Navegación que también cuenta el aparcamiento: un modelo del MIT muestra cómo reducir retrasos, atascos y emisiones
Los conductores se apoyan a diario en aplicaciones de navegación para estimar cuánto tardarán en llegar a su destino. Pero en la práctica a menudo ocurre que la “hora estimada de llegada” resulta poco realista porque los últimos minutos (o decenas de minutos) se van en dar vueltas buscando una plaza de aparcamiento. Precisamente esa parte “oculta” del viaje — conducir hasta el aparcamiento, buscar sitio y caminar hasta el destino — la mayoría de los sistemas de enrutamiento actuales no la incluyen en el cálculo, aunque en los centros urbanos es decisiva para la llegada total real.
Por qué el problema es mayor que la frustración del conductor
Subestimar el tiempo necesario para aparcar no es solo una cuestión de nervios y reuniones perdidas. Cuando muchos conductores a la vez dan vueltas buscando un hueco libre, aumentan los atascos locales, suben el consumo de combustible y las emisiones, y las calles alrededor de las zonas populares son las que más sufren — distritos de negocios, oferta cultural y grandes eventos deportivos o de entretenimiento. Además, se produce un efecto más amplio: si una aplicación “embellece” sistemáticamente la duración de un viaje en coche, los usuarios pueden concluir erróneamente que conducir es más rápido que el transporte público, la bicicleta o las opciones combinadas. En realidad, especialmente en hora punta, la diferencia puede invertirse en cuanto se incluye el tiempo real de aparcamiento y de caminata.
En la literatura de transporte, este fenómeno se describe como “cruising for parking” — dar vueltas en busca de aparcamiento. Una revisión de estudios empíricos anteriores sugiere que buscar una plaza puede durar de varios a una decena de minutos, y que la proporción de vehículos que circulan dando vueltas varía según la ciudad, la hora del día y el nivel de congestión. En el resumen de la revisión clásica de Donald Shoup se cita un rango del 8 al 74 por ciento del tráfico que, en determinadas condiciones, puede corresponder a dar vueltas buscando aparcamiento, lo que ilustra lo grande que puede ser ese tráfico “invisible” cuando la oferta de plazas no acompaña a la demanda.
El enfoque del MIT: no lleva al conductor a una dirección, sino al “mejor” aparcamiento
Un equipo de investigadores del Massachusetts Institute of Technology (MIT) propuso un modelo que sitúa la probabilidad de aparcar con éxito en el centro de la navegación. En lugar de enviar siempre al usuario al aparcamiento más cercano al destino, el sistema observa un conjunto de aparcamientos públicos en los alrededores y estima el tiempo total esperado “de puerta a puerta”: la conducción desde el origen al aparcamiento elegido, el tiempo probable de encontrar plaza y la caminata desde el aparcamiento hasta el objetivo. La idea clave es que “más cerca” no es necesariamente “más rápido” cuando la demanda es alta, porque un aparcamiento justo al lado del destino puede tener una probabilidad muy baja de tener una plaza libre en ese momento.
En el trabajo “Probability-Aware Parking Selection”, cuyo preprint se publicó en arXiv el 2 de enero de 2026, los autores Cameron Hickert, Sirui Li, Zhengbing He y Cathy Wu formulan el problema introduciendo, junto con la distancia y el tiempo de viaje, una capa probabilística: la probabilidad de que el usuario encuentre plaza en cada aparcamiento. Luego, el modelo busca una estrategia que minimice el tiempo esperado de llegada, teniendo en cuenta también escenarios de fallo: ¿qué pasa si el conductor llega al aparcamiento “ideal”, pero las plazas están ocupadas? En vez de improvisar sobre la marcha, el algoritmo calcula por adelantado cuáles son las siguientes mejores opciones, a qué distancia están y cuál es el riesgo de que también estén llenas.
