Parking Availability Prediction and impact on the car sharing business

Desde el punto de vista medioambiental, la disponibilidad de aparcamiento es un problema acuciante en las ciudades de todo el mundo, con repercusiones económicas, de sostenibilidad y de seguridad para los ciudadanos. Con el objetivo de reducir el tiempo de aparcamiento y hacer un mejor uso de las limitadas infraestructuras de aparcamiento, este proyecto propone una solución de mejora para la experiencia de aparcamiento. A partir de un conjunto de datos históricos publicados sobre los registros y las plazas de aparcamiento disponibles, se pretende analizar las tendencias de aparcamiento en la ciudad de Madrid, a la vez que se desarrolla un modelo de predicción de la disponibilidad de aparcamiento basado en Redes Neuronales. La metodología incluye la división de la ciudad en zonas de aparcamiento abarcables, para las cuales cual se procesa y analiza la información histórica sobre las tendencias de aparcamiento. Utilizando las bases de datos de aparcamiento del Ayuntamiento de Madrid como variables de entrada, se desarrollan y entrenan varios modelos, incluyendo modelos basados en Redes Neuronales Fully Connected y Redes Neuronales U-Net. Las salidas de estos modelos son las tasas de ocupación en Madrid para las siguientes franjas horarias. Los resultados muestran que, actualmente, la mejor predicción posible de la tasa de ocupación en una hora determinada viene dada por la tasa de ocupación en la franja horaria anterior. Estando esto sujeto a mejoras en los modelos predictivos, una herramienta que proporcione información sobre la disponibilidad de aparcamiento y las tasas de ocupación en tiempo real sería la forma más precisa de estimar la disponibilidad de aparcamiento en las horas siguientes, proporcionando una herramienta válida para los conductores que quieren optimizar su tiempo, sus recursos y la sostenibilidad de sus ciudades.

From an environmental and life-quality perspective, parking availability is a compelling issue in cities around the world, with economical, sustainability and safety impacts for the citizens. Aiming to work towards the reduction of parking time and making a better use of the limited car facilities, this project proposes a solution that combines parking experience improvement with environmental issues. From a set of publicly available historical data on parking tickets and available parking spots around the city, we intend to understand the parking tendencies in the city of Madrid, while developing a parking availability prediction model based on Neural Networks. The output will be a tool able to provide useful information to drivers, that would reduce the amount of time a car spends looking for parking, as well as traffic congestion. The methodology includes the division of the city in manageable parking areas, for which historical information on parking tendencies is processed and analyzed. Utilizing Madrid’s Council parking databases as inputs, several models are developed and tested, including models based on Fully Connected Neural Networks and U-Nets. The outputs of these model are the occupancy rates along Madrid for the incoming time slots. Results show that the best possible prediction for the occupancy rate in an incoming time is currently given by the occupancy rate in the previous time slot. This being subject to further improvements in the predictive models, a tool that provides information on parking availability and occupation rates in real time is the most accurate way to estimate parking availability in the next fifteen minutes, providing a valid tool for drivers who want to optimize their time, resources, and the sustainability of their cities.