Navigation, die Parken mitrechnet: Ein MIT-Modell zeigt, wie sich Verspätungen, Staus und Emissionen senken lassen
Fahrer verlassen sich täglich auf Navigations-Apps, um abzuschätzen, wie lange sie bis zum Ziel brauchen. In der Praxis zeigt sich jedoch oft, dass die „voraussichtliche Ankunftszeit“ unrealistisch ist, weil die letzten Minuten (oder auch Dutzende Minuten) fürs Umherfahren auf der Suche nach einem Parkplatz draufgehen. Genau dieser „versteckte“ Teil der Fahrt – die Fahrt zum Parkplatz, die Suche nach einer Lücke und der Fußweg zum Ziel – wird in den meisten heutigen Routingsystemen nicht eingerechnet, obwohl er in Stadtzentren entscheidend für die tatsächliche Gesamtankunft ist.
Warum das Problem größer ist als der Frust der Fahrer
Die Unterschätzung der fürs Parken benötigten Zeit ist nicht nur eine Frage der Nerven und verpasster Termine. Wenn viele Fahrer gleichzeitig im Kreis fahren und nach einem freien Platz suchen, steigen die lokalen Staus, der Kraftstoffverbrauch und die Emissionen, und am stärksten leiden die Straßen rund um beliebte Zonen – Geschäftsviertel, Kulturangebote und große Sport- oder Unterhaltungsveranstaltungen. Zudem entsteht ein breiterer Effekt: Wenn eine App die Dauer einer Autofahrt systematisch „schönt“, können Nutzer fälschlich schließen, dass Autofahren schneller ist als öffentlicher Verkehr, Fahrrad oder kombinierte Optionen. In Wirklichkeit kann sich der Unterschied – besonders zur Hauptverkehrszeit – umkehren, sobald realistische Park- und Gehzeiten einbezogen werden.
In der Verkehrsliteratur wird dieses Phänomen als „cruising for parking“ beschrieben – das Umherfahren auf der Suche nach einem Parkplatz. Ein Überblick über frühere empirische Studien deutet darauf hin, dass die Parkplatzsuche mehrere bis etwa ein Dutzend Minuten dauern kann, und der Anteil der Fahrzeuge, die kreisen, variiert je nach Stadt, Tageszeit und Staugrad. In der Zusammenfassung des klassischen Überblicks von Donald Shoup wird eine Spanne von 8 bis 74 Prozent des Verkehrs genannt, der unter bestimmten Bedingungen auf das Kreisen bei der Parkplatzsuche entfallen kann – ein Hinweis darauf, wie groß dieser „unsichtbare“ Verkehr werden kann, wenn das Parkplatzangebot nicht mit der Nachfrage Schritt hält.
Der MIT-Ansatz: Er führt den Fahrer nicht zur Adresse, sondern zum „besten“ Parkplatz
Ein Forschungsteam des Massachusetts Institute of Technology (MIT) hat ein Modell vorgeschlagen, das die Wahrscheinlichkeit erfolgreichen Parkens ins Zentrum der Navigation stellt. Statt den Nutzer immer zum nächstgelegenen Parkplatz am Ziel zu schicken, betrachtet das System eine Menge öffentlicher Parkmöglichkeiten in der Umgebung und schätzt die gesamte erwartete „Tür-zu-Tür“-Zeit: die Fahrt vom Start zum ausgewählten Parkplatz, die voraussichtliche Zeit zum Finden eines Platzes sowie der Fußweg vom Parkplatz zum Ziel. Die Kernidee: „am nächsten“ ist bei hoher Nachfrage nicht zwingend „am schnellsten“, weil ein Parkplatz direkt am Ziel in diesem Moment eine sehr geringe Chance auf einen freien Platz haben kann.
