Je\u015bli kiedykolwiek zdarzy\u0142o Ci si\u0119 je\u017adzi\u0107 samochodem po t\u0119tni\u0105cym \u017cyciem mie\u015bcie, prawdopodobnie znasz to do\u015bwiadczenie a\u017c za dobrze: wyznaczasz tras\u0119 za pomoc\u0105 aplikacji nawigacyjnej, a gdy dotrzesz do celu, zaczyna si\u0119 prawdziwa walka - znalezienie miejsca do zaparkowania. Ta m\u0119ka cz\u0119sto prowadzi do znacznych op\u00f3\u017anie\u0144, poniewa\u017c polujesz na miejsce parkingowe, a nast\u0119pnie musisz przej\u015b\u0107 pieszo do miejsca docelowego. Jest to frustruj\u0105ce i przyczynia si\u0119 do zat\u0142oczenia miast i zwi\u0119kszonej emisji spalin.<\/p>\n
Niestety, wi\u0119kszo\u015b\u0107, je\u015bli nie wszystkie, systemy nawigacyjne s\u0105 zaprojektowane tak, aby zawie\u017a\u0107 Ci\u0119 do miejsca docelowego bez uwzgl\u0119dnienia dodatkowego czasu potrzebnego na znalezienie parkingu. Mo\u017ce to by\u0107 zniech\u0119caj\u0105ce dla os\u00f3b rozwa\u017caj\u0105cych transport zbiorowy, poniewa\u017c mog\u0105 nie zdawa\u0107 sobie sprawy, \u017ce mo\u017ce to by\u0107 szybsza opcja.<\/p>\n
Naukowcy z MIT pracuj\u0105 jednak nad rozwi\u0105zaniem, kt\u00f3re mo\u017ce zmieni\u0107 zasady gry. Opracowali oni system, kt\u00f3ry identyfikuje parkingi o najlepszej r\u00f3wnowadze mi\u0119dzy lokalizacj\u0105 a szansami na znalezienie wolnego miejsca. Ich unikalny proces kieruje u\u017cytkownik\u00f3w do najbardziej odpowiedniego obszaru parkingowego zamiast do samego miejsca docelowego. W badaniach wykorzystuj\u0105cych rzeczywiste dane o ruchu drogowym z Seattle, metoda ta wykaza\u0142a oszcz\u0119dno\u015b\u0107 czasu do 66% w obszarach o du\u017cym nat\u0119\u017ceniu ruchu. Potencjalnie mo\u017cna skr\u00f3ci\u0107 czas podr\u00f3\u017cy o oko\u0142o 35 minut w por\u00f3wnaniu do oczekiwania na wolne miejsce na najbli\u017cszym parkingu.<\/p>\n
Podej\u015bcie zespo\u0142u MIT oblicza wszystkie publiczne parkingi w pobli\u017cu miejsca docelowego, bior\u0105c pod uwag\u0119 odleg\u0142o\u015b\u0107 jazdy, odleg\u0142o\u015b\u0107 pieszo od parkingu do miejsca docelowego oraz prawdopodobie\u0144stwo znalezienia miejsca parkingowego. Co by\u0107 mo\u017ce najwa\u017cniejsze, system przygotowuje si\u0119 r\u00f3wnie\u017c na scenariusze, w kt\u00f3rych u\u017cytkownik dociera do idealnego parkingu, ale nie znajduje wolnych miejsc, bior\u0105c pod uwag\u0119 blisko\u015b\u0107 i prawdopodobie\u0144stwo sukcesu innych pobliskich parking\u00f3w.<\/p>\n
Cameron Hickert, absolwent MIT i g\u0142\u00f3wny autor artyku\u0142u badawczego, wyja\u015bnia: \u201cNasza struktura mo\u017ce poradzi\u0107 sobie z przypadkami, w kt\u00f3rych rozs\u0105dniej jest wypr\u00f3bowa\u0107 kilka pobliskich partii z nieco ni\u017cszym prawdopodobie\u0144stwem sukcesu, zamiast liczy\u0107 na otwarcie w partii o wy\u017cszym prawdopodobie\u0144stwie\u201d.\u201d<\/p>\n
System uwzgl\u0119dnia r\u00f3wnie\u017c dzia\u0142ania innych kierowc\u00f3w, kt\u00f3re mog\u0105 mie\u0107 wp\u0142yw na powodzenie parkowania. Przysz\u0142e dane mog\u0105 pochodzi\u0107 z kilku \u017ar\u00f3de\u0142, w tym z informacji crowdsourcingowych lub \u015bledzenia pojazd\u00f3w kr\u0105\u017c\u0105cych w poszukiwaniu miejsca parkingowego. Wraz z post\u0119pem, autonomiczne pojazdy mog\u0105 nawet zg\u0142asza\u0107 wolne miejsca, obok kt\u00f3rych przeje\u017cd\u017caj\u0105. \u201cPrzechwytywanie tych informacji, nawet poprzez proste interakcje z aplikacj\u0105, mo\u017ce mie\u0107 kluczowe znaczenie dla \u015bwiadomego podejmowania decyzji\u201d - stwierdza Hickert.<\/p>\n
W testach z wykorzystaniem danych o ruchu drogowym w Seattle, symuluj\u0105cych r\u00f3\u017cne scenariusze miejskie i podmiejskie, metoda opracowana przez zesp\u00f3\u0142 MIT skr\u00f3ci\u0142a czas podr\u00f3\u017cy o oko\u0142o 60% w por\u00f3wnaniu do oczekiwania na miejsce i o 20% w por\u00f3wnaniu do ci\u0105g\u0142ej jazdy do najbli\u017cszego parkingu. Perspektywa wykorzystania danych parkingowych pochodz\u0105cych z crowdsourcingu okaza\u0142a si\u0119 obiecuj\u0105ca z poziomem b\u0142\u0119du wynosz\u0105cym zaledwie 7% w por\u00f3wnaniu z dost\u0119pno\u015bci\u0105 w czasie rzeczywistym. Sugeruje to, \u017ce mo\u017ce to skutecznie gromadzi\u0107 dane dotycz\u0105ce prawdopodobie\u0144stwa parkowania.<\/p>\n
W przysz\u0142o\u015bci zesp\u00f3\u0142 przeprowadzi szersze badania, kt\u00f3re wykorzystaj\u0105 informacje o trasach w czasie rzeczywistym w ca\u0142ym mie\u015bcie i zbadaj\u0105 dodatkowe \u017ar\u00f3d\u0142a danych, takie jak zdj\u0119cia satelitarne, w celu oszacowania mo\u017cliwych redukcji emisji. \u201cSystemy transportowe s\u0105 z\u0142o\u017cone i trudne do zmiany, ale niewielkie ulepszenia mog\u0105 znacz\u0105co wp\u0142yn\u0105\u0107 na podejmowanie decyzji, korki i emisje\u201d - m\u00f3wi Cathy Wu, starszy autor bada\u0144.<\/p>\n
Badania te by\u0142y wspierane przez Cintra, MIT Energy Initiative i National Science Foundation. Wi\u0119cej informacji mo\u017cna znale\u017a\u0107 w oryginalnym artykule prasowym tutaj<\/a> lub uzyska\u0107 dost\u0119p do pe\u0142nego badania w Transakcje dotycz\u0105ce inteligentnych system\u00f3w transportowych<\/em> tutaj<\/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\/pl\/wp-json\/wp\/v2\/posts\/8045","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/comments?post=8045"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/8045\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media\/8046"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media?parent=8045"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/categories?post=8045"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/tags?post=8045"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}