ЗАСТОСУВАННЯ МОДЕЛЕЙ ПРОСТОРОВОГО АНАЛІЗУ ДЛЯ ПРОГНОЗУВАННЯ ПЕРЕРОЗПОДІЛУ ПОПИТУ НА ПАРКУВАННЯ - Scientific conference
Main page
UA PL EN

Congratulation from Internet Conference!

Hello

Рік заснування видання - 2011

ЗАСТОСУВАННЯ МОДЕЛЕЙ ПРОСТОРОВОГО АНАЛІЗУ ДЛЯ ПРОГНОЗУВАННЯ ПЕРЕРОЗПОДІЛУ ПОПИТУ НА ПАРКУВАННЯ

12.11.2025 22:43

[1. Information systems and technologies]

Author: Копиця Вадим Олександрович, аспірант, Вінницький національний технічний університет, м. Вінниця


Вступ

У сучасних містах проблема дефіциту паркувальних місць і неефективного розподілу попиту на паркування стає все більш актуальною. Неправильне планування паркування може спричинити затори, підвищені викиди та незручності для водіїв. При збільшенні попиту на мобільність у густонаселених районах виникає потреба в прогнозуванні того, як зміниться просторовий розподіл попиту на паркування під впливом різних факторів – запровадження нових політик (наприклад, підвищення тарифів), зміни в інфраструктурі чи розвитку громадського транспорту. Практика показує, що попит на паркування в певній зоні залежить не лише від її власних характеристик, але й від прилеглих територій: водії часто паркуються за межами кінцевої точки призначення через брак місць чи високі тарифи у цільовій зоні. Таким чином, при плануванні необхідно враховувати просторові взаємозв’язки між районами. Для розуміння і прогнозування таких процесів застосовують моделі просторового аналізу, які дозволяють виявити скупчення та закономірності в розподілі попиту на території міста.

Метою даної роботи є огляд сучасних методів просторового аналізу, що застосовуються для прогнозування перерозподілу попиту на паркування, а також концептуальних підходів до моделювання змін цього попиту у міському середовищі. У роботі розглядаються методи на кшталт індексу Морана, статистики Getis–Ord $Gi^*$, Kernel Density Estimation (KDE) та просторово-часового кластерного аналізу. Окремо увагу приділено методології аналізу: типам вхідних даних (точкові дані про паркування, векторні шари геоданих, відкриті дані такі як OpenStreetMap, GPS-треки транспортних засобів), а також обмеженням і перевагам зазначених моделей. На прикладі міст з відкритими просторовими даними (Варшава, Барселона, Амстердам тощо) продемонстровано потенціал застосування цих підходів для підтримки прийняття рішень у міському плануванні паркування.

Огляд літератури

Просторова автокореляція є ключовим поняттям у моделюванні паркувального попиту, оскільки дозволяє визначити, наскільки попит у певному районі пов’язаний із попитом на суміжних територіях. Найбільш поширеним показником просторової автокореляції є індекс Морана, що дає змогу оцінити, чи згруповані значення досліджуваного параметра у просторі, чи розкидані випадково [1, с. 1375]. Позитивне значення індексу (за умови статистичної значущості) вказує на просторове згрупування: високі значення тяжіють до високих, низькі — до низьких. Водночас, від’ємне значення свідчить про чергування протилежних значень між сусідніми зонами, що трактується як просторова дисперсність [1, с. 1377–1378]. Це дозволяє виявити, чи має місто зони з підвищеним попитом на паркування, чи ж цей попит розподілений рівномірно. Як правило, перед подальшим моделюванням індекс Морана використовують для виявлення базової структури просторової залежності [1, с. 1379]. Для більш точкової діагностики гарячих або холодних зон попиту на паркування застосовують локальні показники автокореляції. Зокрема, статистика Getis–Ord $Gi^$ дозволяє встановити, наскільки значення певного району контрастують із середнім у його безпосередньому оточенні [2, с. 3]. Високе позитивне значення $Gi^$ означає, що даний об’єкт є частиною гарячого кластера (hotspot), тобто оточений іншими об’єктами з високими значеннями попиту, тоді як низьке — навпаки, вказує на холодну зону [2, с. 4]. Важливо, що метод враховує не лише значення конкретного об’єкта, але й ситуацію довкола нього, тому його відносять до інструментів другого порядку, подібно до глобального індексу Морана [2, с. 5]. Для порівняння, ядрова оцінка щільності — KDE — є методом першого порядку, оскільки враховує лише інтенсивність подій у конкретному місці без взаємозв’язку з сусідніми значеннями.

