Sucede todos los días: un automovilista que cruza la ciudad consulta una aplicación de navegación para ver cuánto durará el viaje, pero no encuentra plazas de aparcamiento disponibles cuando llega a su destino. Cuando finalmente se estacionan y caminan hacia su destino, son mucho más tarde de lo que esperaban.
Los sistemas de navegación más populares envían a los conductores a un lugar sin considerar el tiempo extra que podría ser necesario para encontrar estacionamiento. Esto causa más que un simple dolor de cabeza a los conductores. Puede empeorar la congestión y aumentar las emisiones al hacer que los automovilistas deambulan buscando un lugar para estacionar. Esta subestimación también podría disuadir a las personas de utilizar el transporte público porque no se dan cuenta de que podría ser más rápido que conducir y estacionar.
Los investigadores del MIT abordaron este problema desarrollando un sistema que puede usarse para identificar los estacionamientos que ofrecen el mejor equilibrio entre proximidad a la ubicación deseada y probabilidad de disponibilidad de estacionamiento. Su método adaptable indica a los usuarios la zona de aparcamiento ideal en lugar de su destino.
En pruebas simuladas con datos de tráfico del mundo real de Seattle, esta técnica logró ahorros de tiempo de hasta un 66 por ciento en los entornos más congestionados. Para un automovilista, esto reduciría el tiempo de viaje en unos 35 minutos, en comparación con esperar a que se abra un lugar en el estacionamiento más cercano.
Si bien todavía no han diseñado un sistema listo para el mundo real, sus demostraciones muestran la viabilidad de este enfoque e indican cómo podría implementarse.
“Esta frustración es real y la siente mucha gente, y el problema más grande aquí es que subestimar sistemáticamente estos tiempos de conducción impide que las personas tomen decisiones informadas. Hace que sea mucho más difícil para las personas cambiar al transporte público, a la bicicleta o a formas alternativas de transporte”, dice el estudiante graduado del MIT Cameron Hickert, autor principal de un artículo que describe el trabajo.
A Hickert se unen en el artículo Sirui Li PhD ’25; Zhengbing He, científico investigador del Laboratorio de Sistemas de Información y Decisión (LIDS); y la autora principal Cathy Wu, profesora asociada de desarrollo profesional de la promoción de 1954 en Ingeniería Civil y Ambiental (CEE) y del Instituto de Datos, Sistemas y Sociedad (IDSS) del MIT, y miembro de LIDS. La investigación aparece hoy en Transacciones sobre sistemas de transporte inteligentes.
Estacionamiento probable
Para resolver el problema del estacionamiento, los investigadores desarrollaron un enfoque basado en la probabilidad que considera todos los posibles estacionamientos públicos cerca de un destino, la distancia para conducir hasta allí desde un punto de origen, la distancia a pie desde cada estacionamiento hasta el destino y la probabilidad de estacionamiento exitoso.
El enfoque, basado en programación dinámica, trabaja hacia atrás a partir de buenos resultados para calcular la mejor ruta para el usuario.
Su método también considera el caso en el que un usuario llega al estacionamiento ideal pero no encuentra un espacio. Tiene en cuenta la distancia a otros aparcamientos y la probabilidad de éxito de aparcamiento en cada uno de ellos.
“Si hay varios lotes cercanos que tienen probabilidades de éxito ligeramente menores, pero están muy cerca unos de otros, podría ser una opción más inteligente conducir hasta allí en lugar de ir al lote de mayor probabilidad y esperar encontrar una vacante. Nuestro marco puede tener en cuenta eso”, dice Hickert.
Al final, su sistema puede identificar el lote óptimo que tiene el menor tiempo esperado necesario para conducir, estacionar y caminar hasta el destino.
Pero ningún automovilista espera ser el único que intenta aparcar en un concurrido centro de la ciudad. Por lo tanto, este método también incorpora las acciones de otros conductores, lo que afecta la probabilidad de éxito del estacionamiento del usuario.
Por ejemplo, otro conductor puede llegar primero al aparcamiento ideal del usuario y ocupar el último lugar de aparcamiento. O bien, otro automovilista podría intentar estacionar en otro estacionamiento, pero luego estacionar en el estacionamiento ideal del usuario si no tiene éxito. Además, otro automovilista puede estacionar en un lote diferente y provocar efectos secundarios que reduzcan las posibilidades de éxito del usuario.
“Con nuestro marco, mostramos cómo se pueden modelar todos esos escenarios de una manera muy clara y basada en principios”, dice Hickert.
Datos de estacionamiento colaborativos
Los datos sobre la disponibilidad de aparcamiento podrían proceder de varias fuentes. Por ejemplo, algunos estacionamientos tienen detectores magnéticos o puertas que rastrean la cantidad de automóviles que entran y salen.
Pero estos sensores no se utilizan ampliamente, por lo que para hacer que su sistema sea más factible para su implementación en el mundo real, los investigadores estudiaron la eficacia de utilizar datos de origen colaborativo.
Por ejemplo, los usuarios podrían indicar el estacionamiento disponible mediante una aplicación. También se podrían recopilar datos rastreando el número de vehículos que circulan para encontrar estacionamiento, o cuántos entran a un estacionamiento y salen después de no lograrlo.
Algún día, los vehículos autónomos podrían incluso informar sobre los espacios de estacionamiento abiertos por los que pasen.
“En este momento, gran parte de esa información no llega a ninguna parte. Pero si pudiéramos capturarla, incluso haciendo que alguien simplemente toque ‘no estacionar’ en una aplicación, podría ser una fuente importante de información que permitiría a las personas tomar decisiones más informadas”, añade Hickert.
Los investigadores evaluaron su sistema utilizando datos de tráfico del mundo real del área de Seattle, simulando diferentes horas del día en un entorno urbano congestionado y un área suburbana. En entornos congestionados, su enfoque redujo el tiempo total de viaje en aproximadamente un 60 por ciento en comparación con sentarse y esperar a que se abriera un lugar, y en aproximadamente un 20 por ciento en comparación con una estrategia de conducir continuamente hasta el siguiente estacionamiento reservado.
También descubrieron que las observaciones colaborativas de la disponibilidad de estacionamiento tendrían una tasa de error de solo alrededor del 7 por ciento, en comparación con la disponibilidad real de estacionamiento. Esto indica que podría ser una forma eficaz de recopilar datos sobre la probabilidad de estacionamiento.
En el futuro, los investigadores quieren realizar estudios más amplios utilizando información de rutas en tiempo real en toda una ciudad. También quieren explorar vías adicionales para recopilar datos sobre la disponibilidad de estacionamiento, como el uso de imágenes satelitales, y estimar posibles reducciones de emisiones.
“Los sistemas de transporte son tan grandes y complejos que son realmente difíciles de cambiar. Lo que buscamos, y lo que encontramos con este enfoque, son pequeños cambios que pueden tener un gran impacto para ayudar a las personas a tomar mejores decisiones, reducir la congestión y reducir las emisiones”, dice Wu.
Esta investigación contó con el apoyo parcial de Cintra, la MIT Energy Initiative y la National Science Foundation.