Hal ini terjadi setiap hari — seorang pengendara mobil yang melintasi kota memeriksa aplikasi navigasi untuk mengetahui berapa lama perjalanan yang akan ditempuh, namun mereka tidak menemukan tempat parkir yang tersedia saat mencapai tujuan. Pada saat mereka akhirnya parkir dan berjalan ke tujuan, mereka terlambat dari perkiraan.
Kebanyakan sistem navigasi populer mengirim pengemudi ke suatu lokasi tanpa mempertimbangkan waktu tambahan yang mungkin diperlukan untuk mencari tempat parkir. Hal ini menyebabkan lebih dari sekedar sakit kepala bagi pengemudi. Hal ini dapat memperburuk kemacetan dan meningkatkan emisi dengan menyebabkan pengendara berkeliling mencari tempat parkir. Penilaian yang terlalu rendah ini juga dapat membuat masyarakat enggan menggunakan transportasi massal karena mereka tidak menyadari bahwa transportasi tersebut mungkin lebih cepat daripada mengemudi dan parkir.
Peneliti MIT mengatasi masalah ini dengan mengembangkan sistem yang dapat digunakan untuk mengidentifikasi tempat parkir yang menawarkan keseimbangan terbaik antara kedekatan dengan lokasi yang diinginkan dan kemungkinan ketersediaan parkir. Metode mereka yang dapat disesuaikan mengarahkan pengguna ke area parkir yang ideal, bukan ke tujuan mereka.
Dalam pengujian simulasi dengan data lalu lintas dunia nyata dari Seattle, teknik ini mencapai penghematan waktu hingga 66 persen di lingkungan yang paling padat. Bagi pengendara, hal ini akan mengurangi waktu tempuh sekitar 35 menit dibandingkan menunggu tempat buka di tempat parkir terdekat.
Meskipun mereka belum merancang sistem yang siap digunakan di dunia nyata, demonstrasi yang mereka lakukan menunjukkan kelayakan pendekatan ini dan menunjukkan bagaimana pendekatan ini dapat diterapkan.
“Frustrasi ini nyata dan dirasakan oleh banyak orang, dan masalah yang lebih besar adalah bahwa meremehkan waktu berkendara secara sistematis akan menghambat orang dalam membuat pilihan yang tepat. Hal ini membuat lebih sulit bagi orang untuk beralih ke angkutan umum, sepeda, atau bentuk transportasi alternatif,” kata mahasiswa pascasarjana MIT Cameron Hickert, penulis utama makalah yang menjelaskan pekerjaan tersebut.
Hickert bergabung dalam makalah ini dengan Sirui Li PhD ’25; Zhengbing He, seorang ilmuwan peneliti di Laboratorium Sistem Informasi dan Keputusan (LIDS); dan penulis senior Cathy Wu, Profesor Madya Pengembangan Karir di bidang Teknik Sipil dan Lingkungan (CEE) Angkatan 1954 dan Institut Data, Sistem, dan Masyarakat (IDSS) di MIT, dan anggota LIDS. Penelitian ini muncul hari ini di Transaksi pada Sistem Transportasi Cerdas.
Kemungkinan parkir
Untuk mengatasi masalah parkir, para peneliti mengembangkan pendekatan sadar probabilitas yang mempertimbangkan semua kemungkinan tempat parkir umum di dekat suatu tujuan, jarak berkendara ke sana dari titik asal, jarak berjalan kaki dari setiap tempat parkir ke tujuan, dan kemungkinan keberhasilan parkir.
Pendekatan ini, berdasarkan pemrograman dinamis, bekerja mundur dari hasil yang baik untuk menghitung rute terbaik bagi pengguna.
Metode mereka juga mempertimbangkan kasus ketika pengguna tiba di tempat parkir yang ideal tetapi tidak dapat menemukan tempat parkir. Ini memperhitungkan jarak ke tempat parkir lain dan kemungkinan keberhasilan parkir di masing-masing tempat parkir.
“Jika ada beberapa lahan di dekatnya yang memiliki probabilitas keberhasilan yang sedikit lebih rendah, namun sangat berdekatan satu sama lain, mungkin akan lebih cerdas untuk mengarahkan ke sana daripada pergi ke lahan yang memiliki probabilitas lebih tinggi dan berharap menemukan peluang. Kerangka kerja kami dapat menjelaskan hal tersebut,” kata Hickert.