Метод KDE (Kernel Density Estimation) є зручним інструментом для візуалізації просторового розподілу попиту. На основі точкових даних, наприклад, фіксацій GPS або транзакцій на паркоматах, він формує теплокарти, які наочно демонструють райони з найбільшою щільністю подій [3, с. 1290]. Суттєвою перевагою KDE є те, що він не вимагає зонування території міста і надає гнучке згладження розподілу. Водночас, цей метод не забезпечує статистичної перевірки значущості виявлених зон, тому для глибшого аналізу його зазвичай поєднують з індексом Морана або $Gi^*$ [3, с. 1292]. Ще одним важливим підходом у дослідженні динаміки попиту є просторово-часовий кластерний аналіз. Наприклад, методика Emerging Hot Spot Analysis, реалізована в сучасних ГІС-системах, дозволяє виявляти зони, де попит зростає, стабілізується або зменшується в часі [4, с. 2]. Цей підхід особливо корисний при аналізі динаміки в годинах пік, на вихідних або в періоди реконструкції транспортної інфраструктури. Практичне застосування просторово-часового аналізу для виявлення стабільних і наростаючих порушень правил паркування, наприклад, у Вашингтоні, продемонструвало його ефективність для обґрунтування змін у муніципальній політиці [4, с. 4].

Крім згаданих методів, у літературі активно обговорюються алгоритми кластеризації без чіткої просторової прив’язки. Наприклад, кластеризація $k$-means або ієрархічні методи використовуються для групування вулиць чи паркінгів за профілем попиту [2, с. 5]. Ще більшу гнучкість дають моделі просторової регресії. Географічно зважена регресія (GWR) дозволяє враховувати змінність впливу факторів (населення, щільність забудови, тариф) у різних районах міста [5, с. 77]. Натомість моделі з просторовим лагом вводять залежність від значень у сусідніх зонах безпосередньо у структуру регресійного рівняння. Це особливо корисно в умовах spillover-ефекту, коли перевантаження одного району призводить до «перетікання» попиту в суміжні квартали [3, с. 1295].

Методологія

Прогнозування змін у розподілі паркувального попиту базується на поєднанні аналізу історичних даних і сценарного моделювання. Процес зазвичай включає збір даних, виявлення закономірностей (наприклад, гарячих точок), побудову моделей із просторовими залежностями та моделювання сценаріїв на кшталт введення платного паркування або відкриття нового паркінгу [1, с. 1376; 3, с. 1293]. Використовують статистичні моделі (зокрема просторові регресії), імітаційні підходи (агентно-орієнтовані моделі) та алгоритми машинного навчання, як-от дерева рішень і нейронні мережі [5, с. 78]. Визначальними факторами виступають щільність населення, наявність транспорту, тип забудови, тарифна політика тощо. Просторовий контекст критичний: близькість до альтернативних паркомісць формує конфігурацію потоків між зонами [3, с. 1295]. Для моделей потрібні різнорідні дані. Найважливіші — це точкові GPS-дані, сенсорні фіксації та транзакції, які дозволяють будувати теплокарти та оцінювати час пошуку місця. Зокрема, GeoTab-дані у США використовувались для моделювання круїзингу з роздільністю 150×150 м [3, с. 1291]. Векторні шари — зони платного паркування, мережа вулиць, POI — забезпечують структуру для побудови регресій та кластеризацій [2, с. 5; 3, с. 1290]. OpenStreetMap є цінним джерелом просторових ознак (наприклад, відстані до центру), які були використані в моделі XGBoost із точністю R² ~0.89 [4, с. 2–3]. Дані мобільності — з логів навігаційних додатків чи трекерів — допомагають виявляти патерни поведінки та сезонні зміни [3, с. 1291; 5, с. 81].

