Acontece todos os dias — um motorista atravessando a cidade verifica um aplicativo de navegação para ver quanto tempo a viagem levará, mas eles não encontram vagas de estacionamento disponíveis ao chegar ao seu destino. Quando finalmente estacionam e caminham até o destino, chegam significativamente mais tarde do que esperavam.
A maioria dos sistemas de navegação populares envia os motoristas para um local sem considerar o tempo extra que pode ser necessário para encontrar estacionamento. Isso causa mais do que apenas uma dor de cabeça para os motoristas. Pode piorar o congestionamento e aumentar as emissões, fazendo com que os motoristas circulem procurando uma vaga de estacionamento. Essa subestimação também pode desencorajar as pessoas a usarem o transporte público porque não percebem que pode ser mais rápido do que dirigir e estacionar.
Pesquisadores do MIT abordaram esse problema desenvolvendo um sistema que pode ser usado para identificar estacionamentos que oferecem o melhor equilíbrio entre proximidade ao local desejado e probabilidade de disponibilidade de estacionamento. Seu método adaptável direciona os usuários para a área de estacionamento ideal, em vez de seu destino.
Em testes simulados com dados de tráfego reais de Seattle, esta técnica alcançou uma economia de tempo de até 66% nos ambientes mais congestionados. Para um motorista, isso reduziria o tempo de viagem em cerca de 35 minutos, em comparação com esperar por uma vaga na área de estacionamento mais próxima.
Embora ainda não tenham projetado um sistema pronto para o mundo real, suas demonstrações mostram a viabilidade dessa abordagem e indicam como ela poderia ser implementada.
“Essa frustração é real e sentida por muitas pessoas, e a questão maior aqui é que a subestimação sistemática desses tempos de viagem impede que as pessoas façam escolhas informadas. Isso torna muito mais difícil para as pessoas fazerem a transição para o transporte público, bicicletas ou formas alternativas de transporte”, diz o estudante de pós-graduação do MIT Cameron Hickert, autor principal de um artigo que descreve o trabalho.
Hickert é acompanhado no artigo por Sirui Li PhD ’25; Zhengbing He, um cientista pesquisador no Laboratório de Sistemas de Informação e Decisão (LIDS); e a autora sênior Cathy Wu, a Professora Associada de Desenvolvimento de Carreira da Turma de 1954 em Engenharia Civil e Ambiental (CEE) e no Instituto de Dados, Sistemas e Sociedade (IDSS) do MIT, e membro do LIDS. A pesquisa aparece hoje em Transactions on Intelligent Trans
Fonte: MIT News AI
Publicado em 2026-02-19