SMART PARK

HEPIA-inIT

© 2016

Les solutions de parking existantes

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.

SFPark

  • Demand-responsive pricing

  • Open Data and Source Code

  • PayByPhone

The City of Melbourne has installed in-ground parking bay sensors in most CBD parking bays. These sensors record when a vehicle arrives and when it departs(4600 sensors)

ParkMe

The largest and most accurate parking database in the world.

Over 84,000 locations in over 64 countries.

ParkMe

SmartGrains

  • 3000 capteurs ParkSense déployés en avril 2010
  • un afficheur dynamique indiquant les places libres dans chaque zone

Zenpark

Location d’un parking privé

Monkeyparking

 

Solution de Parking privé

  • Smart Parking Tags: Bluetooth patches for parking permits

  • Entry/Exit Monitoring:  Bluetooth scanner with 4G connectivity module

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.

Travail demandé

  • Prédiction de la disponibilité des zones de parking à chaque demande de stationnement par un automobiliste selon les variables qui peuvent agir sur le stationnement dans  la ville de Genève exemple : tranche horaire,type de la zone, les accidents,météo,nombres de touristes,les événements,...
  • Guidage dynamique et incrémental de l'utilisateur vers une place de stationnement libre

Big Data et l'apprentissage automatique

L’intérêt du Machine Learning est qu’une fois que la machine apprend à modéliser à partir des données de stationnement, il est possible de prédire le fonctionnement d’une rue sans horodateur ou même d’une ville entière.

  • Récupération des données à analyser
  • Sélection des caractéristiques
  • Choix du modèle
  • Entraînement du modèle
  • Évaluation du modèle

Les étapes d'apprentissage:

Les résultats des recherches

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.

 

Webographie

  • http://parknews.biz

  • http://www.hubparking.com
  • http://www.parking-net.com/
  • http://www.parkex.co.uk
  • http://www.parkingtoday.com
  • http://www.smartgrains.com
  • http://parkingexec.com/

PCA

Principal Component Analysis

  • Find a good representation : the features part
  • Reduce redundancy in the data : A side effect of “proper” features
  • “Simplify” the explanation of the input
  • Minimize relation of the two dimensions :Decorrelate
  •  
  • --> Decorrelates multivariate data,finds useful components, reduces dimensionality

Time series analysis

  • extract meaningful statistics and other characteristics of the data
  • Time series forecasting is the use of a model to predict future values based on previously observed values.

#####

  • Parking Forecasting
  • Prévision/Prédiction des places de parking
  • !!!! --> Modification dynamique du coût de stationnement en fonction du nombre de places disponibles par zones de stationnement
  • En Analyse des Données, on distingue la détermination de classes à partir de données (classification) et le rangement d'individus dans des classes déjà constituées (classement)

 

  • Faciliter la recherche d’une place de parking
  • Le temps passé à la recherche d’une place de stationnement contribue à engorger les rues, allonge les trajets et génère des émissions polluantes.
  • Réduire le temps consacré à la recherche d’une place de parc permettrait de diminuer ces nuisances tout en facilitant la vie des usagers.
  • C’est dans cet esprit que la Fondation des Parkings a supervisé un projet pilote lancé en janvier 2015. Dans ce cadre, 16 capteurs mis au point par l’entreprise genevoise IEM ont été installés à la Rue Ancienne à Carouge. Ces capteurs permettent d’informer les automobilistes en temps réel, via des panneaux de guidage dynamique, un navigateur GPS ou un smartphone. Grâce à ce système, les usagers peuvent localiser les places disponibles.
  • Les données récoltées permettent
  • également de mieux comprendre le stationnement
  • sur un site donné afin d’en optimiser
  • la gestion.
  • Les tests effectués durant l’année écoulée à
  • Carouge ont permis d’améliorer la technique
  • employée ainsi que de recueillir un grand
  • nombre d’informations relatives au stationnement
  • sur ce segment de rue. Sur la base de
  • cette première expérience, une analyse est en
  • cours pour évaluer la possibilité de développer
  • ces équipements à d’autres endroits.

Title Text

Made with Slides.com