Прикладом ефективного застосування є Варшава, де відкриті дані про тарифи, заповненість і географію паркування поєднуються в аналітичних системах. Це дозволяє будувати прогнозні моделі (на основі $Gi^*$, регресій з просторовими лагами, KDE) і передбачати ефекти змін — наприклад, підвищення тарифів або перепланування вуличної мережі [2, с. 6].

Обговорення

Просторові методи аналізу дозволяють краще зрозуміти закономірності формування попиту на паркування, особливо завдяки врахуванню автокореляції між сусідніми зонами. Їх ігнорування призводить до спотворення результатів: наприклад, моделі без просторових лагів можуть хибно інтерпретувати вплив факторів [3, с. 1295]. Додатковою перевагою є візуалізація у вигляді карт попиту, яка наочно вказує на «гарячі зони» [4, с. 4]. Просторово-часові методи дають змогу простежити динаміку перевантажень. Значний потенціал забезпечують відкриті міські дані (API Варшави, Барселони), що підтримують створення адаптивних систем керування [5, с. 82]. Проте ці підходи мають обмеження. Якість даних критично важлива: OSM не гарантує повноти, GPS-треки можуть бути неточними, а сенсори фіксують лише офіційні місця [4, с. 2]. Чутливість моделей до параметрів (радіуси, ядра, часові інтервали) вимагає ретельної валідації. Статистичні методи кластеризації потребують корекції на множинність [2, с. 6], а прогнозні моделі повинні враховувати поведінкову реакцію водіїв, яка часто неочевидна [5, с. 83]. Найефективнішою виявляється комбінація методів: якщо результати KDE, $Gi^*$ і GWR узгоджуються, це підвищує надійність висновків [2, с. 5]. Застосування XGBoost із ознаками OSM, доповнене кластеризацією паркінгів, показує, що гнучка аналітика здатна охоплювати складні патерни [4, с. 3; 6, с. 14]. Національні дослідження також підтверджують актуальність цієї парадигми. Зокрема, у [7] обґрунтовано потребу впровадження цифрових інструментів в управління паркуванням, а в [8] — окреслено шляхи інтеграції просторових моделей у транспортну політику міст.

Нарешті, практична користь очевидна: результати аналізу можуть визначати зони для зміни тарифів, впровадження обмежень або розміщення нових паркінгів. У межах концепції «розумного міста» такі рішення можуть реалізовуватись динамічно, зменшуючи навантаження на вуличну мережу й покращуючи ефективність пересування [6, с. 15–16].

Висновки

У цій роботі проаналізовано основні підходи до просторового аналізу, які можуть бути використані для прогнозування перерозподілу паркувального попиту в умовах змін міської інфраструктури. Розгляд таких інструментів, як глобальний індекс Морана і локальна статистика Getis–Ord $Gi^*$, підтвердив їхню здатність виявляти як загальні просторові залежності, так і локальні осередки аномального попиту [1, с. 1375; 2, с. 4]. Візуалізаційні методи на кшталт KDE доповнюють їх, дозволяючи формувати інтуїтивно зрозумілі теплокарти зосередження попиту [3, с. 1290]. Просторово-часовий аналіз, у свою чергу, додає можливість відстежувати динаміку змін у попиті на паркування — як у короткостроковій, так і в середньостроковій перспективі [4, с. 2–4]. Концептуально підхід до прогнозування ґрунтується на поєднанні описаних аналітичних інструментів з моделями, що враховують просторові фактори: як структурні (щільність забудови, розташування комерційних центрів), так і поведінкові (маршрути пошуку, реакція на тарифи). Найбільш повноцінні результати досягаються тоді, коли такі моделі базуються на комплексному наборі вхідних даних — зокрема, точкових фіксаціях (GPS, транзакції), геопросторових шарах (районування, мережа вулиць) та відкритих джерелах на кшталт OpenStreetMap [4, с. 3; 5, с. 78].

