Contents
Modelatge i predicció
Les propostes no només son interessants per reduir emissions produïdes pel tràfic, sinó també per entendre com el clima, o esdeveniments menys usuals (per sort) com la pandèmia, han afectat als pàrquings. Aquest estudi s'ha pogut dur a terme gràcies a les dades proporcionades per l’ATM, on tenim el número de places lliures a diferents pàrquings amb una resolució de 30 minuts.
El modelatge del comportament de la ocupació dels pàrquings s’ha fet de dues maneres diferents: una primera aproximació utilitzant directament mitjanes històriques i agrupant diferents grups de dies amb un comportament similar per aconseguir prototips genèrics que captin bé el seu comportament, resultant en un total de 3 prototips: Dies entre setmana fins Dijous (inclòs), Divendres i Caps de Setmana. Cada un dels prototips requereix de 48 paràmetres pel seu ús.
Per altra banda, per tal de simplificar el model estadístic, un segon modelatge matemàtic ha estat desenvolupat. En aquest segon cas, per cada un dels grups de dies amb comportaments similars s’ha parametritzat una corba matemàtica resultant de la diferencia entres dues densitats de probabilitat acumulada (CDF) i s’ha minimitzat la diferència entre el model resultant i tots els dies que composen cada un dels grups. D’aquesta manera, s’han aconseguit tres models matemàtics que únicament requereixen de 7 paràmetres i que obtenir una millor interpretació del fenomen.
Model estadístic
Model matemàtic
Predicció
En quant a la predicció, també s’han avaluat dos tipus diferents: la predicció d’un dia sencer en el futur amb una resolució de 30 minuts, i la predicció de les hores restants del día tenint en compte les dades prèvies conegudes del mateix. Cadascuna d’aquestes aproximacions s’ha avaluat amb els dos modelatges per demostrar quin mètode proporciona millors prediccions, no només en termes de precisió sinó també en termes d’interpretació i simplicitat.
Considerant la predicció de dies sencers, el resultats de les prediccions és molt satisfactori, obtenint errors proporcionals al pàrquing avaluat al voltant del 10% en el pitjor dels casos, essent al voltant de 5% d’error proporcional mitjà el resultat més habitual. A les següents taules podem observar els resultats per alguns dels pàrquings analitzats.
Canviant al segon model de predicció, tenint evidencia de dades es millora la precisió de la predicció de les hores restants. Això és gràcies a un reescalat del prototips utilitzats per la versió offline (predicció del dia sencer) tenint en compte en quin estat es troba el parking a l’ultima hora que es va prendre mesura, i utilitzant la diferència proporcional entre aquest valor i el del prototipus com un factor de rescalat.
Factors externs
En quant a factors externs que poden influir en la manera en que s’utilitzen els pàrquings de la província de Barcelona, el clima afecta mínimament en l'ocupació degut també a la naturalesa dels pàrquings, que són per fer transbord del cotxe a tren, i que son utilitzats per gent que normalment té la responsabilitat de fer el trajecte independentment del temps. En quant a la pandèmia, s’ha observat que el patró de comportament de la gent no ha variat gaire, el que sí que ha variat dràsticament la quantitat de gent que n’ha fet ús dels pàrquings. Per tant el canvi està més en el volum que en la forma d’ocupar els pàrquings.
Conclusió
Com a conclusió d’aquest estudi col·laboratiu, es pot afirmar que a través de dades històriques és relativament senzill de caracteritzar i predir el comportament futur de l’ús dels pàrquings, i que no es requereixen quantitats de dades immenses per tenir una precisió satisfactòria. Afegir que el model matemàtic és més precís, més interpretable i més senzill en termes de paràmetres requerits que el model estadístic. Aquest estudi obre la porta a futures investigacions i aplicacions, així com a diverses millores en quant a integrabilitat i automatització del procés d’aprenentatge.
Autors
Redactat per: Josep Ferrer i David Moreno
Per saber-ne més: Josep Ferrer i David Moreno
