Όταν επιλέγετε μία δημοφιλή περιοχή για την ψυχαγωγία σας, ή απλά τυχαίνει να μένετε σε μία τέτοια γειτονιά ο πλοηγός σας δίνει μία εκτίμηση για τον χρόνο άφιξή σας. Δεν σας λέει, όμως, τίποτα για τον χρόνο που θα χρειαστεί προκειμένου να βρείτε και μία θέση στάθμευσης.
Τα πιο δημοφιλή συστήματα πλοήγησης κατευθύνουν τους οδηγούς σε μια τοποθεσία χωρίς να λαμβάνουν υπόψη τον επιπλέον χρόνο που μπορεί να χρειαστεί για να βρουν θέση στάθμευσης. Η αναζήτηση μίας θέσης προκαλεί κάτι περισσότερο από πονοκέφαλο στους οδηγούς. Ταυτόχρονα, όμως, επιδεινώνει την κυκλοφοριακή συμφόρηση και αυξάνει τις εκπομπές ρύπων, καθώς οι οδηγοί περιφέρονται αναζητώντας μία θέση για το όχημά τους. Υποτιμώντας τον χαμένο αυτό χρόνο, οι άνθρωποι δεν ενθαρρύνονται να χρησιμοποιήσουν εναλλακτικές όπως τα ΜΜΜ, καθώς δεν συνειδητοποιούν ότι μπορεί να είναι ταχύτερα από το να οδηγήσουν και να παρκάρουν.
Ερευνητές του MIT αντιμετώπισαν αυτό το πρόβλημα αναπτύσσοντας ένα σύστημα που μπορεί να χρησιμοποιηθεί για τον εντοπισμό χώρων στάθμευσης που προσφέρουν την καλύτερη ισορροπία μεταξύ της εγγύτητας στην επιθυμητή τοποθεσία και της πιθανότητας να είναι διαθέσιμη μία θέσης στάθμευσης. Η μέθοδος αυτή κατευθύνει τους χρήστες στον ιδανικό χώρο στάθμευσης και όχι στον προορισμό τους.
Σε προσομοιώσεις με πραγματικά δεδομένα κυκλοφορίας από το Σιάτλ, η τεχνική αυτή πέτυχε εξοικονόμηση χρόνου έως και 66% στις πιο κυκλοφοριακά επιβαρυμένες περιοχές. Για έναν οδηγό, αυτό θα μείωνε τον χρόνο μετακίνησης κατά περίπου 35 λεπτά, σε σύγκριση με την αναμονή για να αδειάσει μια θέση στο πλησιέστερο πάρκινγκ.
Αν και δεν έχουν σχεδιάσει ακόμη ένα σύστημα έτοιμο για εφαρμογή στον πραγματικό κόσμο, οι επιδείξεις τους δείχνουν τη βιωσιμότητα αυτής της προσέγγισης και υποδεικνύουν τον τρόπο με τον οποίο θα μπορούσε να εφαρμοστεί.
Για να λύσουν το πρόβλημα της στάθμευσης, οι ερευνητές ανέπτυξαν μια προσέγγιση που βασίζεται στις πιθανότητες και λαμβάνει υπόψη όλες τις πιθανές δημόσιες θέσεις στάθμευσης κοντά σε έναν προορισμό, την απόσταση που απαιτείται για να οδηγηθεί κανείς εκεί από ένα σημείο εκκίνησης, την απόσταση που απαιτείται για να περπατήσει από κάθε θέση μέχρι τον προορισμό και την πιθανότητα επιτυχούς στάθμευσης.
Η προσέγγιση, που βασίζεται στον δυναμικό προγραμματισμό, λειτουργεί αντίστροφα από τα καλά αποτελέσματα για να υπολογίσει την καλύτερη διαδρομή για τον χρήστη. Η μέθοδός τους λαμβάνει επίσης υπόψη την περίπτωση όπου ένας χρήστης φτάνει στον ιδανικό χώρο στάθμευσης αλλά δεν μπορεί να βρει θέση. Λαμβάνει υπόψη την απόσταση από άλλους χώρους στάθμευσης και την πιθανότητα επιτυχούς στάθμευσης σε κάθε μία.
Τελικά, το σύστημά τους μπορεί να εντοπίσει τον βέλτιστο χώρο στάθμευσης που έχει τον χαμηλότερο αναμενόμενο χρόνο που απαιτείται για να οδηγήσουν, να παρκάρουν και να περπατήσουν μέχρι τον προορισμό.