Практичне застосування описаних підходів у містах, де існує доступ до актуальних відкритих даних (Варшава, Барселона, Амстердам), засвідчує їхню високу ефективність для прийняття рішень у сфері паркувального управління. Наприклад, ці інструменти дозволяють заздалегідь передбачити, в які райони зміститься надлишковий попит після підвищення тарифів або закриття ділянки дороги. Крім того, системи такого типу можуть виявити райони з прихованим зростанням навантаження, що потребують превентивного втручання [5, с. 82–83].

Хоча жодна модель не є досконалою — її точність залежить від якості даних і припущень — проте поєднання кількох підходів значно підвищує надійність результатів. Зі зростанням доступності телеметричних і відкритих просторових даних, а також з розвитком IoT та алгоритмів машинного навчання, відкриваються нові горизонти для впровадження адаптивного, передбачуваного та сталого управління міським паркувальним простором [6, с. 14–16].

Література

1. Hosseini, N., & Khoshgard, A. (2018). An innovative method for estimating the spatial distribution of parking demand in different areas. Civil Engineering Journal, 4(6), 1374–1382. DOI: 10.28991/cej-0309179.

2. Alkhatni, F., Ishak, S. Z., Hashim, W. B., Borhan, M. N., & Zahran, E. M. M. (2023). Spatial analysis of the contribution of parking service facilities to traffic crashes along limited-access roadways. The Open Transportation Journal, 17. DOI: 10.2174/18744478-v17-e230109-2022-35.

3. Xiao, R. I., & Jaller, M. (2025). Prediction framework for parking search cruising time and emissions in dense urban areas. Transportation, 52, 1289–1317. DOI: 10.1007/s11116-023-10455-4.

4. Janik, J., Sierpiński, G., & Staniek, M. (2022). Parking demand analysis in the context of Smart City strategies using OpenStreetMap data. Preprints. DOI: 10.20944/preprints202211.0144.v1.

5. Wang, J., & Xu, C. (2021). Modeling spatial spillover effects of parking behavior with GPS-based trajectory data. Journal of Intelligent Transportation Systems, 25(1), 75–88. DOI: 10.1080/15472450.2020.1827995.

6. Wang, Y., Li, L., & Lin, T. (2023). Integrating GIS and machine learning to optimize parking facility usage: A case study of Amsterdam. Sustainability, 15(4), 1444. DOI: 10.3390/su15041444.

7. Копиця В. О. Модуль інтеграції паркувальних хабів з системою прогнозування завантаженості паркомісць // Інформаційні технології та комп’ютерна інженерія : електрон. наук. журн. – 2025. – Т. 22, № 1. – Режим доступу: https://itce.vn.ua/en/journals/t-22-1-2025/modul-integratsiyi-parkuvalnikh-khabiv-z-sistemoyu-prognozuvannya-zavantazhenosti-parkomists

8. Квєтний Р. М., Копиця В. В. Аналіз підходів до вдосконалення технології управління паркуванням у містах // Оптико-електронні інформаційно-енергетичні технології : електрон. наук. журн. – 2025. – № 1. – Режим доступу: https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/780

___________________________

Науковий керівник: Квєтний Роман Наумович, кандидат технічних наук, професор, Вінницький національний технічний університет, м. Вінниця



Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Another articles in this section

Сonferences

Conference 2025

Conference 2024

Conference 2023

Conference 2022

Conference 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення