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.
Niestety, większość, jeśli nie wszystkie, systemy nawigacyjne są zaprojektowane tak, aby zawieźć Cię do miejsca docelowego bez uwzględnienia dodatkowego czasu potrzebnego na znalezienie parkingu. Może to być zniechęcające dla osób rozważających transport zbiorowy, ponieważ mogą nie zdawać sobie sprawy, że może to być szybsza opcja.
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.
Podejście zespołu MIT oblicza wszystkie publiczne parkingi w pobliżu miejsca docelowego, biorąc pod uwagę odległość jazdy, odległość pieszo od parkingu do miejsca docelowego oraz prawdopodobieństwo znalezienia miejsca parkingowego. Co być może najważniejsze, system przygotowuje się również na scenariusze, w których użytkownik dociera do idealnego parkingu, ale nie znajduje wolnych miejsc, biorąc pod uwagę bliskość i prawdopodobieństwo sukcesu innych pobliskich parkingów.
Cameron Hickert, absolwent MIT i główny autor artykułu badawczego, wyjaśnia: “Nasza struktura może poradzić sobie z przypadkami, w których rozsądniej jest wypróbować kilka pobliskich partii z nieco niższym prawdopodobieństwem sukcesu, zamiast liczyć na otwarcie w partii o wyższym prawdopodobieństwie”.”
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.
W testach z wykorzystaniem danych o ruchu drogowym w Seattle, symulujących różne scenariusze miejskie i podmiejskie, metoda opracowana przez zespół MIT skróciła czas podróży o około 60% w porównaniu do oczekiwania na miejsce i o 20% w porównaniu do ciągłej jazdy do najbliższego parkingu. Perspektywa wykorzystania danych parkingowych pochodzących z crowdsourcingu okazała się obiecująca z poziomem błędu wynoszącym zaledwie 7% w porównaniu z dostępnością w czasie rzeczywistym. Sugeruje to, że może to skutecznie gromadzić dane dotyczące prawdopodobieństwa parkowania.
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.
Badania te były wspierane przez Cintra, MIT Energy Initiative i National Science Foundation. Więcej informacji można znaleźć w oryginalnym artykule prasowym tutaj lub uzyskać dostęp do pełnego badania w Transakcje dotyczące inteligentnych systemów transportowych tutaj.
This website uses cookies.