מרכזי אורבן ברחבי העולם מתמודדים עם לחץ גובר לנהל משאבי חניה מוגבלים ביעילות.מודלים מסורתיים תמחור שטוח או זמן מבוסס יותר ויותר נמוך ככל שהדחיסות של הרכב עולה, אירועים מיוחדים משבשים דפוסים של הביקוש, ותסכולי הנהג עולים במהלך העשור האחרון, ערים מתקדמות ומפעילים פרטיים פנו לתמחור של נתונים מתקדמים: תמחור חניה של 0דינמית FLT:1 - אסטרטגיה שמתאים את ההטבות בזמן אמת על בסיס הביקוש והמפעילה של מערכת החינוך, אשר קיים, אשר משנה את החלטות למידה מודרנית, אשר מעורבים:

הבנת מחירי החניה הדינמיים

תמחור חניה דינמי, הידוע גם כמחירים מבוססי ביקוש או משתנים, קובע דמי חניה כי חלים על פי התנאים הנוכחיים ולא להישאר קבוע.המטרה הבסיסית היא לשמור על רמת דיקור אופטימלית - באופן זמני סביב 70-85% - שבו חללים זמינים עבור נהגים נכנסים תוך כדי למקסם את ההכנסות לחלל.כאשר הביקוש עולה, מחירים כדי לעודד מחזור; כאשר הביקוש, מחירים, ירידה, כדי למשוך משתמשים.

ערים כמו סן פרנסיסקו, לוס אנג'לס ולונדון פרסמו תמחור דינמי בפרויקטים של טייסים וביצועים בקנה מידה מלא.הגישה מפחיתה את הזמן שבילה circling עבור חניה (אשר מהווה עד 30% של תעבורה בחלק מהתחומים), חתכים פליטות ומשפרת את החוויה הכוללת של נהיגה.עם זאת, תכנון מערכת רציונאלית דורש יותר מאשר רק גורמים מבוססי כללים פשוטים.

תפקידה של Machine Learning במחיר דינמי

למידת מכונה (ML) עולה בחשיפת דפוסים במאגרי נתונים גדולים, רועשים וגורמים לתחזיות שמתאימות לאורך זמן. עבור תמחור חניה, מודלים ML מקיפים נתונים היסטוריים ומציאותיים ביותר לחיזוי הביקוש ברמות מרחביות וזמניות - כלפי בלוקים בודדים או אפילו חללים בודדים.מודל זה ממליץ או באופן אוטומטי קובע מחירים שמתאימים ליעד של דיקור אופטימלי.

בניגוד לתמחור סטטי או לוח זמנים פשוט של יום, מערכות מונעות מ-ML לומדות כל הזמן.כל נקודת נתונים חדשה מחדדת את המודל, ומאפשרת לו להגיב למגמות מתפתחות כגון פתיחת בניין משרדים חדש, שינוי תיירותי עונתי, או סגירת כביש ארוך טווח.זה הסתגלות הופך את ה-ML למנוע מאחורי תמחור דינמי באמת.

מקורות נתונים שמזינים מודלים של ML

יעילותו של כל מודל תמחור ML תלויה באיכות וברוחב של נתוני הקלט שלו.מקורות נתונים נפוצים כוללים:

  • (ב) מתוך חיישנים של חניה:0) מהנתונים של מחסנים בשטח או מעל פני השטח המספקים ספירות דיקור בזמן אמת.
  • (FLT:0) Transaction DataBuildFLT:1) מאפליקציות בתשלום-by-phone, מ"ר ומכסני חניה, לכידת הכנסות ומשך בפועל.
  • (FLT:0) מידע על זרימת חומרים:1 מחיישנים כביש, בדיקות GPS ומערכות ניהול התנועה העירוני.
  • (ב) ,0) , אפילו לוחות שנה של נדרומ"ל (FLT) 1:1 קונצרטים, משחקי ספורט, מוסכמות, ומפגשים גדולים אחרים.
  • (ב) תחזיות מזג האוויר ההיסטוריות (FLT) ורשומות מזג האוויר ההיסטוריות, שכן גשם או טמפרטורה קיצונית משפיעים על התנהגות החניה.
  • (ב) [13] ,0) ותבניות עונתיות ועונה 1, כולל הפסקות בית הספר וחגיגות מקומיות.
  • (FLT:0) אינדיקטורים ארגונומיים FLT:1 כגון שעות עסקיות מקומיות, צפיפות תעסוקה ופעילות צרכנים.

