Просмотр новости
Найдите то, что Вас интересует
Спутники
РН
SpaceX
Роскосмос
NASA
Ученые ПНИПУ создали цифрового двойника парковки, который предсказывает ее заполняемость по интенсивности транспортного потока на дороге
Дата публикации: 09-07-2026 06:04:00
Парковки в городах России сегодня проектируются по усредненным нормативам, без учета реальной динамики и связи...
Основное содержимое страницы с новостью.
09 Июля 2026 09:04 09 Июл 2026 09:04 |
Ученые ПНИПУ создали цифрового двойника парковки, который предсказывает ее заполняемость по интенсивности транспортного потока на дороге
Парковки в городах России сегодня проектируются по усредненным нормативам, без учета реальной динамики и связи с окружающим городским пространством. В расчет берут общее количество квартир в районе, среднее число посетителей, площадь объекта, но не анализируют, как именно меняется автомобильный поток в зависимости от сезонности или дней недели. Водители тратят время и топливо впустую, а дороги — снижают пропускную способность из-за машин, бесконечно кружащих в поисках места. Так в среднем на поиск парковочного места водитель может тратить до 20 минут, а это больше 120 часов в год.
Ученые ПНИПУ решили пойти другим путем. Они взяли обычную парковку на 35 мест, расположенную у торгового центра, офисов и жилого комплекса, и в течение одной недели весной, летом, осенью и зимой вели круглосуточное видеонаблюдение. Камеры фиксировали каждый въезд и выезд, каждую минуту простоя, каждое изменение на прилегающей дороге. Об этом CNews сообщили представители ПНИПУ.
В итоге собрали массив данных: от количества парковочных сессий до точных интервалов времени между появлением машин как на дороге, так и на парковочной территории.
Результаты оказались предсказуемыми, но от этого не менее важными. В будние дни количество парковочных сессий достигает 150, в нерабочие падает до 29. Средняя продолжительность парковки варьируется от 70 минут до почти 3,5 часов. Интервалы между заездами составляют от 6,7 минуты в пиковые дни до 29 минут в нерабочие. Эти цифры подтверждают очевидное: парковка живет по своим законам, зависящим от дня недели и времени суток. Хотя это и кажется очевидным, до сих пор никто не пытался связать эти закономерности в единую математическую модель и уж тем более — привязать их к тому, что происходит на дороге. Ученые ПНИПУ сделали это впервые. Они доказали, что интенсивность заездов и выездов с парковки — не хаотичное броуновское движение, а прямая зависимость от интенсивности потока на прилежащей дороге. И эта связь статистически обоснована и предсказуема.
Исследователи опровергли классическую гипотезу, которую десятилетиями использовали в транспортном моделировании. Считалось, что интервалы между появлением машин на парковке распределены хаотично. Но данные показали: водители приезжают волнами — перед открытием магазинов, в обед, после рабочего дня. Их поведение отражает реальные социальные ритмы, и это нужно учитывать при любом прогнозе.
На основе собранных данных и доказанных закономерностей ученые построили компьютерную имитационную модель. Она использует в качестве входных данных информацию о типичной интенсивности транспортного потока на прилегающей дороге для конкретного сезона и дня недели — эти показатели можно получить с любых дорожных камер в рамках предварительной калибровки. На выходе модель дает прогноз загрузки парковки для любого часа в течение суток: сколько машин будет въезжать и выезжать, когда наступит пик и как изменится ситуация в зависимости от дня недели. И главное — модель работает: когда ее прогнозы сравнили с реальными данными наблюдений, расхождение оказалось минимальным. Ошибка составляет буквально считанные машины, а не десятки мест.
Это позволяет проектировщикам, государственным и муниципальным учреждениям еще на этапе планирования получать точные цифры для обоснования количества машиномест, тарифов и режима работы парковки. Точный расчет позволяет не закладывать лишние площади, что экономит миллионы рублей на строительстве, сохраняет городскую землю, а освободившееся пространство можно использовать под зеленые зоны, пешеходные маршруты или другие общественные нужды, и одновременно избегать дефицита мест, напрямую влияющего на удобство водителей.
ИИ-трансформация BPM-систем: что происходит в 2026 году цифровизация
Для настройки модели под конкретную парковку требуется провести серию замеров: в течение одной недели весной, летом, осенью и зимой синхронно фиксировать интенсивность потока на прилегающей дороге и количество въезжающих и выезжающих машин, разделяя данные на рабочие и нерабочие дни каждого сезона. Полученная информация обрабатывается по методике авторов. После такой калибровки модель может работать в прогнозном режиме, используя в качестве входных данных информацию о трафике на прилегающей дороге за аналогичный период времени (соответствующий сезон и день недели).
«Мы не просто констатировали очевидную связь между пробками и парковкой, а впервые математически доказали эту зависимость и превратили ее в работающий прогнозный инструмент, который учитывает сезонность работы парковочной территории», – сказал Михаил Бояршинов, доктор технических наук, профессор, заведующий кафедрой «Автомобили и технологические машины».
В России подобных инструментов, которые бы так точно прогнозировали загрузку парковок по данным о трафике, на сегодня нет. При этом решение не требует дорогостоящего оборудования — достаточно иметь камеру, фиксирующую поток на прилегающей дороге, и после замеров и расчетов модель может использоваться для прогнозирования. Методика универсальна: ее можно адаптировать для любой парковки — от придомовой до многоуровневого паркинга. Это делает технологию доступной не только для городов, но и для малых населенных пунктов.
Потенциальными заказчиками разработки могут стать государственные и муниципальные учреждения, обладающие полномочиями в сфере организации дорожного движения и развития парковочного пространства. Использование имитационной модели позволит им прогнозировать эффективность затрат на создание, обслуживание и эксплуатацию парковочной инфраструктуры, а водителям быстрее находить места для парковки.
Схожие новости
Классификация: Наука. Схожих патентов: 0. Схожих новостей: 10. Тональность: 5. Информативность: 7. Источник: cnews.ru.