Ein vertrautes Szenario wiederholt sich täglich in unzähligen Städten: Autofahrende geben in der Navigations-App ein Ziel ein, folgen der berechneten Route – und stehen am Zielort vor verschlossenen oder belegten Parkbereichen. Die tatsächliche Ankunftszeit weicht dann von der prognostizierten ab, weil die Suche nach einem freien Stellplatz nicht einkalkuliert wurde.
Die meisten gängigen Navigationssysteme planen die reine Fahrtzeit, ignorieren jedoch den Zeitaufwand für die anschließende Parkplatzsuche. Das ist nicht nur ärgerlich für die Betroffenen, sondern hat auch Konsequenzen. Wer ziellos durch Wohngebiete oder Innenstädte kreist, verursacht zusätzlichen Verkehr, erhöht den Ausstoß von Schadstoffen und verstopft Straßen, die ohnehin stark belastet sind.
MIT-Forschende entwickeln neuen Ansatz
Ein Wissenschaftsteam am Massachusetts Institute of Technology (MIT) hat sich dieses Problems angenommen und eine Methode entwickelt, die Autofahrenden nicht nur den Weg zum Zielort weist, sondern gezielt zum optimalen Parkplatz führt. Das System wägt dabei ab, welcher Stellplatz das beste Verhältnis aus Nähe zum Ziel und Wahrscheinlichkeit der tatsächlichen Verfügbarkeit bietet.
Die entwickelte Methode berücksichtigt alle relevanten Faktoren: die Entfernung vom Startpunkt zu verschiedenen Parkplätzen, die Gehstrecke vom jeweiligen Parkplatz zum Endziel sowie die statistische Wahrscheinlichkeit, dort tatsächlich einen freien Stellplatz zu finden. Rückwärts rechnend von erwünschten Ergebnissen aus, ermittelt das System die beste Route.
In simulierten Testläufen, die auf echten Verkehrsdaten aus dem Großraum Seattle basierten, erzielte das System in besonders stark ausgelasteten Stadtbereichen eine Zeitersparnis von bis zu 66 Prozent. Für Autofahrende entspricht das einer Verkürzung der Gesamtzeit um rund 35 Minuten – verglichen mit der klassischen Strategie, einfach auf einen freien Platz am nächsten Parkplatz zu warten oder im Kreis zu fahren.
Parkplatz-Wahrscheinlichkeit als Rechengrundlage
Das System denkt auch Szenarien durch, in denen der zunächst als ideal eingestufte Parkplatz beim Eintreffen bereits belegt ist. Statt die Nutzenden dann orientierungslos umherfahren zu lassen, berechnet es in Echtzeit alternative Stellplätze in der Umgebung und bewertet deren Erfolgsaussichten. So entsteht eine Art Ausweichkette, die kontinuierlich aktualisiert wird.
Dabei spielen auch mehrere nahe beieinanderliegende Parkplätze mit jeweils etwas geringerer Erfolgswahrscheinlichkeit eine Rolle. Cameron Hickert, Doktorand am MIT und Hauptautor der zugehörigen Studie, erläutert: „Wenn es in der Nähe mehrere Parkplätze gibt, die eine etwas geringere Erfolgswahrscheinlichkeit haben, aber sehr nahe beieinander liegen, ist es möglicherweise klüger, dorthin zu fahren, als zum Parkplatz mit der höheren Wahrscheinlichkeit – und zu hoffen, dass man dort einen freien Platz findet.“
Das Verhalten anderer Fahrer einberechnen
Kein Mensch sucht allein einen Parkplatz, das System berücksichtigt daher auch das Verhalten anderer Verkehrsteilnehmerinnen und -teilnehmer. Konkurrierende Fahrende könnten früher am Wunschstellplatz eintreffen und den letzten freien Platz belegen. Oder jemand anderes scheitert an einem Alternativstandort und weicht auf den eigentlich vorgesehenen Parkplatz aus. Solche Wechselwirkungen fließen in die Berechnung mit ein.
Auch sogenannte Spillover-Effekte werden modelliert. Wenn andere Fahrzeuge einen bestimmten Parkplatz besetzen, sinkt die Erfolgswahrscheinlichkeit für alle weiteren Suchenden in der Umgebung. Hickert fasst zusammen: „Mit unserem Rahmenkonzept zeigen wir, wie man all diese Szenarien auf sehr übersichtliche und prinzipielle Weise modellieren kann.“ Das macht das System realitätsnäher als bisherige Ansätze.
Crowdsourced-Daten für den Parkplatz-Alltag
Damit das System in der Praxis funktioniert, braucht es verlässliche Daten zur aktuellen Parkplatzverfügbarkeit. Einige Stellplätze sind bereits mit magnetischen Detektoren oder Schrankenanlagen ausgestattet, die ein- und ausfahrende Fahrzeuge zählen. Da solche technischen Lösungen jedoch längst nicht flächendeckend vorhanden sind, konzentrierten sich die Forschenden auf eine andere Datenquelle: kollektiv erhobene, also crowdgesourcte Informationen.
Nutzerinnen und Nutzer könnten über eine App freie Stellplätze melden. Alternativ ließen sich Daten gewinnen, indem erfasst wird, wie viele Fahrzeuge einen Parkplatz nach kurzer Zeit wieder verlassen, ein starkes Indiz dafür, dass kein freier Platz gefunden wurde. Perspektivisch könnten sogar autonome Fahrzeuge zur Informationssammlung beitragen, indem sie im Vorbeifahren erkannte Freistellplätze automatisch übermitteln.
Die Auswertungen zeigten, dass Crowdsourcing-Beobachtungen zur Verfügbarkeit von Parkplätzen im Vergleich zur tatsächlichen Verfügbarkeit nur eine Fehlerquote von rund sieben Prozent aufweisen würden.
Und: Sollten sehr viele Menschen das gleiche System nutzen, würden sich die Daten noch weiter verbessern. Dann hätte die Parkplatzsuche endlich ein Ende.
Ein Beitrag von:
