Modelos de predicción basados en la IA para la disponibilidad de aparcamiento urbano
Un estudio de caso en Valencia
DOI:
https://doi.org/10.62161/sauc.v11.5990Palabras clave:
Predicción de aparcamiento urbano, Ciudad Inteligente, Inteligencia Artificial, Aprendizaje automático, Redes neuronales recurrentesResumen
El acceso eficiente al aparcamiento es crucial para la movilidad urbana en las ciudades inteligentes. Este estudio presenta un sistema piloto de predicción de la ocupación de aparcamientos públicos en Valencia, España, utilizando datos de sensores municipales. Desarrollamos y comparamos arquitecturas de redes neuronales recurrentes (RNN, LSTM, GRU), logrando previsiones precisas con variaciones de rendimiento entre ubicaciones y horas. Los métodos aplicados con la IA permitieron interpretar los modelos y comprender la influencia de las variables. Los resultados indican que los modelos de referencia producen MAE bajos, mientras que la optimización bayesiana de hiperparámetros sólo ofrece ventajas marginales, lo que pone de relieve la viabilidad de los enfoques recurrentes sencillos para la predicción de aparcamientos urbanos.
Descargas
Estadísticas globales ℹ️
|
5
Visualizaciones
|
3
Descargas
|
|
8
Total
|
|
Citas
Awan, F. M., Saleem, Y., Minerva, R., & Crespi, N. (2020). A comparative analysis of machine/deep learning models for parking space availability prediction. Sensors, 20(1), 322. https://doi.org/10.3390/s20010322
Barraco, M., Bicocchi, N., Mamei, M., & Zambonelli, F. (2021). Forecasting parking lots availability: Analysis from a real-world deployment. IEEE International Conference on Pervasive Computing and Communications Workshops (pp. 299–304). IEEE. https://doi.org/10.1109/PERCOMWORKSHOPS51409.2021.9430942
Batty, M., Axhausen, K. W., Giannotti, F., Pozdnoukhov, A., Bazzani, A., Wachowicz, M., Ouzounis, G., & Portugali, Y. (2012). Smart cities of the future. The European Physical Journal Special Topics, 214(1), 481–518. https://doi.org/10.1140/epjst/e2012-01703-3
Calabrese, F., Colonna, M., Lovisolo, P., Parata, D., & Ratti, C. (2011). Real-time urban monitoring using cell phones: A case study in Rome. IEEE Transactions on Intelligent Transportation Systems, 12(1), 141–151. https://doi.org/10.1109/TITS.2010.2074196
Chen, G., Zhang, S., Weng, W., & Yang, W. (2023). Residual spatial-temporal graph convolutional neural network for on-street parking availability prediction. International Journal of Sensor Networks, 43(4), 246–257. https://doi.org/10.1504/IJSNET.2023.135840
Cho, K., van Merrienboer, B., Bahdanau, D., & Bengio, Y. (2014). On the properties of neural machine translation: Encoder–decoder approaches. Eighth Workshop on Syntax, Semantics and Structure in Statistical Translation (SSST-8) https://doi.org/10.48550/arXiv.1409.1259
Hasan, S. (2020, 26 de junio). Recurrent Neural Network and it’s variants. Medium. https://medium.com/@hasanshujaat4/recurrent-neural-network-and-its-variants-de75f9ee063
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Inam, S., Mahmood, A., Khatoon, S., Alshamari, M., & Nawaz, N. (2022). Multisource data integration and comparative analysis of machine learning models for on-street parking prediction. Sustainability, 14(12), 7317. https://doi.org/10.3390/su14127317
Junta de Andalucía & Telefónica. (2021, julio). Un sistema inteligente basado en Big Data permite conocer en tiempo real las plazas libres de aparcamiento en el PCT Cartuja. APTE / PCT Cartuja. https://www.apte.org/sistema-inteligente-basado-big-data-permite-conocer-tiempo-real-plazas-libres-aparcamiento-pct-cartu/
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. https://doi.org/10.48550/arXiv.1705.07874
Moreira-Matias, L., Gama, J., Ferreira, M., Mendes-Moreira, J., & Damas, L. (2013). Predicting taxi–passenger demand using streaming data. IEEE Transactions on Intelligent Transportation Systems, 14(3), 1393–1402. https://doi.org/10.1109/TITS.2013.2262376
Moreno, D. (2021). Predicting the use of car parks in the province of Barcelona [Tesis doctoral, Universitat Pompeu Fabra]. UPF Repository. http://hdl.handle.net/10230/49219
Pozo, R.F., González, A. B. R., Wilby, M. R., Vinagre Díaz, J. J., & Matesanz, M. V. (2022) Prediction of on-Street parking level of service based on random undersampling decision trees. IEEE Transactions on Intelligent Transportation Systems, 23(7), 8327-8336. https://doi.org/10.1109/TITS.2021.3077985
Sebatli, A., & Çavdur, F. (2023). Prediction of parking space availability using ARIMA and neural networks. Endüstri Mühendisliği Dergisi, 34(1), 86–108. https://doi.org/10.46465/endustrimuhendisligi.1241453
Shoup, D. C. (2005). The high cost of free parking. Planners Press, American Planning Association.
Transformative Mobility SUTP. (2024). Gestión de estacionamientos: Una contribución hacia la movilidad sostenible. GIZ / SUTP. https://transformative-mobility.org/wp-content/uploads/2024/01/GIZ_SUTP_SB2c_Parking-Management_ES-2.pdf
Vieta, G. L. (2024). Modelos predictivos para ocupación de estacionamiento [Trabajo Fin de Máster, Universidad de Sevilla]. idUS Repository. https://hdl.handle.net/11441/161136
Yang, S., Ma, W., Pi, X., & Qian, S. (2019). A deep learning approach to real-time parking occupancy prediction in transportation networks incorporating multiple spatio-temporal data sources. Transportation Research Part C: Emerging Technologies, 107, 248–265. https://doi.org/10.1016/j.trc.2019.08.010
Zhang, F., Shang, K., Yan, L., Nan, H., & Miao, Z. (2024). Prediction of parking space availability using improved MAT-LSTM network. ISPRS International Journal of Geo-Information, 13(5), 151. https://doi.org/10.3390/ijgi13050151
Zhao, X., & Zhang, M. (2024). Enhancing predictive models for on-street parking occupancy: Integrating adaptive GCN and GRU with household categories and POI factors. Mathematics, 12(18), 2823. https://doi.org/10.3390/math12182823
Zheng, Y., Capra, L., Wolfson, O., & Yang, H. (2014). Urban computing: Concepts, methodologies, and applications. ACM Transactions on Intelligent Systems and Technology, 5(3), 1–55. https://doi.org/10.1145/2629592
Zheng, Y., Rajasegarar, S., & Leckie, C. (2015). Parking availability prediction for sensor-enabled car parks in smart cities. In IEEE Tenth International Conference on Intelligent Sensors, Sensor Networks and Information Processing (ISSNIP) (pp. 1–6). IEEE.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y el derecho de edición
Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor.
- Los autores/as ceden a la revista el derecho de la primera publicación. La revista también posee los derechos de edición.
- Todos los contenidos publicados se regulan mediante una Licencia Atribución/Reconocimiento-SinDerivados 4.0 Internacional. Acceda a la versión informativa y texto legal de la licencia. En virtud de ello, se permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista. Si transforma el material, no podrá distribuir el trabajo modificado.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales), una vez publicado en la revista y citando a la misma ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
