每天都有这样的情况发生：一位司机使用导航应用查看穿越城市的行程时间，但到达目的地时却发现没有空余停车位。最终找到停车位并步行到目的地时，已远远超过预期时间。

目前大多数主流导航系统只指引驾驶者到达目的地，却未考虑寻找停车位所需的额外时间。这不仅让驾驶者感到烦恼，还会加剧交通拥堵和尾气排放，因为司机们不得不在附近反复绕行寻找停车位。此外，这种时间估计不足也可能让人们低估公共交通的优势，影响他们选择更环保的出行方式。

麻省理工学院（MIT）的研究人员针对这一问题，开发了一套智能系统，能够识别出既靠近目的地又有较高停车概率的停车场。该方法灵活调整，指引用户前往最理想的停车区域，而非直接到达目的地。

在基于西雅图真实交通数据的模拟测试中，这一技术在最拥堵的情况下节省了多达66%的时间。对于驾驶者而言，相比于在最近的停车场等待空位，平均可节省约35分钟的行程时间。

虽然目前该系统尚未投入实际应用，但研究成果展示了其可行性及未来的实施路径。

MIT研究生Cameron Hickert表示：“这种停车难带来的挫败感非常普遍，更重要的是，系统性低估驾驶时间会阻碍人们做出明智的出行选择，难以促使他们转向公共交通、自行车或其他替代交通方式。”

论文作者还包括博士生Sirui Li、信息与决策系统实验室（LIDS）研究科学家Zhengbing He，以及土木与环境工程系（CEE）和数据、系统与社会研究所（IDSS）的Cathy Wu教授。相关研究发表在《智能交通系统汇刊》上。

概率感知的停车策略

研究团队提出了一种基于概率的动态规划方法，综合考虑目的地附近所有公共停车场的位置、从出发点到停车场的驾驶距离、从停车场到目的地的步行距离以及停车成功的概率。

该方法从理想结果逆向计算，为用户规划最佳路线。同时，系统还考虑了用户到达理想停车场却未能找到空位的情况，结合其他停车场的距离和停车概率，动态调整推荐方案。

Hickert解释：“如果附近有几个停车概率稍低但彼此距离很近的停车场，可能比去一个高概率但较远的停车场更明智。我们的框架能够灵活处理这些情况。”

最终，系统能识别出综合驾驶、停车和步行时间最短的最佳停车场。

此外，系统还模拟其他司机的行为对停车成功率的影响。例如，其他司机可能先到理想停车场占据最后一个车位，或者尝试其他停车场失败后转向理想停车场，甚至在不同停车场停车造成溢出效应，降低用户的停车概率。

“我们的框架能够清晰且系统地模拟这些复杂情形。”Hickert补充道。

利用众包数据提升停车信息

停车位信息可来源多种渠道，如磁感应探测器或停车场闸机统计车辆进出。但这些传感器尚未普及，为了提高系统的实用性，研究人员探索了利用众包数据的可能性。

用户可通过应用程序报告空闲停车位，或通过监测车辆寻找停车位的行为数据进行推断。未来，自动驾驶车辆也可能实时反馈经过路段的空闲停车信息。

Hickert指出：“目前很多停车信息未被有效利用。如果用户能简单地在应用中标记‘无停车位’，这将成为宝贵的数据来源，帮助人们做出更明智的出行决策。”

研究团队利用西雅图地区的真实交通数据进行了模拟，涵盖不同时间段的城市拥堵和郊区环境。结果显示，在拥堵环境下，该方法相比等待空位，能减少约60%的总行程时间；相比不断寻找最近停车场的策略，节省约20%。

此外，众包停车数据的误差率仅约为7%，表明其作为停车概率数据来源具有较高的有效性。

未来，研究人员计划在全市范围内开展更大规模的实时路线研究，探索利用卫星图像等多种数据源，并评估潜在的尾气减排效果。

Wu教授总结道：“交通系统庞大且复杂，难以彻底改变。我们关注的是通过小的改进带来显著影响，帮助人们做出更优选择，缓解拥堵，减少排放。”

本研究部分由Cintra、MIT能源计划和美国国家科学基金会资助。