על ידי שילוב של קלטות מגוונות אלה, מודלים של ML יכולים ללכוד גם ספייקים לטווח קצר מחזורים לטווח ארוך.לדוגמה, מודל עשוי ללמוד כי הביקוש לחניה ליד אצטדיון עולה 200% במהלך משחקי הבית, אבל רק 50% במהלך המשחקים אם אזור של קבוצת צפייה קיים.

Machine Learning Algorithms משומש

כמה משפחות של אלגוריתמים הוכיחו יעילות לתמחור חניה דינמי:

  • (ב) ,0) ,Time seriesחיזוי חיזוי ההרחבה: 1 (למשל, ARIMA, נביא, LSTM רשתות) לחיזוי הביקוש לאורך שעות, ימים ושבועות.
  • (FLT:0) להגביר מכונות שיפור קיצוניות (XGBoost, LightGBM) ללכידת אינטראקציות בין תכונות קאוליטוריות כמו מיקום, סוג אירוע, דגלי חג.
  • (ה)הסברה:0) ניהול למידה של למידה (FLT:1) עבור מדיניות תמחור בסביבה שבה פעולות (שינויים במחיר) משפיעות על מצב עתידי (כיבוש).
  • (FLT:0) ניצול וגילוי אממטי של קונסולת:1) כדי לטבול אזורי חניה בקבוצות התנהגות דומות ודפוסי הביקוש יוצאי דופן.

מערכות ייצור משלבות לעיתים קרובות גישות מרובות.לדוגמה, צינור שני שלבים עשוי לדרוש תחזית ראשונה באמצעות LSTM, ולאחר מכן להאכיל את התחזיות לסוכן למידה חיזוק שמציב את המחיר כדי למקסם את התפוסה ואת ההכנסות של תפקוד תגמול.

מודל להחלטת מחירים

קביעת מודל ML לתמחור כוללת מספר שלבים. ראשית, המודל חייב להיות מאומן על נתונים היסטוריים, עם תוויות כגון "רווחה חוזרת" או "רמת דיקור" המשמש כדי לאמת את הדיוק שלה פעם לפרוס, המודל מקבל זרמי נתונים בזמן אמת ופלטים מחיר מומלץ. מפעילי יכולים לבחור ליישם את המחיר הזה באופן אוטומטי או להשתמש בו כהצעה לאישור אנושי.

בחירה עיצובית קריטית היא הפונקציה האובייקטיבית.מטרות נפוצות כוללות:

  • (ב) ,0) - רווחיות של ההרחבה (ה-מקסימים) 1:1, תוך שמירה על דיקור מתחת ל-100%.
  • (ב) ,0) ניצולי מקסימום (כיבוש) בכפוף לסף הכנסה מינימלי.
  • (ב) ,0) ,5 ,5 ,5 , 1 עבור נהגים - מדד אשר תואם עם ניידות נמוכה יותר.

רוב המימושים משתמשים במסגרת רב-אובייקטיבית, בהשגות, בתפוסה ובחוויית המשתמש לפי המדיניות המקומית.עבור יותר על האופן שבו מודלים של ML משולבים בתשתיות עיר חכמות, ראו FLT:0Directus forsmart Cities, FigFLT:1.

היתרונות של Machine Learning-Driven Dynamic price

אימוץ תמחור דינמי מבוסס ML מניב רווחים עצומים על פני ממדים מרובים.

שיפור התחזיות

שיטות מסורתיות (למשל, באמצעות מכפיל קבוע המבוסס על השעה) יש שיעורי שגיאה של 20-30% עבור תחזיות לטווח קצר של דיקור לטווח קצר.מודלים של ML יכולים להפחית את זה ל 5 עד 10%, המאפשר הרבה התאמות מחירים ספוגים יותר קנס יותר נמוך חיזוי נמוך פירושו פחות מקרים של overpricing (החל לחללים ריקים) או undercing (הופנה מהדף מעל פני זרימה ונהגים מתוסכלים).

התאמת מחירים בזמן אמת

עם ML, עדכוני מחירים יכולים לקרות כל כמה דקות ולא פעם אחת לשעה או ביום.סופת גשם פתאומית, ביטול אירוע של דקות אחרונות, או תאונה של תנועה ניתן לשלב במהירות לתוך קלט המודל, המאפשר אלגוריתם התמחור להגיב באופן מיידי.גיליות זו ממקסימה את ההכנסות ללכוד מביקוש והימנעות מרדיפה אחרי משתמשים במהלך הלולאים.

שיפור שביעות רצון המשתמש

נהגים שיכולים למצוא מקום חניה ללא זמן לחסוך זמן, דלק, לחץ. סקרים בערים עם תמחור דינמי להראות כי רוב המשתמשים מעדיפים את המערכת ברגע שהם מבינים את ההיגיון שלה, במיוחד כאשר המחירים נמוכים יותר מ-peak הם גם אפשריים. ממשקי Transud (למשל, יישומים ניידים המציגים מחירים ודיקור) לשפר את החוויה.

