If you’ve ever found yourself driving in a bustling city, you are probably all too familiar with the experience: you plot out your route using a navigation app, and once you reach your destination, the real struggle begins – finding a place to park. This ordeal often leads to significant delays, as you hunt for a parking space and then have to walk from there to your final point. It’s frustrating and contributes to urban congestion and increased emissions.
Leider sind die meisten, wenn nicht sogar alle, Navigationssysteme so konzipiert, dass sie Sie an Ihrem Zielort absetzen, ohne Rücksicht auf die zusätzliche Zeit, die Sie für die Parkplatzsuche benötigen. Dies kann für diejenigen, die den öffentlichen Nahverkehr in Betracht ziehen, abschreckend wirken, da sie möglicherweise nicht erkennen, dass dies eine schnellere Option sein könnte.
However, researchers at MIT are working on a solution that could be a game-changer. They’ve developed a system that identifies parking lots with the best balance between location and the chances of finding an open spot. Their unique process directs users to the most suitable parking area instead of the destination itself. In studies using actual traffic data from Seattle, this method showed time savings of up to 66% in heavily congested areas. You could potentially slash about 35 minutes off your travel time compared to waiting for a spot to open up at the nearest car park.
Der Ansatz des MIT-Teams berechnet alle öffentlichen Parkplätze in der Nähe eines Ziels und berücksichtigt dabei die Fahrstrecke, die Gehstrecke vom Parkplatz zum Ziel und die Wahrscheinlichkeit, einen Parkplatz zu finden. Am wichtigsten ist vielleicht, dass das System auch auf Szenarien vorbereitet ist, in denen man einen idealen Parkplatz erreicht, aber keine freien Plätze findet, indem es die Nähe und Erfolgswahrscheinlichkeit anderer Parkplätze in der Nähe berücksichtigt.
Cameron Hickert, MIT-Absolvent und Hauptautor der Forschungsarbeit, gibt einen Einblick: “Unser System kann mit Fällen umgehen, in denen es klüger sein könnte, mehrere nahegelegene Lose mit etwas geringeren Erfolgswahrscheinlichkeiten auszuprobieren, anstatt auf eine Öffnung bei dem Los mit der höheren Wahrscheinlichkeit zu hoffen.”
The system also accounts for the actions of other drivers that could impact parking success. Future data could come from several sources, including crowdsourced information or tracking vehicles circling for parking. With advancements, autonomous vehicles might even report open spots they pass by. “Capturing this information, even through simple app interactions, could be vital for informed decision-making,” Hickert states.
In Tests mit Verkehrsdaten aus Seattle, bei denen verschiedene städtische und vorstädtische Szenarien simuliert wurden, reduzierte die vom MIT-Team entwickelte Methode die Fahrzeit um etwa 60% im Vergleich zum Warten auf einen Parkplatz und um 20% im Vergleich zur ständigen Fahrt zum nächstgelegenen Parkplatz. Die Aussicht auf die Nutzung von Crowdsourcing-Parkplatzdaten erwies sich als vielversprechend, denn die Fehlerquote lag bei nur 7% im Vergleich zur Echtzeitverfügbarkeit. Dies deutet darauf hin, dass auf diese Weise effektiv Daten zur Parkwahrscheinlichkeit gesammelt werden könnten.
Going forward, the team will conduct broader studies that will utilize real-time route information throughout the entire city and explore additional data sources like satellite images to estimate possible emissions reductions. “Transportation systems are complex and hard to change, but small improvements can significantly impact decision-making, congestion, and emissions,” says Cathy Wu, senior author of the research.
Diese Forschung wurde von Cintra, der MIT Energy Initiative und der National Science Foundation unterstützt. Weitere Informationen finden Sie in der Originalnachricht hier oder Zugang zur vollständigen Studie unter Veröffentlichungen zu intelligenten Verkehrssystemen hier.
Diese Website verwendet Cookies.