In der Arbeit „Probability-Aware Parking Selection“, deren Preprint am 2. Januar 2026 auf arXiv veröffentlicht wurde, formulieren die Autoren Cameron Hickert, Sirui Li, Zhengbing He und Cathy Wu das Problem so, dass neben Distanz und Reisezeit eine probabilistische Ebene eingeführt wird – die Wahrscheinlichkeit, dass der Nutzer auf einem bestimmten Parkplatz einen Platz findet. Das Modell sucht dann nach einer Strategie, die die erwartete Ankunftszeit minimiert und dabei auch Misserfolgsszenarien berücksichtigt: Was, wenn der Fahrer am „idealen“ Parkplatz ankommt, aber alles belegt ist? Statt vor Ort zu improvisieren, berechnet der Algorithmus im Voraus, welche Alternativen als Nächstes am besten sind, wie weit sie entfernt sind und wie hoch das Risiko ist, dass auch sie voll sind.
Dynamische Programmierung und „Verkehr als Mehrspieler-Spiel“
Das technische Rückgrat des Ansatzes ist ein Rahmenwerk auf Basis dynamischer Programmierung, das „rückwärts“ von günstigen Ergebnissen aus arbeitet und optimale Entscheidungen unter Unsicherheit berechnet. Was das Modell näher an die echte Stadt bringt, ist die Tatsache, dass es nicht annimmt, der Nutzer sei der Einzige, der einen Parkplatz sucht. In der Realität agieren viele Fahrer gleichzeitig, und ihre Entscheidungen verändern die Erfolgswahrscheinlichkeit für alle anderen.
Das Beispiel ist einfach: Ein anderer Fahrer kann eine Sekunde früher ankommen und den letzten freien Platz nehmen, oder er kann es zuerst an einem Parkplatz versuchen und – wenn es nicht klappt – auf einen anderen „überlaufen“, vielleicht genau auf den, den das System dem Nutzer empfohlen hat. Gerade solche Überlaufeffekte, die in Städten mit einer Reihe kleinerer Garagen und Parkplätze in kurzen Abständen in der Praxis häufig sind, können die optimale Strategie verändern. Die Autoren zeigen in der Arbeit, wie sich solche Szenarien prinzipiell modellieren lassen, sodass die Empfehlung nicht auf einer idealisierten „leeren Stadt“ beruht, sondern auf dem Wettbewerb um eine begrenzte Ressource.
Wie groß ist der Nutzen in der Praxis: Seattle als Testfeld
Um das Potenzial zu prüfen, führten die Forscher Simulationen mit realen Verkehrsdaten aus dem Raum Seattle durch. In den am stärksten überlasteten Szenarien erzielte der Ansatz, der die Parkwahrscheinlichkeit berücksichtigt, Zeitersparnisse von bis zu 66 Prozent gegenüber Strategien, die Parken ignorieren und den Fahrer einfach zum nächstgelegenen Parkplatz führen oder ihn in der nächsten Garage „auf sein Glück warten“ lassen. Auf die Erfahrung eines einzelnen Fahrers übertragen kann das eine Verkürzung der gesamten Reisezeit um bis zu etwa 35 Minuten unter den schlimmsten Bedingungen bedeuten, wenn der Unterschied zwischen „am nächsten parken“ und „klüger parken“ drastisch wächst.
Gleichzeitig warnen die Autoren, dass selbst die beste „parkbewusste“ Strategie spürbar länger dauern kann als die optimistische Schätzung „direkt zum Ziel“, die klassische Navigationssysteme anzeigen. In ihren Experimenten kann die gesamte Tür-zu-Tür-Zeit bis zu 123 Prozent länger sein als eine Schätzung, die Parken ausblendet. Das ist eine wichtige Botschaft für Nutzer und Städte: Das Problem ist nicht nur, dass die Fahrt „manchmal etwas länger“ ist, sondern dass die Standard-Schätzung oft strukturell zulasten der realen Erfahrung verzerrt ist.