הגדלת הכנסות לאופרות

מחקרים מערים כמו תוכנית SFpark של סן פרנסיסקו מצביעים על עלייה בהכנסות של 5-15% תחת תמחור דינמי, גם בעת צמצום עומס הכולל.עבור מפעילי חניה פרטיים, תמחור מונע ML יכול להניב אפילו רווחים גדולים יותר על ידי שיעורי כוונון קנס עבור סוגים שונים של כלי רכב, משך ותוכניות נאמנות.

הקטנת קהילת התנועה וההפצה

צמצום התנועה לצמצום פליטות הפחמן וצריכת הדלק של CO2.A 2019 העריך כי 30% מהעומס במרכז העיר בארה"ב הוא תוצאה של נהגים המבקשים חניה.על ידי מתן נהגים לחללים הזמינים והעלאת מחירים המעודדים תחלופה מהירה, מערכות מבוססות ML יכולות להוריד באופן משמעותי את הנטל הזה. למד יותר על ההשפעה הסביבתית של FLT:0 משאבים של EPA על פליטות תחבורה 1FLT:1 LT:1 .

אתגרים ושיקולים

למרות הבטחתו, פריסת ML עבור תמחור דינמי אינה ללא מכשולים. ארגונים חייבים לתכנן בקפידה עבור נתונים, הגינות, וחוסן תפעולי.

איסוף נתונים ותשתיות

איכות גבוהה, כיסוי חיישן בזמן אמת נשאר יקר.ערים רבות יש רשתות חיישן חניה לא שלמות, להסתמך במקום על נתוני עסקה שעשוי להיות מעוכב או מוטה (למשל, רק לכידת חניה בתשלום, התעלמות מנקודות חינם או היתר) תוך הנפקת נתונים ממוכרים מרובים ומערכות מורשת דורשות API חזקים צינורות נתונים.

פרטיות ואבטחת נתונים

נתוני חניה רשומים יכולים לחשוף דפוסים של תנועה אישית.כדי להגן על פרטיות, מפעילי צריך לאנונימיות או לאסוף נתונים לפני האכלה לתוך מודלים. טכניקות פרטיות שונות ומדיניות ניהול נתונים קפדנית הם חיוניים, במיוחד כמו תקנות כגון GDPR חלות על נתוני הגיאוגרפיה. תקשורת ברורה עם משתמשים על מה הנתונים נאספים וכיצד הוא משמש.

שקיפות והוגנות

אם המחירים קופצים ללא תנאי, נהגים עלולים לתפוס את המערכת כבלתי הוגנת או ניצולית.

  • הוצאות מחיר ההוצאה (למשל, לא יותר מ-X דולר מעל שער הבסיס).
  • מתן אזהרות מחירים בזמן אמת באמצעות יישומים ניידים.
  • באמצעות מודלים של ML שניתן לפרש (למשל, ערכי SHAP) כדי להסביר מדוע שינוי מחיר.

כמה ערים גם קובעות מדיניות מחירים שוויונית המונעת תמחור של נהגים בעלי הכנסה נמוכה באזורים מסוימים במהלך נסיעות חיוניות (למשל, ליד בתי חולים או מכולת).

מודל Drift ותחזוקה

התנהגות החנייה משתנה לאורך זמן - התפתחויות חדשות, מגמות טלקום, צמיחה לשיתוף אופניים - ולכן מודלים חייבים להיות מאומנים באופן זמני. ניטור רציף עבור סחף, איכות נתונים וטעייה חיזוי יש צורך להימנע מהמלצות מסולפות.

יישום הטוב ביותר

עבור ערים ומפעילים בהתחשב בתמחור דינמי מונע ML, גישה בשלבה מפחיתה את הסיכון ונבנה בעל מניות קונה.

  1. (ב) ,0) ,Pilot a Small ZoneFLT:1 עם חיישנים איכותיים ומודל פשוט לחיזוי.השוואה בין תוצאות נגד אזור בקרה עם תמחור סטטי.
  2. (ב) ,0) שילוב של לולאות משוב מ-1, החל מהנהגים והעסקים המקומיים.
  3. (FLT:0) Invest בפלטפורמת נתונים 1 (FLT:1) שיכולה לאסוף נתונים heterogeneous (רגישים, אירועים, מזג אוויר) ולחשוף אותם נקיים לצנרת אימונים של ML.
  4. (ב) ,0) הסבירו את AIFLT 1 (הראשונה) כדי ליצור דוחות עבור קובעי מדיניות והציבור, תנודות מחירים מזעזעות.
  5. (FLT:0) עיצוב עבור דרוג יכולת קלאבלו 1:1 כך שניתן יהיה לגלגל מודלים מוצלחים של טייסים בכל העיר או האזור.

