Отримано 28.12.2024, Доопрацьовано 10.03.2025, Прийнято 24.04.2025

Модуль інтеграції паркувальних хабів з системою прогнозування завантаженості паркомісць

Вадим Копиця, Роман Квєтний

Зростання кількості автотранспортних засобів у містах створює складні виклики для систем управління паркуванням, які потребують ефективних інструментів прогнозування завантаженості паркомісць. Метою даного дослідження є розробка та впровадження інтегрованого модуля прогнозування завантаженості паркомісць у реальному часі. Для досягнення цієї мети застосовано гібридний підхід до оброблення даних, що поєднує методи машинного навчання з аналізом часових рядів і просторової динаміки, а також інтеграцію з сучасними програмними технологіями. Результати експериментальної апробації показали підвищення точності прогнозів завантаженості паркомісць на 20–25 % порівняно з традиційними методами, що істотно сприяло оперативному реагуванню на динамічні зміни у міському середовищі. Завдяки автоматизації збору, очищення та агрегування даних у реальному часі затримки оновлення інформації скоротилися на 10–12 %, забезпечуючи більш актуальні та надійні аналітичні основи для управлінських рішень. Водночас підвищена точність прогнозів та оперативність доступу до оновлених даних сприяли збільшенню ефективності використання паркомісць на 15–20 %, оптимізуючи розподіл транспортних потоків та зменшуючи затори. Реалізація передбачала використання Java і Spring Boot 3 для бекенд-логіки, AWS S3 для хмарного зберігання даних, PostgreSQL як основної бази даних, а також алгоритмів на Python із застосуванням NumPy, Pandas і python-dateutil для машинного навчання. Візуалізація статистики, трендів та прогнозів здійснена за допомогою React, що дало змогу користувачам отримувати інтерактивний доступ до результатів і приймати зважені рішення. Крім цього, модуль легко масштабується, адаптується до різних типів інфраструктури та може бути успішно інтегрований у наявні системи управління паркуванням. Практична цінність розробки полягає у підвищенні якості міського життя завдяки скороченню заторів, зменшенню екологічного навантаження та раціоналізації використання міської транспортної інфраструктури

інтелектуальне управління паркуванням; машинне навчання в прогнозуванні; інтеграція паркувальних систем; аналіз часових рядів; прогнозування транспортного завантаження; просторові дані у паркуванні; оптимізація міської інфраструктури
93-102
Kopytsia, V., & Kvyetnyy, R. (2025). Module for integrating parking hubs with the parking lot occupancy forecasting system. Information Technologies and Computer Engineering, 22(1), 93-102. https://doi.org/10.63341/vitce/1.2025.93

Використані джерела

[1] Abdulkader, O., Bamhdi, A. M., Thayananthan, V., Jambi, K. J., & Alrasheedi, M. (2018). A novel and secure smart parking management system (SPMS) based on integration of WSN, RFID, and IoT. In 2018 15th learning and technology conference (L&T) (pp. 102-106). Jeddah: IEEE. doi: 10.1109/LT.2018.8368500.

[2] Barraco, M., Bicocchi, N., Mamei, M., & Zambonelli, F. (2021). Forecasting parking lots availability: Analysis from a realworld deployment. In 2021 IEEE international conference on pervasive computing and communications workshops and other affiliated events (PerCom Workshops) (pp. 299-304). Kassel: IEEE. doi: 10.1109/PerComWorkshops51409.2021.9430942.

[3] Elsonbaty, A.A., & Shams, M. (2020). The smart parking management system. International Journal of Computer Science & Information Technology (IJCSIT), 12(4), 55-66. doi: 10.5121/ijcsit.2020.12405.

[4] Fan, J., Hu, Q., & Tang, Z. (2018). Predicting vacant parking space availability: A support vector regression method with fruit fly optimisation. IET Intelligent Transport Systems, 12(10), 1414-1420. doi: 10.1049/iet-its.2018.5031.

[5] Feng, Y., Hu, Q., & Tang, Z. (2022). Predicting vacant parking space availability zone-wisely: A graph-based spatiotemporal prediction approach. ArXiv. doi: 10.48550/arXiv.2205.02113.