Woher die Verfügbarkeitsdaten kommen: Sensoren, Schranken oder – Menschen
Das größte Hindernis für die Verbreitung eines solchen Systems ist nicht die Mathematik selbst, sondern die Datenfrage: Wie wahrscheinlich ist es, dass ein bestimmter Parkplatz zu einem bestimmten Zeitpunkt frei ist? Manche Parkanlagen haben Schranken, Ein-/Ausfahrtszähler oder Magnetdetektoren, die ein relativ zuverlässiges Bild der Auslastung liefern können. Doch solche Infrastruktur ist nicht überall vorhanden, und ihr Ausbau ist teuer und langsam.
Deshalb betrachten die Forscher auch Crowdsourcing, also das Sammeln von Beobachtungen aus dem Nutzerverhalten. Die Idee ist, dass „Signale“ zur Auslastung aus mehreren Kanälen gewonnen werden können: Ein Nutzer kann in der App „kein Parkplatz“ markieren, Fahrzeuge, die in eine Garage einfahren und schnell wieder ausfahren, ohne zu parken, können einen Misserfolg signalisieren, und die Zahl der Autos, die um den Block kreisen, kann auf hohe Auslastung hinweisen. Perspektivisch könnten autonome Fahrzeuge freie Plätze, die sie beim Vorbeifahren sehen, automatisch erfassen und so einen kontinuierlichen Beobachtungsstrom ohne zusätzliche Belastung für Fahrer erzeugen.
In ihrer Analyse des Schätzfehlers bei der Verfügbarkeit geben die Autoren an, dass bei stochastischen Beobachtungen ein mittlerer absoluter Fehler von etwa 7 Prozent entstehen kann und dass er bei häufigeren Beobachtungen unter 2 Prozent sinken kann. Das deutet darauf hin, dass das System auch ohne vollständige Sensorabdeckung ausreichend präzise sein kann, um dem Nutzer eine realistischere Ankunftsschätzung und eine sinnvollere Parkplatzempfehlung zu geben.
Was eine solche Navigation im Alltag der Städte verändern würde
Der unmittelbarste Nutzen ist Vorhersagbarkeit. Statt dass der Fahrer eine Schätzung bis zur Adresse bekommt und erst dann merkt, dass ihn unsichere 10 oder 20 Minuten erwarten, bekäme er eine Gesamtschätzung der Ankunft, die Parken und Fußweg einschließt. Das verändert die Tagesplanung, aber auch die Art, wie wir Verkehrsoptionen vergleichen. Wenn eine App beim Auto eine realistische „Tür-zu-Tür“-Zeit zeigt und beim öffentlichen Verkehr die tatsächliche Zeit mit Umstiegen und Fußwegen, hat der Nutzer eine klarere Entscheidungsgrundlage.
Der zweite Nutzen ist operativ: Weniger Kreisen kann wichtige innerstädtische Straßen und Kreuzungen entlasten, besonders rund um die am stärksten belasteten Zonen. Obwohl diese MIT-Arbeit vor allem Zeitersparnisse misst, betonen die Autoren, dass ein potenzieller nächster Schritt die Abschätzung der Emissionsminderung ist. Die Logik ist einfach: weniger „ziel-lose“ Kilometer bedeuten weniger Kraftstoff und weniger Abgase – und zu Spitzenzeiten auch weniger sekundäre Staus, die das Kreisen auslösen kann.
Der dritte Nutzen betrifft die Parkpolitik. Städte, die Parken über Preise, Zeitbegrenzungen und digitale Regelkarten steuern, versuchen oft, ein Gleichgewicht zu erreichen – genug Rotation, damit Plätze nicht ständig belegt sind, aber auch genug Vorhersagbarkeit, damit das System für Nutzer akzeptabel ist. Informationen zur Erfolgswahrscheinlichkeit können, wenn sie transparent angezeigt werden, ein zusätzliches Werkzeug sein: Der Fahrer kann bewusst etwas weiter entfernt parken, dafür mit höherer Erfolgschance, statt dass „alle zum Gleichen“ fahren und so einen Engpass erzeugen.