כדי לצלול עמוק לתוך בניית ארכיטקטורת נתונים עבור חניה חכמה, ראה מדריך של FLT:0 (המדריך של קונסולת מידע חכם)

תחזית עתיד

כמו דגמי למידת מכונה לגדול יותר מתוחכם, תמחור חניה דינמי יהיה אפילו יותר מנוקד ותגובה. כמה מגמות נמצאים באופק:

שילוב עם רכבים אוטונומיים

כלי רכב אוטונומיים (AV) יכולים להוריד נוסעים וחניון עצמי בשפע, לשנות את פרופיל הביקוש עבור חללים פנויים.מודלים של ML יצטרכו לחזות היכן AVs ימחקו, כאשר הם יוצגו מחדש, וכיצד תמחור יכול להגדיל את AVs לשימוש מחוץ ל-peak הרבה. מחקרים מוקדמים מצביעים על כך שתמחור דינמי יכול להפחית את מספר AVhead מת עד 20-30%.

שירותי מובילי-אס-א-שירות (MaaS) Ecosystems

תמחור חניה יהיה כנראה משולב בפלטפורמות רחבות יותר של מאסS כי מגרש חניה עם מעבר, רכיבה על אופניים, שיתוף אופניים, וצורות אחרות. ML מודלים המשלבים העדפות מצב-התנהגות יכול להציע עסקאות חניה מותאמות אישית כדי לעודד נסיעות בין-מותיות. לדוגמה, נהג עשוי לקבל שיעור חניה מוזל אם הם לוקחים רכבת לחלק מהמסע.

אופטימיזציה בזמן אמת מעבר למכוניות

ניתן ליישם את אותה טכניקות ML לשימושים אחרים: אזורי טעינה של משאיות משלוח, אזורי איסוף לרכב / drop-off, ותחנות טעינה לרכב חשמליות. תמחור דינמי יכול לנהל דרישות מתחרות - למשל, טעינה גבוהה יותר עבור משאיות משלוח בשעות שיא במסעדה תוך שמירה על מקומות עבור מכוניות נוסעים בזמנים אחרים.

צוק ושפל

עם רול של 5G ו- edge מחשוב, ML אי השוויון יכול לקרות ישירות על מונים חניה או יחידות צדי הכביש, המאפשר עדכוני מחירים תת-שניים אפילו באזורים עם קישוריות ענן לסירוגין.זה פותח את הדלת לתמחור גרנורי, בלוק-ידי בלוק-בלוק שמתאימים למחזורי אור ודחיסות הולכי רגל.

מחירי האקלים

כאשר ערים מציבות מטרות הפחתה אגרסיבית של פחמן, תמחור דינמי יכול לכלול נתוני פליטות בזמן אמת או מדדים באיכות האוויר. במהלך ימי הפחתת משקל גבוה, המערכת עשויה להעלות מחירים עבור כלי רכב בעלי הרשאות גבוהות או להוריד אותם עבור EVs ו היברידיות, לנגיש נהגים לקראת בחירות נקיות.

האבולוציה של למידת מכונה בתמחור החניה מראה שינוי רחב יותר לקראת ניהול עירוני מונע נתונים ערים להשקיע עכשיו תשתיות נתונים חזקות, אלגוריתמים שקופה, ומעורבות בעלי מניות כוללת יהיו ממוקמים טוב ביותר לקצור את היתרונות של מערכות חניה חכמות, הוגנים ויעילות יותר.

מסקנה

למידת מכונות אינה רק שיפור אופציונלי של תמחור חניה דינמי - זה מאפשר מפתח שעושה בזמן אמת, הסתגלות, ותמחור מדויק סביר בקנה מידה. על ידי צבירת זרמי נתונים מגוונים, חיזוי הביקוש עם דיוק גבוה, ולמידה מתמדת של תוצאות, מודלים ML מעצימה תוכניות עירוני ומפעילים כדי לאזן את מטרות המתחרים של הכנסות, נוחות, וקיימות סביבתית.

עבור ארגונים המבקשים ליישם מערכות כאלה, פלטפורמה גמישה נתונים שיכולה לאסוף, לנהל ולחשוף נתונים חניה היא בסיס. פתרונות CMS ללא ראש כמו FLT:0DirectusFLT:1 לספק את תשתית אחורית צינורות נתונים כוח, ממשקי משתמש ושילובי API חיוניים לניהול חניה מונע ML.