz einnimmt. Oder ein anderer Autofahrer könnte versuchen, auf einem anderen Parkplatz zu parken, dann aber auf dem idealen Parkplatz des Benutzers parken, wenn dies erfolglos bleibt. Darüber hinaus kann es sein, dass ein anderer Autofahrer auf einem anderen Parkplatz parkt, was zu Nebeneffekten führen kann, die die Erfolgsaussichten des Benutzers verringern.
„Mit unserem Framework zeigen wir, wie man all diese Szenarien auf sehr saubere und prinzipielle Weise modellieren kann“, sagt Hickert.
Crowdsourcing-Parkdaten
Die Daten zur Parkplatzverfügbarkeit könnten aus mehreren Quellen stammen. Einige Parkplätze verfügen beispielsweise über Magnetdetektoren oder Tore, die die Anzahl der ein- und ausfahrenden Autos verfolgen.
Da solche Sensoren jedoch nicht weit verbreitet sind, untersuchten die Forscher die Wirksamkeit der Verwendung von Crowdsourcing-Daten, um ihr System für den Einsatz in der Praxis besser geeignet zu machen.
Nutzer könnten beispielsweise über eine App verfügbare Parkplätze anzeigen. Daten könnten auch gesammelt werden, indem die Anzahl der Fahrzeuge erfasst wird, die auf der Suche nach einem Parkplatz kreisen, oder wie viele auf einen Parkplatz einfahren und ihn verlassen, nachdem sie keinen Erfolg hatten.
Eines Tages könnten autonome Fahrzeuge sogar über vorbeifahrende freie Parkplätze berichten.
„Im Second gehen viele dieser Informationen nirgendwo hin. Aber wenn wir sie erfassen könnten, selbst indem jemand in einer App einfach auf „Parkverbot“ tippt, könnte das eine wichtige Informationsquelle sein, die es den Menschen ermöglicht, fundiertere Entscheidungen zu treffen“, fügt Hickert hinzu.
Die Forscher bewerteten ihr System anhand realer Verkehrsdaten aus der Gegend von Seattle und simulierten unterschiedliche Tageszeiten in einem überfüllten Stadtgebiet und einem Vorstadtgebiet. In verkehrsreichen Umgebungen verkürzte ihr Ansatz die Gesamtreisezeit um etwa 60 Prozent im Vergleich zum Sitzen und Warten auf die Öffnung eines Parkplatzes und um etwa 20 Prozent im Vergleich zu der Strategie, ständig zum nächsten Parkplatz zu fahren.
Sie fanden außerdem heraus, dass Crowdsourcing-Beobachtungen der Parkverfügbarkeit im Vergleich zur tatsächlichen Parkverfügbarkeit eine Fehlerquote von nur etwa 7 Prozent aufwiesen. Dies deutet darauf hin, dass dies eine effektive Möglichkeit sein könnte, Daten zur Parkwahrscheinlichkeit zu sammeln.
Zukünftig wollen die Forscher größere Studien mit Echtzeit-Routeninformationen in einer ganzen Stadt durchführen. Darüber hinaus wollen sie weitere Möglichkeiten erkunden, um Daten über die Verfügbarkeit von Parkplätzen zu sammeln, beispielsweise mithilfe von Satellitenbildern, und potenzielle Emissionsreduzierungen abschätzen.
„Transportsysteme sind so groß und komplex, dass sie wirklich schwer zu ändern sind. Was wir suchen und was wir mit diesem Ansatz gefunden haben, sind kleine Veränderungen, die große Auswirkungen haben können, um Menschen dabei zu helfen, bessere Entscheidungen zu treffen, Staus zu reduzieren und Emissionen zu reduzieren“, sagt Wu.
Diese Forschung wurde teilweise von Cintra, der MIT Vitality Initiative und der Nationwide Science Basis unterstützt.