Programación dinámica y “el tráfico como un juego multijugador”
La columna técnica del enfoque es un marco basado en programación dinámica, que “trabaja hacia atrás” desde los resultados favorables y calcula decisiones óptimas bajo incertidumbre. Lo que hace que el modelo se acerque a una ciudad real es que no asume que el usuario sea el único que busca aparcamiento. En la realidad, muchos conductores actúan simultáneamente y sus decisiones cambian la probabilidad de éxito para todos los demás.
El ejemplo es sencillo: otro conductor puede llegar un segundo antes y ocupar la última plaza libre, o puede probar primero en un aparcamiento y, si no lo consigue, “derramarse” hacia otro — quizá precisamente el que el sistema recomendó al usuario. Esos efectos de desplazamiento, que en la práctica son frecuentes en ciudades con una serie de garajes y aparcamientos más pequeños a distancias cortas, pueden cambiar la estrategia óptima. Los autores muestran en el trabajo cómo se pueden modelar estos escenarios de forma fundamentada, de modo que la recomendación no se base en una “ciudad vacía” idealizada, sino en la competencia por un recurso limitado.
Cuánta ganancia hay en la práctica: Seattle como banco de pruebas
Para comprobar el potencial, los investigadores realizaron simulaciones usando datos reales de tráfico del área de Seattle. En los escenarios más congestionados, el enfoque que tiene en cuenta la probabilidad de aparcamiento logró ahorros de tiempo de hasta el 66 por ciento frente a estrategias que ignoran el aparcamiento y simplemente guían al conductor al aparcamiento más cercano o lo dejan “esperar a la suerte” en el garaje más próximo. Traducido a la experiencia de un conductor, esto puede significar reducir el tiempo total de viaje hasta en unos 35 minutos en las peores condiciones, cuando la diferencia entre “aparca lo más cerca posible” y “aparca de forma más inteligente” aumenta drásticamente.
Al mismo tiempo, los autores advierten que incluso la mejor estrategia “consciente del aparcamiento” puede tardar notablemente más que la estimación optimista de “directo al destino” que muestran las navegaciones clásicas. En sus experimentos, el tiempo total de puerta a puerta puede ser hasta un 123 por ciento más largo que una estimación que ignora el aparcamiento. Es un mensaje importante para usuarios y ciudades: el problema no es solo que el viaje sea “a veces un poco más largo”, sino que la estimación estándar suele estar sesgada estructuralmente en perjuicio de la experiencia real.
De dónde sale el dato de disponibilidad: sensores, barreras o – personas
El mayor obstáculo para expandir un sistema así no es la matemática en sí, sino el dato: ¿cuál es la probabilidad de que un aparcamiento concreto esté libre en un momento dado? Algunos aparcamientos tienen barreras, contadores de entradas/salidas o detectores magnéticos que pueden ofrecer una imagen relativamente fiable de la ocupación. Pero esa infraestructura no es universal y su despliegue es caro y lento.
Por eso los investigadores también contemplan el crowdsourcing, es decir, recopilar observaciones a partir del comportamiento de los usuarios. La idea es que las “señales” de ocupación pueden obtenerse de varios canales: el usuario puede marcar en la app “no hay aparcamiento”, los vehículos que entran en un garaje y salen rápidamente sin aparcar pueden señalar un fracaso, y el número de coches que dan vueltas alrededor de la manzana puede indicar alta ocupación. En perspectiva, los vehículos autónomos podrían registrar automáticamente las plazas libres que detecten al pasar, creando un flujo continuo de observaciones sin carga adicional para los conductores.
En el análisis del error de estimación de disponibilidad, los autores señalan que, al basarse en observaciones estocásticas, se puede obtener un error absoluto medio de alrededor del 7 por ciento, y que con observaciones más frecuentes puede reducirse por debajo del 2 por ciento. Esto sugiere que incluso sin una cobertura total de sensores el sistema puede ser lo bastante preciso como para ofrecer al usuario una estimación de llegada más realista y una recomendación de aparcamiento más útil.
