Wenn Sie schon einmal mit dem Auto durch eine belebte Stadt gefahren sind, kennen Sie das wahrscheinlich nur zu gut: Sie planen Ihre Route mit einer Navigations-App, und sobald Sie Ihr Ziel erreicht haben, beginnt der eigentliche Kampf - die Suche nach einem Parkplatz. Diese Tortur f\u00fchrt oft zu erheblichen Versp\u00e4tungen, da Sie auf der Suche nach einem Parkplatz sind und dann von dort bis zu Ihrem Ziel laufen m\u00fcssen. Das ist frustrierend und tr\u00e4gt zur \u00dcberlastung der St\u00e4dte und zur Erh\u00f6hung der Emissionen bei.<\/p>\n
Leider sind die meisten, wenn nicht sogar alle, Navigationssysteme so konzipiert, dass sie Sie an Ihrem Zielort absetzen, ohne R\u00fccksicht auf die zus\u00e4tzliche Zeit, die Sie f\u00fcr die Parkplatzsuche ben\u00f6tigen. Dies kann f\u00fcr diejenigen, die den \u00f6ffentlichen Nahverkehr in Betracht ziehen, abschreckend wirken, da sie m\u00f6glicherweise nicht erkennen, dass dies eine schnellere Option sein k\u00f6nnte.<\/p>\n
Forscher am MIT arbeiten jedoch an einer L\u00f6sung, die das Spiel ver\u00e4ndern k\u00f6nnte. Sie haben ein System entwickelt, das die Parkpl\u00e4tze mit dem besten Verh\u00e4ltnis zwischen Lage und Chancen auf einen freien Platz identifiziert. Ihr einzigartiges Verfahren leitet die Nutzer zu dem am besten geeigneten Parkplatz und nicht zum Zielort selbst. In Studien mit aktuellen Verkehrsdaten aus Seattle hat diese Methode in stark \u00fcberlasteten Gebieten Zeiteinsparungen von bis zu 66% ergeben. Im Vergleich zum Warten auf einen freien Parkplatz auf dem n\u00e4chstgelegenen Parkplatz k\u00f6nnten Sie Ihre Reisezeit um etwa 35 Minuten verk\u00fcrzen.<\/p>\n
Der Ansatz des MIT-Teams berechnet alle \u00f6ffentlichen Parkpl\u00e4tze in der N\u00e4he eines Ziels und ber\u00fccksichtigt 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 Pl\u00e4tze findet, indem es die N\u00e4he und Erfolgswahrscheinlichkeit anderer Parkpl\u00e4tze in der N\u00e4he ber\u00fccksichtigt.<\/p>\n
Cameron Hickert, MIT-Absolvent und Hauptautor der Forschungsarbeit, gibt einen Einblick: \u201cUnser System kann mit F\u00e4llen umgehen, in denen es kl\u00fcger sein k\u00f6nnte, mehrere nahegelegene Lose mit etwas geringeren Erfolgswahrscheinlichkeiten auszuprobieren, anstatt auf eine \u00d6ffnung bei dem Los mit der h\u00f6heren Wahrscheinlichkeit zu hoffen.\u201d<\/p>\n
Das System ber\u00fccksichtigt auch das Verhalten anderer Fahrer, das sich auf den Parkerfolg auswirken k\u00f6nnte. K\u00fcnftige Daten k\u00f6nnten aus verschiedenen Quellen stammen, z. B. aus Crowdsourcing-Informationen oder der Verfolgung von Fahrzeugen, die auf der Suche nach einem Parkplatz kreisen. Mit Fortschritten k\u00f6nnten autonome Fahrzeuge sogar freie Pl\u00e4tze melden, an denen sie vorbeifahren. \u201cDas Erfassen dieser Informationen, selbst durch einfache App-Interaktionen, k\u00f6nnte f\u00fcr eine fundierte Entscheidungsfindung von entscheidender Bedeutung sein\u201d, so Hickert.<\/p>\n
In Tests mit Verkehrsdaten aus Seattle, bei denen verschiedene st\u00e4dtische und vorst\u00e4dtische 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 st\u00e4ndigen Fahrt zum n\u00e4chstgelegenen Parkplatz. Die Aussicht auf die Nutzung von Crowdsourcing-Parkplatzdaten erwies sich als vielversprechend, denn die Fehlerquote lag bei nur 7% im Vergleich zur Echtzeitverf\u00fcgbarkeit. Dies deutet darauf hin, dass auf diese Weise effektiv Daten zur Parkwahrscheinlichkeit gesammelt werden k\u00f6nnten.<\/p>\n
In Zukunft wird das Team umfassendere Studien durchf\u00fchren, die Echtzeit-Routeninformationen f\u00fcr die gesamte Stadt nutzen und zus\u00e4tzliche Datenquellen wie Satellitenbilder untersuchen, um m\u00f6gliche Emissionsreduzierungen abzusch\u00e4tzen. \u201cVerkehrssysteme sind komplex und schwer zu \u00e4ndern, aber kleine Verbesserungen k\u00f6nnen sich erheblich auf die Entscheidungsfindung, die Verkehrs\u00fcberlastung und die Emissionen auswirken\u201d, sagt Cathy Wu, Hauptautorin der Studie.<\/p>\n
Diese Forschung wurde von Cintra, der MIT Energy Initiative und der National Science Foundation unterst\u00fctzt. Weitere Informationen finden Sie in der Originalnachricht hier<\/a> oder Zugang zur vollst\u00e4ndigen Studie unter Ver\u00f6ffentlichungen zu intelligenten Verkehrssystemen<\/em> hier<\/a>.<\/p>","protected":false},"excerpt":{"rendered":" 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. Unfortunately, most, if not all, navigation systems are designed to drop you off at your destination without any regard for the […]<\/p>\n","protected":false},"author":4,"featured_media":8046,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46,47],"tags":[],"class_list":["post-8045","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","category-ai-news","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/8045","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=8045"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/8045\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/8046"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=8045"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=8045"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=8045"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}