[6] Gonzalez-Vidal, A., Terroso-Sáenz, F., & Skarmeta, A. (2022). Parking availability prediction with coarse-grained human mobility data. Computers, Materials & Continua, 71(3), 4355-4356. doi: 10.32604/cmc.2022.021492.

[7] Huang, Y., Dong, Y., Tang, Y., & Li, L. (2024). Leverage multi-source traffic demand data fusion with transformer model for urban parking prediction. ArXiv. doi: 10.48550/arXiv.2405.01055.

[8] Kasera, R.K., & Acharjee, T. (2022). Parking slot occupancy prediction using LSTM. Innovations in Systems and Software Engineering. doi: 10.1007/s11334-022-00481-3.

[9] Kreshchenko, T., & Yushchenko, Y. (2023). Parking spot occupancy classification using deep learning. NRPCOMP, 5, 72-78. doi: 10.18523/2617-3808.2022.5.72-78.

[10] Li, J., Qu, H., & You, L. (2023). An integrated approach for the near real-time parking occupancy prediction. IEEE Transactions on Intelligent Transportation Systems, 24(4), 3769-3778. doi: 10.1109/TITS.2022.3230199.

[11] Nakamura, K., Manzoni, P., Zennaro, M., Cano, J.-C., Calafate, C. T., & Cecilia, J.M. (2020). FUDGE: A frugal edge node for advanced IoT solutions in contexts with limited resources. In Proceedings of the 1st workshop on experiences with the design and implementation of frugal smart objects (pp. 30-35). New York: ACM. doi: 10.1145/3410670.3410857.

[12] Qu, H., Liu, S., Guo, Z., You, L., & Li, J. (2022). Improving parking occupancy prediction in poor data conditions through customization and learning to learn. In G. Memmi, G. Yang, B. Kong, L. Zhang, T. Qiu & M. Qiu (Eds.), Knowledge science, engineering and management. KSEM 2022. Lecture notes in computer science (Vol. 13368, pp. 175189). Cham: Springer. doi:10.1007/978-3-031-10983-6_13.

[13] Schneble, M., & Kauermann, G. (2021). Statistical modeling of on-street parking lot occupancy in smart cities. ArXiv. doi: 10.48550/arXiv.2106.06197.

[14] Schuster, T., & Volz, R. (2019). Predicting parking demand with open data. In I.O. Pappas, P. Mikalef, Y.K. Dwivedi, L. Jaccheri, J. Krogstie & M. Mäntymäki (Eds.), Digital transformation for a sustainable society in the 21st century. I3E 2019. Lecture notes in computer science (Vol. 11701). Cham: Springer. doi: 10.1007/978-3-030-29374-1_18.

[15] Sebatli-Saglam, A., & Cavdur, F. (2023). Parking occupancy prediction using machine learning algorithms. Endüstri Mühendisliği, 34(1), 86-108. doi: 10.46465/endustrimuhendisligi.1241453.

[16] Tavafoghi, H., Poolla, K., & Varaiya, P. (2019). A queuing approach to parking: Modeling, verification, and prediction. ArXiv. doi: 10.48550/arXiv.1908.11479.

[17] Terroso-Sáenz, F., Cuenca-Jara, J., González-Vidal, A., & Skarmeta, A. F. (2016). Human mobility prediction based on social media with complex event processing. International Journal of Distributed Sensor Networks, 12(9). doi: 10.1177/1550147716668060.

[18] Yahya, U., Noah, N., Hanifah, A., Faham, L., Kasule, A., & Mubarak, H. R. (2022). RFID-cloud integration for smart management of public car parking spaces. ArXiv. doi: 10.48550/arXiv.2212.14684.

[19] Yang, X., Yuan, Y., & Liu, Z. (2020). Short-term traffic speed prediction of urban road with multi-source data. IEEE Access, 8, 87541-87551. doi: 10.1109/ACCESS.2020.2992507.

[20] Zeng, C., Ma, C., Wang, K., & Cui, Z. (2022). Parking occupancy prediction method based on multi-factors and stacked GRU-LSTM. IEEE Access, 10(10), 47361-47370. doi: 10.1109/ACCESS.2022.3171330.