Grenzen und offene Fragen: Datenschutz, Verhalten und Integration in bestehende Apps
Die Autoren betonen, dass ihre Arbeit noch kein fertiges Produkt für den Masseneinsatz ist, sondern eine Machbarkeitsdemonstration. Um das System in eine reale Stadt zu bringen, müssen viele praktische Fragen gelöst werden. Eine ist Datenschutz: Crowdsourcing und das Nachverfolgen von Ein-/Ausfahrten aus Parkanlagen kann sensibel sein, wenn es nicht mit klaren Anonymisierungsrichtlinien und minimaler Datenerhebung umgesetzt wird. Die zweite ist das Nutzerverhalten: Sobald Empfehlungen populär werden, können sie Verkehrsflüsse verändern und die Parkanlagen „überlasten“, die der Algorithmus häufig vorschlägt; daher braucht das Modell Stabilisierungs- und Anpassungsmechanismen.
Die dritte ist die Integration. Heutige Navigationssysteme kombinieren bereits Straßendaten, Verkehrslage und Stauprognosen, aber Parken ist oft „außerhalb der Gleichung“ oder wird als Liste von Parkmöglichkeiten ohne zuverlässige Verfügbarkeitsprognose gezeigt. Die Einführung von Parkwahrscheinlichkeiten würde standardisierte Datenflüsse zwischen Städten, privaten Garagenbetreibern und den Plattformen erfordern, die Nutzer tatsächlich verwenden. In diesem Sinne ist auch hilfreich, dass die Autoren zusammen mit der Arbeit den begleitenden Code veröffentlicht haben, was Prüfungen, Replikationen und Weiterentwicklungen des Ansatzes erleichtert.
Breiterer Kontext: Kleine Verschiebung in den Informationen, großer Unterschied im Ergebnis
In Verkehrssystemen sind Veränderungen langsam, weil sie Infrastruktur, Gewohnheiten und Politik betreffen. Doch Forschung wie diese zielt oft auf „kleine Hebel“: Wenn wir dem Nutzer zur richtigen Zeit genauere Informationen geben, kann sich das Verhalten Tausender Menschen ändern, ohne neue Straßen zu bauen. Das MIT-Modell geht von einer einfachen Idee aus – dass Parken Teil der Reise ist – und zeigt, dass sich das mathematisch in eine Route einbauen lässt, die die erwartete Ankunftszeit und indirekt den Verkehrsdrück im Zentrum senkt.
Wenn weitere Studien dies in Echtzeit und auf Ebene ganzer Städte bestätigen, könnte parkbewusste Navigation zu einem Standard werden, der Erwartungen verändert: Die Schätzung einer Autofahrt würde nicht mehr bei „Ankunft an der Adresse“ enden, sondern bei der tatsächlichen Ankunft an der Tür. Für den Fahrer bedeutet das weniger Unsicherheit, für die Stadt potenziell weniger Kreisen und Staus, und für alle anderen Verkehrsteilnehmer – einen vorhersehbareren und saubereren urbanen Raum.
Quellen:- arXiv – Preprint der Arbeit „Probability-Aware Parking Selection“ (C. Hickert, S. Li, Z. He, C. Wu) mit Beschreibung des Modells, der Simulationen und der Ergebnisse ( link )- arXiv (PDF) – Details zu Schätzfehlern der Parkplatzverfügbarkeit und zu Spannen der Zeitersparnisse in Simulationen ( link )- GitHub – Code-Repository im Zusammenhang mit der Arbeit „Probability-Aware Parking Selection“ ( link )- UCLA / Donald Shoup – Überblick „Cruising for parking“ mit Analyse früherer Studien zur Suchzeit und zum Anteil des Verkehrs, der kreist ( link )- Springer Nature (Transportation) – offene Arbeit zur Vorhersage der Kreisdauer und zur Schätzung der Emissionen aus der Parkplatzsuche in dichten urbanen Zonen ( link )
Unterkünfte in der Nähe finden
Erstellungszeitpunkt: 4 Stunden zuvor