확률 기반 주차 공간 선택

Probability-Aware Parking Selection

현재 내비게이션 시스템은 운전 시간만을 고려하여 실제 도착 시간과 차이를 보이며, 주차 공간 탐색 시간과 최종 도보 이동 시간을 무시합니다. 이러한 과소평가는 사용자 경험, 교통 수단 선택, 교통 혼잡, 배출량에 큰 영향을 미칠 수 있습니다. 본 논문에서는 이러한 문제를 해결하기 위해, 운전자를 목적지 바로 앞이 아닌 최적의 주차 공간으로 안내하는 '확률 기반 주차 공간 선택' 문제를 제안합니다. 제안하는 방법은 확률적이고, 주차장 단위의 가용성을 활용하여 예상 도착 시간을 최소화하는 적응형 동적 프로그래밍 프레임워크를 사용합니다. 폐쇄형 분석을 통해 특정 주차장을 목표로 할지, 아니면 다른 대안을 탐색할지 결정하는 최적 시점과 예상 시간 비용을 결정합니다. 민감도 분석과 세 가지 예시를 통해, 모델이 주차 공간 가용성의 동적인 특성을 고려할 수 있는 능력을 보여줍니다. 고정된 센서 인프라 구축 비용이 높다는 점을 고려하여, 확률적 관찰 데이터를 사용하여 가용성을 추정할 때 발생하는 오류율을 평가합니다. 미국 시애틀에서 수집한 실제 데이터를 사용한 실험 결과, 이 방법은 실현 가능성이 높으며, 관찰 빈도가 증가함에 따라 평균 절대 오차가 7%에서 2% 미만으로 감소합니다. 데이터 기반 시뮬레이션에서, 확률 기반 전략은 확률을 고려하지 않는 기본 전략에 비해 최대 66%의 시간 절약 효과를 보이지만, 운전 시간 추정치보다 최대 123% 더 오래 걸릴 수 있습니다.

Current navigation systems conflate time-to-drive with the true time-to-arrive by ignoring parking search duration and the final walking leg. Such underestimation can significantly affect user experience, mode choice, congestion, and emissions. To address this issue, this paper introduces the probability-aware parking selection problem, which aims to direct drivers to the best parking location rather than straight to their destination. An adaptable dynamic programming framework is proposed that leverages probabilistic, lot-level availability to minimize the expected time-to-arrive. Closed-form analysis determines when it is optimal to target a specific parking lot or explore alternatives, as well as the expected time cost. Sensitivity analysis and three illustrative cases are examined, demonstrating the model's ability to account for the dynamic nature of parking availability. Given the high cost of permanent sensing infrastructure, we assess the error rates of using stochastic observations to estimate availability. Experiments with real-world data from the US city of Seattle indicate this approach's viability, with mean absolute error decreasing from 7% to below 2% as observation frequency increases. In data-based simulations, probability-aware strategies demonstrate time savings up to 66% relative to probability-unaware baselines, yet still take up to 123% longer than time-to-drive estimates.