Pada akhirnya, sistem mereka dapat mengidentifikasi lahan optimal yang memiliki perkiraan waktu terendah yang diperlukan untuk mengemudi, parkir, dan berjalan kaki ke tujuan.
Namun tidak ada pengendara yang berharap menjadi satu-satunya yang mencoba parkir di pusat kota yang sibuk. Jadi, metode ini juga menggabungkan tindakan pengemudi lain, yang mempengaruhi kemungkinan keberhasilan parkir pengguna.
Misalnya, pengemudi lain mungkin tiba di tempat parkir ideal pengguna terlebih dahulu dan mengambil tempat parkir terakhir. Atau pengendara lain dapat mencoba parkir di tempat lain namun kemudian parkir di tempat ideal pengguna jika tidak berhasil. Selain itu, pengendara lain mungkin parkir di tempat yang berbeda dan menyebabkan efek limpahan yang menurunkan peluang keberhasilan pengguna.
“Dengan kerangka kerja kami, kami menunjukkan bagaimana Anda dapat memodelkan semua skenario tersebut dengan cara yang sangat bersih dan berprinsip,” kata Hickert.
Data parkir crowdsourced
Data ketersediaan parkir dapat diperoleh dari beberapa sumber. Misalnya, beberapa tempat parkir memiliki detektor atau gerbang magnetis yang melacak jumlah mobil yang masuk dan keluar.
Namun sensor semacam itu tidak banyak digunakan, sehingga untuk membuat sistem mereka lebih layak untuk diterapkan di dunia nyata, para peneliti mempelajari efektivitas penggunaan data crowdsourced.
Misalnya, pengguna dapat menunjukkan tempat parkir yang tersedia menggunakan aplikasi. Data juga dapat dikumpulkan dengan melacak jumlah kendaraan yang berputar-putar untuk mencari tempat parkir, atau berapa banyak kendaraan yang masuk dan keluar setelah gagal.
Suatu hari nanti, kendaraan otonom bahkan dapat melaporkan tempat parkir terbuka yang mereka lalui.
“Saat ini, banyak informasi yang tidak berguna. Namun jika kita dapat menangkapnya, bahkan dengan meminta seseorang mengetuk ‘dilarang parkir’ di aplikasi, hal itu bisa menjadi sumber informasi penting yang memungkinkan masyarakat mengambil keputusan yang lebih tepat,” tambah Hickert.
Para peneliti mengevaluasi sistem mereka menggunakan data lalu lintas dunia nyata dari wilayah Seattle, mensimulasikan waktu yang berbeda dalam sehari di lingkungan perkotaan yang padat dan daerah pinggiran kota. Di kawasan yang padat, pendekatan mereka memangkas total waktu perjalanan sekitar 60 persen dibandingkan dengan duduk dan menunggu tempat parkir dibuka, dan sekitar 20 persen dibandingkan dengan strategi terus mengemudi ke tempat parkir terdekat.
Mereka juga menemukan bahwa observasi ketersediaan parkir yang dilakukan secara crowdsourcing hanya memiliki tingkat kesalahan sekitar 7 persen, dibandingkan dengan ketersediaan parkir sebenarnya. Hal ini menunjukkan bahwa ini bisa menjadi cara yang efektif untuk mengumpulkan data probabilitas parkir.
Di masa depan, para peneliti ingin melakukan penelitian yang lebih besar dengan menggunakan informasi rute real-time di seluruh kota. Mereka juga ingin menjajaki cara tambahan untuk mengumpulkan data ketersediaan parkir, seperti menggunakan citra satelit, dan memperkirakan potensi pengurangan emisi.
“Sistem transportasi begitu besar dan rumit sehingga sangat sulit untuk diubah. Apa yang kami cari, dan apa yang kami temukan dengan pendekatan ini, adalah perubahan kecil yang dapat berdampak besar dalam membantu masyarakat membuat pilihan yang lebih baik, mengurangi kemacetan, dan mengurangi emisi,” kata Wu.
Penelitian ini sebagian didukung oleh Cintra, MIT Energy Initiative, dan National Science Foundation.
