Isso acontece todos os dias: um motorista que atravessa a cidade consulta um aplicativo de navegação para verificar quanto tempo levará a viagem, mas não encontra vagas de estacionamento disponíveis ao chegar ao destino. Quando finalmente consegue estacionar e caminha até o local, já está muito mais atrasado do que o previsto.

A maioria dos sistemas de navegação mais populares envia os motoristas para um local sem considerar o tempo extra necessário para encontrar estacionamento. Isso causa mais do que apenas dor de cabeça para os motoristas. Pode piorar o congestionamento e aumentar as emissões, fazendo com que os motoristas fiquem circulando em busca de uma vaga. Essa subestimação também pode desencorajar o uso do transporte público, pois as pessoas não percebem que pode ser mais rápido do que dirigir e estacionar.

Pesquisadores do MIT abordaram esse problema desenvolvendo um sistema que pode ser usado para identificar estacionamentos que oferecem o melhor equilíbrio entre proximidade ao local desejado e probabilidade de disponibilidade de vagas. Seu método adaptável direciona os usuários para a área de estacionamento ideal, em vez de para o destino final.

Em testes simulados com dados reais de tráfego de Seattle, essa técnica alcançou uma economia de tempo de até 66% nos cenários mais congestionados. Para um motorista, isso reduziria o tempo de viagem em cerca de 35 minutos, em comparação com a espera por uma vaga no estacionamento mais próximo.

Embora ainda não tenham desenvolvido um sistema pronto para o mundo real, suas demonstrações mostram a viabilidade dessa abordagem e indicam como ela poderia ser implementada.

“Essa frustração é real e sentida por muitas pessoas, e a questão mais importante aqui é que subestimar sistematicamente esses tempos de deslocamento impede que as pessoas façam escolhas informadas. Isso torna muito mais difícil para as pessoas optarem por transporte público, bicicletas ou outras formas de transporte”, afirma Cameron Hickert, estudante de pós-graduação do MIT e autor principal de um artigo que descreve o trabalho.

Hickert é acompanhado no artigo por Sirui Li, PhD '25; Zhengbing He, pesquisador científico do Laboratório de Sistemas de Informação e Decisão (LIDS); e a autora sênior Cathy Wu, Professora Associada de Desenvolvimento de Carreira da Classe de 1954 em Engenharia Civil e Ambiental (CEE) e no Instituto de Dados, Sistemas e Sociedade (IDSS) do MIT, e membro do LIDS. A pesquisa foi publicada hoje no periódico Transactions on Intelligent Transportation Systems .

Para resolver o problema de estacionamento, os pesquisadores desenvolveram uma abordagem probabilística que considera todos os estacionamentos públicos possíveis próximos a um destino, a distância de carro a partir de um ponto de origem, a distância a pé de cada estacionamento até o destino e a probabilidade de sucesso na busca por vaga.

A abordagem, baseada em programação dinâmica, parte de resultados positivos para calcular a melhor rota para o usuário.

O método deles também considera o caso em que um usuário chega ao estacionamento ideal, mas não consegue encontrar vaga. Ele leva em conta a distância até outros estacionamentos e a probabilidade de sucesso ao estacionar em cada um deles.

“Se houver vários estacionamentos próximos com probabilidades de sucesso ligeiramente menores, mas que estejam muito perto uns dos outros, pode ser mais inteligente dirigir até eles do que ir até o estacionamento com maior probabilidade e esperar encontrar uma vaga. Nosso sistema leva isso em consideração”, diz Hickert.

No final, o sistema deles consegue identificar o estacionamento ideal, aquele que apresenta o menor tempo estimado para dirigir, estacionar e caminhar até o destino.

Mas nenhum motorista espera ser o único tentando estacionar no centro movimentado da cidade. Portanto, esse método também incorpora as ações de outros motoristas, que afetam a probabilidade de sucesso do usuário ao estacionar.

Por exemplo, outro motorista pode chegar primeiro ao estacionamento ideal do usuário e ocupar a última vaga. Ou outro motorista pode tentar estacionar em outro estacionamento, mas, caso não consiga, estacionar no estacionamento ideal do usuário. Além disso, outro motorista pode estacionar em um estacionamento diferente e causar efeitos colaterais que diminuem as chances de sucesso do usuário.

“Com nossa estrutura, mostramos como você pode modelar todos esses cenários de uma maneira muito clara e fundamentada”, diz Hickert.

Os dados sobre a disponibilidade de vagas de estacionamento podem vir de diversas fontes. Por exemplo, alguns estacionamentos possuem detectores magnéticos ou cancelas que monitoram o número de carros que entram e saem.

Mas esses sensores não são amplamente utilizados, então, para tornar o sistema mais viável para implantação no mundo real, os pesquisadores estudaram a eficácia do uso de dados coletados por meio de crowdsourcing.

Por exemplo, os usuários poderiam indicar vagas de estacionamento disponíveis usando um aplicativo. Os dados também poderiam ser coletados rastreando o número de veículos que circulam em busca de vaga ou quantos entram em um estacionamento e saem sem sucesso.

Algum dia, os veículos autônomos poderão até mesmo informar sobre vagas de estacionamento disponíveis pelas quais passam.

“Atualmente, muitas dessas informações não chegam a lugar nenhum. Mas se pudéssemos capturá-las, mesmo que alguém simplesmente tocasse em 'estacionar proibido' em um aplicativo, isso poderia ser uma importante fonte de informação que permitiria às pessoas tomar decisões mais bem fundamentadas”, acrescenta Hickert.

Os pesquisadores avaliaram seu sistema usando dados reais de tráfego da região de Seattle, simulando diferentes horários do dia em um ambiente urbano congestionado e em uma área suburbana. Em ambientes congestionados, sua abordagem reduziu o tempo total de viagem em cerca de 60% em comparação com a espera por uma vaga, e em cerca de 20% em comparação com a estratégia de dirigir continuamente até o estacionamento mais próximo.

Eles também descobriram que as observações colaborativas sobre a disponibilidade de vagas de estacionamento teriam uma taxa de erro de apenas cerca de 7%, em comparação com a disponibilidade real de vagas. Isso indica que pode ser uma maneira eficaz de coletar dados sobre a probabilidade de encontrar vagas de estacionamento.

No futuro, os pesquisadores pretendem realizar estudos mais amplos utilizando informações de rotas em tempo real em toda a cidade. Eles também querem explorar outras formas de coletar dados sobre a disponibilidade de estacionamento, como o uso de imagens de satélite, e estimar as possíveis reduções de emissões.

Esta pesquisa foi financiada, em parte, pela Cintra, pela Iniciativa de Energia do MIT e pela Fundação Nacional de Ciência.