Fisersa implantarà un sistema “Smart Parking” per localitzar aparcaments disponibles

FISERSA vol fer un salt qualitatiu en la prestació del servei d’estacionament regulat amb la implantació d’un sistema “Smart Parking” que ajudi els usuaris a la ràpida localització de zones amb menors nivells d’ocupació i, per tant, minimitzar el temps de recerca d’aparcament dels vehicles amb tots els beneficis que això comporta per la ciutat.

Per tal d’evitar tecnologies costoses tant a nivell d’implantació com de manteniment, com pot ser la sensorització física de places d’aparcament, el projecte que FISERSA s’ha plantejat consisteix en analitzar l’històric de transaccions de compra de tiquets d’aparcament així com les dades meteorològiques de l’AEMET per tal d’incorporar-los a un model predictiu que combina un algorisme Boosted Decision Tree del tipus XGBoost2 per a les prediccions i Deep Learning per a l’aprenentatge.

L’objectiu és poder pronosticar la disponibilitat d’aparcament en les diferents zones de la ciutat per franges horàries. Creuant aquestes dades amb les transaccions en temps real de compra de tiquets, podrem donar una informació molt fiable sobre la densitat d’ocupació dels aparcaments regulats.

El prototipus desenvolupat fins el moment ens ha servit per validar que som capaços de predir fins a 48 hores vista amb una precisió molt alta (superant el 97% en la majoria de zones de la ciutat) la disponibilitat d’aparcament en les diferents zones d’àrea blava i verda de la ciutat.

Aquesta informació es facilitaria en temps real al ciutadà per diferents canals: panells d’informació en els carrers, pàgina web, aplicacions mòbils,… Gràcies a aquesta informació aconseguirem, en primer lloc, que el ciutadà disposi d’un element més de judici per decidir si agafa el cotxe o el transport públic abans de sortir de casa amb la previsió de si podrà aparcar fàcilment o no. I, en segon lloc, en el cas que agafi el cotxe, podrem dirigir-lo directament cap a la zona on és més probable que trobi aparcament evitant circulació innecessària per la ciutat amb el trànsit que això provoca.

A partir d’ara, encarem la darrera fase de desenvolupament en la qual es pretén la millora del prototip en els següents àmbits:

• anàlisi automàtica de la correctesa de les dades origen en temps real per tal de poder detectar quan hi ha alguna incidència en les dades i d’aquesta manera poder tenir-ho en compte en el càlcul de prediccions
• anàlisi de l’error en les prediccions en temps real per poder detectar desviacions en la tendència de l’error que requeriran d’un re-entrenament de les xarxes neuronals
• re-entrenament automàtic de les xarxes neuronals
• desenvolupament d’un “dashboard” o quadre de comandament per poder supervisar de manera clara i ràpida el funcionament dels principals paràmetres del sistema