Ocurre todos los días: un automovilista que cruza la ciudad revisa una app de navegación para ver cuánto tiempo tomará el viaje, pero al llegar a su destino no encuentra lugares disponibles para estacionar. Para cuando finalmente aparca y camina hacia su destino, llega significativamente más tarde de lo esperado.

La mayoría de los sistemas de navegación populares envían a los conductores a una ubicación sin considerar el tiempo adicional que podría ser necesario para encontrar estacionamiento. Esto causa más que un simple dolor de cabeza para los conductores. Puede empeorar la congestión y aumentar las emisiones al hacer que los automovilistas circulen buscando un lugar para estacionar. Esta subestimación también podría desalentar a las personas de usar el transporte masivo porque no se dan cuenta de que podría ser más rápido que conducir y buscar estacionamiento.

Investigadores del MIT abordaron este problema desarrollando un sistema que puede usarse para identificar los estacionamientos que ofrecen el mejor equilibrio entre proximidad al lugar deseado y probabilidad de disponibilidad de estacionamiento. Su método adaptable dirige a los usuarios al área de estacionamiento ideal en lugar de a su destino.

En pruebas simuladas con datos reales de tráfico 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 aproximadamente 35 minutos, comparado con esperar a que se desocupe un lugar en el estacionamiento más cercano.

Aunque aún no han diseñado un sistema listo para el mundo real, sus demostraciones muestran la viabilidad de este enfoque e indican cómo podría ser implementado.

“Esta frustración es real y la sienten muchas personas, y el problema más grande aquí es que subestimar sistemáticamente estos tiempos de conducción impide que la gente tome decisiones informadas. Hace que sea mucho más difícil para las personas cambiarse al transporte público, las bicicletas u otras formas alternativas de transporte”, dice Cameron Hickert, estudiante de posgrado del MIT y autor principal de un artículo que describe el trabajo.

Hickert está acompañado en el artículo por Sirui Li PhD ’25; Zhengbing He, científico investigador en el Laboratorio de Información y Sistemas de Decisión (LIDS); y la autora principal Cathy Wu, profesora asociada de desarrollo profesional de la Clase de 1954 en Ingeniería Civil y Ambiental (CEE) y el Instituto de Datos, Sistemas y Sociedad (IDSS) del MIT, además de miembro de LIDS. La investigación aparece hoy en Transactions on Intelligent Transportation Systems.

Estacionamiento probable

Para resolver el problema del estacionamiento, los investigadores desarrollaron un enfoque consciente de la probabilidad que considera todos los estacionamientos públicos posibles cerca de un destino, la distancia para conducir desde un punto de origen, la distancia para caminar desde cada estacionamiento hasta el destino y la probabilidad de éxito al estacionar.

El enfoque, basado en programación dinámica, trabaja hacia atrás desde buenos resultados para calcular la mejor ruta para el usuario.

Su método también contempla el caso en que un usuario llega al estacionamiento ideal pero no encuentra lugar. Tiene en cuenta la distancia a otros estacionamientos y la probabilidad de éxito para estacionar en cada uno.

“Si hay varios estacionamientos cercanos que tienen probabilidades un poco más bajas de éxito, pero están muy próximos entre sí, podría ser una mejor opción conducir allí en lugar de ir al estacionamiento con mayor probabilidad y esperar encontrar un lugar disponible. Nuestro marco puede tener eso en cuenta”, explica Hickert.

Al final, su sistema puede identificar el estacionamiento óptimo que tiene el menor tiempo esperado para conducir, aparcar y caminar hasta el destino.

Pero ningún automovilista espera ser el único tratando de estacionar en un centro urbano concurrido. Por eso, este método también incorpora las acciones de otros conductores, que afectan la probabilidad de éxito del usuario.

Por ejemplo, otro conductor puede llegar primero al estacionamiento ideal y tomar el último lugar. O un automovilista podría intentar estacionar en otro lugar y luego aparcar en el estacionamiento ideal del usuario si no tiene éxito. Además, otro conductor puede estacionar en otro loté y causar efectos de derrame que disminuyen las probabilidades de éxito del usuario.

“Con nuestro marco, mostramos cómo se pueden modelar todos esos escenarios de una forma muy clara y basada en principios”, dice Hickert.

Datos de estacionamiento recopilados por la comunidad

Los datos sobre la disponibilidad de estacionamiento podrían provenir de varias fuentes. Por ejemplo, algunos estacionamientos cuentan con detectores magnéticos o barreras que registran la cantidad de autos que entran y salen.

Pero esos sensores no se usan ampliamente, por lo que para hacer su sistema más factible para su implementación real, los investigadores estudiaron la efectividad de usar datos recopilados por la comunidad en cambio.

Por ejemplo, los usuarios podrían indicar la disponibilidad de estacionamiento usando una aplicación. También se podrían recopilar datos al rastrear la cantidad de vehículos que circulan buscando estacionamiento o cuántos entran a un estacionamiento y salen después de no encontrar lugar.

En el futuro, los vehículos autónomos podrían incluso reportar los espacios libres por los que pasan.

“En este momento, mucha de esa información no se aprovecha. Pero si pudiéramos capturarla, incluso con alguien que simplemente pulse ‘no hay estacionamiento’ en una app, podría ser una fuente importante de información que permita a las personas tomar decisiones más informadas”, añade Hickert.

Los investigadores evaluaron su sistema con datos reales de tráfico de la zona de Seattle, simulando diferentes horas del día en un entorno urbano congestionado y en un área suburbana. En entornos congestionados, su enfoque redujo el tiempo total de viaje en alrededor de un 60 por ciento en comparación con sentarse y esperar a que se desocupe un lugar, y en cerca de un 20 por ciento en comparación con la estrategia de conducir continuamente al siguiente estacionamiento más cercano.

También encontraron que las observaciones recopiladas por la comunidad sobre la disponibilidad de estacionamiento tendrían un margen de error de solo alrededor del 7 por ciento, en comparación con la disponibilidad real. Esto indica que podría ser una forma efectiva de recolectar datos sobre la probabilidad de estacionamiento.

En el futuro, los investigadores quieren realizar estudios más amplios usando información de rutas en tiempo real en toda una ciudad. También desean explorar otras vías para recopilar datos sobre la disponibilidad de estacionamiento, como el uso de imágenes satelitales, y estimar reducciones potenciales de emisiones.

“Los sistemas de transporte son tan grandes y complejos que realmente son 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 disminuir las emisiones”, dice Wu.

Esta investigación fue apoyada, en parte, por Cintra, la Iniciativa de Energía del MIT y la Fundación Nacional de Ciencia.

Autor