Parkeon

• Parkeon : Application décisionnelle + Application mobile

• Leader mondial des solutions de stationnement. Présent dans 55 pays, Parkeon gère un parc de 200 000 horodateurs dont 100 000 sont connectés.
• Exploite une architecture Big Data :collecte l’ensemble des tickets de stationnement, les rapports d’activité de ces objets connectés et les alarmes de fonctionnement.
• L’application "Path to Park" vous indique l’itinéraire qui devrait vous garantir de passer devant une place de parking libre.
• Parkeon a fait le choix de la solution Exalead pour délivrer aux villes des tableaux de bord dynamiques.
• Les outils décisionnels classiques ont du mal, car faire des cubes OLAP implique d’agréger l’information.
• Les cubes ne permettent pas les gains de performance classiques. Il faut passer à autre chose et pour nous, cet autre chose, ça a été Exalead. (directeur technique de Parkeon)

• Parkeon exploite cette gigantesque base de données avec le moteur Exalead pour la maintenance prédictive des horodateurs.
• Plutôt que de s’appuyer sur des capteurs de présence installés sous chaque place de parking, l’application utilise les statistiques pour déterminer la probabilité d’occupation des places. Une approche 100% « Big Data » bien plus économique que d’avoir à équiper des milliers de places avec des capteurs.
• Pour alimenter ses modèles statistiques, Parkeon s’appuie bien évidement sur les tickets de stationnement qui constituent la matière première de ses calculs. Mais ces données sont enrichies d’autres informations très directement liées à la ville(Open Data).
• =>Application décisionnelle
• Les modèles statistiques de Parkeon doivent être capables d’intégrer cet écart entre places de stationnements « vendues » et places effectivement occupées.

BMW & INRIX On-Street Parking

Dynamic Parking Prediction research project

• Early warning of congestion
• Predict parking availability using movement data from vehicle fleets
• Search for vacant on-street parking, particularly in cities.
• With INRIX partner, a world-leading provider of transportation intelligence and connected car services

Le stationnement intelligent repose aujourd’hui sur

• Un capteur sur la place de stationnement permet de savoir si la place est libre ou non. Il peut s’agir d’un capteur à ultrasons, à infrarouges, ou d’un capteur qui permet de détecter la modification du champ magnétique à l’arrivée d’un véhicule sur la place. Il existe différents types de capteurs qui permettent ainsi une utilisation en intérieur (parkings couverts, etc.) ou en extérieur (parkings extérieurs, voirie, etc.). Ces capteurs sont optimisés énergétiquement afin d’atteindre une durée de vie de 10 ans aujourd’hui pour les plus performants.

• Un totem: Il s’agit d’une borne de collecte des données des capteurs à proximité (jusqu’à 100 capteurs) par ondes radio. Cette transmission peut se faire entre le totem et chaque capteur s’ils sont assez proches, sinon par transmission de proche en proche entre les capteurs jusqu’au totem (réseau de capteurs). Ce totem peut également contenir un afficheur précisant le nombre de places libres, ou être le relai IP vers le SI centralisé.

• Un SI centralisé qui collecte les informations remontées par l’ensemble des totems IP. Ces informations peuvent ensuite être transmises aux automobilistes via un site web ou une application mobile, ou être exploitées par des régies publicitaires ou des enseignes commerçantes à proximité.

Parking Occupancy Prediction and Pattern Analysis

Model Selection:

ARIMA (Autoregressive Integrated moving average)

Linear Regression

Support Vector Regression

Feed Forward Neural Network (90mn training )

Result :Neural Network gives us the best prediction among these models.

Error Reduction by Aggregation/cross-correlation coefficients

Error Table

The key element associate the geographical lots with the aggregated level of prediction error (cross-correlation coefficients)

Clustering

An aggregation of N parking lots (many spots)

In order to find out if prediction errors are independent, we try to explore the daily parking profiles for different regions.

More interesting aggregation phenomena is observed from the daily shape pattern analysis, including Dual Peak, Noon Peak, and Drop before Ramp up.

Profiling such groups will give huge benefits for predictions. It will help us to decompose the prediction error, and targeting different type of travelers.

Prediction of parking space availability in real time

Real-time availability forecast (RAF) algorithm

The three main subroutines of the RAF algorithm are:

• Allocate simulated parking requests: allocates several requests
• Estimate future departures
• Forecast parking availability

The RAF algorithm is validated using a simulation exercise and real case data

The RAF is using combined current (on-line) and historical information.

This algorithm requires a discrete choice model (DCM) !!!

Operates with mixed information (real and simulated)

This algorithm is fed over time with updated records of arrivals and departures at each parking alternative, in order to update parking availability forecast.