Αλλά κανένας οδηγός δεν περιμένει να είναι ο μόνος που προσπαθεί να παρκάρει σε ένα πολυσύχναστο μέρος της πόλης. Έτσι, αυτή η μέθοδος ενσωματώνει επίσης τις ενέργειες άλλων οδηγών, οι οποίες επηρεάζουν την πιθανότητα επιτυχίας του χρήστη να παρκάρει.
Για παράδειγμα, ένας άλλος οδηγός μπορεί να φτάσει πρώτος στο ιδανικό πάρκινγκ του χρήστη και να πάρει την τελευταία θέση στάθμευσης. Ή ένας άλλος οδηγός θα μπορούσε να προσπαθήσει να παρκάρει σε άλλο πάρκινγκ, αλλά στη συνέχεια να παρκάρει στο ιδανικό πάρκινγκ του χρήστη αν δεν τα καταφέρει. Επιπλέον, ένας άλλος οδηγός μπορεί να παρκάρει σε διαφορετικό πάρκινγκ και να προκαλέσει δευτερογενείς επιπτώσεις που μειώνουν τις πιθανότητες επιτυχίας του χρήστη.
Δεδομένα στάθμευσης από το πλήθος
Τα δεδομένα σχετικά με τη διαθεσιμότητα στάθμευσης θα μπορούσαν να προέρχονται από διάφορες πηγές. Για παράδειγμα, ορισμένοι χώροι στάθμευσης διαθέτουν μαγνητικούς ανιχνευτές ή πύλες που παρακολουθούν τον αριθμό των αυτοκινήτων που εισέρχονται και εξέρχονται.
Ωστόσο, τέτοιοι αισθητήρες δεν χρησιμοποιούνται ευρέως, επομένως, για να κάνουν το σύστημά τους πιο εφικτό για ανάπτυξη στον πραγματικό κόσμο, οι ερευνητές μελέτησαν την αποτελεσματικότητα της χρήσης δεδομένων από το πλήθος.
Για παράδειγμα, οι χρήστες θα μπορούσαν να υποδείξουν διαθέσιμο χώρο στάθμευσης χρησιμοποιώντας μια εφαρμογή. Τα δεδομένα θα μπορούσαν επίσης να συλλεχθούν παρακολουθώντας τον αριθμό των οχημάτων που κάνουν κύκλους για να βρουν χώρο στάθμευσης ή πόσα εισέρχονται στο πάρκινγκ και εξέρχονται αφού δεν τα καταφέρουν. Κάποια μέρα, τα αυτόνομα οχήματα θα μπορούσαν ακόμη και να αναφέρουν ανοιχτές θέσεις στάθμευσης από τις οποίες περνούν.
Οι ερευνητές αξιολόγησαν το σύστημά τους χρησιμοποιώντας δεδομένα πραγματικής κυκλοφορίας από την περιοχή του Σιάτλ, προσομοιώνοντας διαφορετικές ώρες της ημέρας σε ένα αστικό περιβάλλον με συμφόρηση και μια προαστιακή περιοχή. Σε περιβάλλοντα με συμφόρηση, η προσέγγισή τους μείωσε τον συνολικό χρόνο ταξιδιού κατά περίπου 60% σε σύγκριση με το να κάθεσαι και να περιμένεις να ανοίξει μια θέση και κατά περίπου 20% σε σύγκριση με μια στρατηγική συνεχούς οδήγησης προς το επόμενο κλειστό πάρκινγκ.
Διαπίστωσαν επίσης ότι οι παρατηρήσεις της διαθεσιμότητας στάθμευσης μέσω crowdsourcing θα είχαν ποσοστό σφάλματος μόνο περίπου 7%, σε σύγκριση με την πραγματική διαθεσιμότητα στάθμευσης. Αυτό δείχνει ότι θα μπορούσε να είναι ένας αποτελεσματικός τρόπος για τη συλλογή δεδομένων πιθανότητας στάθμευσης.
Στο μέλλον, οι ερευνητές θέλουν να διεξάγουν μεγαλύτερες μελέτες χρησιμοποιώντας πληροφορίες διαδρομής σε πραγματικό χρόνο σε μια ολόκληρη πόλη. Θέλουν επίσης να διερευνήσουν πρόσθετους τρόπους για τη συλλογή δεδομένων σχετικά με τη διαθεσιμότητα στάθμευσης, όπως η χρήση δορυφορικών εικόνων και η εκτίμηση πιθανών μειώσεων εκπομπών.
Η έρευνα υποστηρίχθηκε, εν μέρει, από την Cintra, την Πρωτοβουλία Ενέργειας του MIT και το Εθνικό Ίδρυμα Επιστημών, ενώ δημοσιεύεται στο περιοδικό Transactions on Intelligent Transportation Systems.
