Kostenbewusstes Modell prognostiziert Parkplatzverfügbarkeit mit Geodaten und ML

Mit dem stetig wachsenden urbanen Pendleraufkommen stehen Städte vor der Herausforderung, Parkplätze effizient zu verwalten. Besonders an Universitätsgeländen, wo Studierende in kurzer Zeit einen freien Stellplatz finden müssen, ist die Parkplatzverfügbarkeit ein kritisches Thema.

Um diesem Bedarf gerecht zu werden, wurde ein intelligentes Framework entwickelt, das verschiedene Datenquellen – Straßenkarten, Mobilitätsdaten und meteorologische Informationen – mittels räumlicher Join-Operation kombiniert. Das System erfasst das Parkverhalten und Fahrzeugbewegungen über drei aufeinanderfolgende Tage, jeweils stündlich von 7 Uhr bis 15 Uhr, ohne dass zusätzliche Sensoren in der Straße oder auf dem Parkplatz installiert werden müssen. Stattdessen werden die benötigten Daten über Standortdienste gesammelt. Auf Basis der erwarteten Ankunftszeit und des Einfahrtszeitpunkts wird ein geeigneter Parkplatzbereich bestimmt.

Zur Vorhersage der Parkplatzverfügbarkeit wurden vier Regressionsmodelle getestet: Lineare Regression, Support Vector Regression (SVR), Random Forest Regression (RFR) und Long Short‑Term Memory (LSTM). Durch Grid‑Search wurden die Hyperparameter optimiert und die Modelle anhand von RMSE, MAE und dem Bestimmtheitsmaß R² bewertet. Random Forest erzielte dabei die niedrigste Fehlerquote mit einem RMSE von 0,142 und das höchste R² von 0,582. Angesichts der zeitlichen Abhängigkeiten könnte das LSTM‑Modell jedoch noch bessere Ergebnisse liefern.