Qué cambiaría una navegación así en la vida cotidiana de las ciudades
El beneficio más directo es la previsibilidad. En lugar de que el conductor reciba una estimación hasta la dirección y solo entonces descubra que le esperan 10 o 20 minutos inciertos, obtendría una estimación de llegada total que incluye aparcamiento y caminata. Eso cambia la planificación del día, pero también la forma en que comparamos opciones de transporte. Si la aplicación muestra para el coche un “tiempo puerta a puerta” realista y para el transporte público el tiempo real con transbordos y caminatas, el usuario tiene una base más clara para decidir.
El segundo beneficio es operativo: reducir el dar vueltas puede aliviar calles e intersecciones clave de la ciudad, especialmente alrededor de las zonas más cargadas. Aunque este trabajo del MIT mide principalmente ahorros de tiempo, los autores destacan que el siguiente paso potencial es estimar la reducción de emisiones. La lógica es simple: menos kilómetros “sin objetivo” significan menos combustible y menos gases de escape, y en hora punta también menos atascos secundarios que el dar vueltas puede provocar.
El tercer beneficio se refiere a la política de aparcamiento. Las ciudades que gestionan el aparcamiento mediante precios, límites de tiempo y mapas digitales de normas suelen intentar lograr un equilibrio: suficiente rotación para que las plazas no estén siempre ocupadas, pero también suficiente previsibilidad para que el sistema sea aceptable para los usuarios. La información sobre la probabilidad de éxito, si se muestra de forma transparente, puede ser una herramienta adicional: el conductor puede elegir conscientemente aparcar un poco más lejos con mayor probabilidad de éxito, en lugar de que “todos vayan a lo mismo” y así creen un cuello de botella.
Limitaciones y preguntas abiertas: privacidad, comportamiento e integración con apps existentes
Los autores subrayan que su trabajo aún no es un producto terminado listo para una implantación masiva, sino una demostración de viabilidad. Para introducir el sistema en una ciudad real, hay que resolver una serie de cuestiones prácticas. Una es la privacidad: el crowdsourcing y el seguimiento de entradas/salidas de aparcamientos puede ser sensible si no se realiza con políticas claras de anonimización y de recogida mínima de datos. La segunda es el comportamiento de los usuarios: en cuanto las recomendaciones se vuelvan populares, pueden cambiar los flujos de tráfico y “sobrecargar” los aparcamientos que el algoritmo sugiere con frecuencia, por lo que el modelo debe tener mecanismos de estabilización y adaptación.
La tercera es la integración. Las navegaciones actuales ya combinan datos de carreteras, estado del tráfico y predicciones de congestión, pero el aparcamiento suele estar “fuera de la ecuación” o se muestra como una lista de aparcamientos sin una estimación fiable de disponibilidad. Introducir probabilidades de aparcamiento requeriría flujos de datos estandarizados entre ciudades, operadores privados de garajes y las plataformas que los usuarios realmente utilizan. En ese sentido, también es útil que los autores hayan publicado junto con el trabajo el código correspondiente, lo que facilita comprobaciones, replicaciones y mejoras del enfoque.
Contexto más amplio: un pequeño cambio en la información, un gran cambio en el resultado
En los sistemas de transporte los cambios son lentos, porque implican infraestructura, hábitos y política. Pero investigaciones como esta suelen apuntar a “pequeñas palancas”: si damos al usuario información más precisa en el momento adecuado, puede cambiar el comportamiento de miles de personas sin construir nuevas carreteras. El modelo del MIT parte de una idea simple — que el aparcamiento es parte del viaje — y muestra que esto puede incorporarse matemáticamente a la ruta de un modo que reduce el tiempo esperado de llegada y, de forma indirecta, la presión del tráfico en el centro.
Si estudios posteriores lo confirman en tiempo real y a escala de ciudades enteras, la navegación consciente del aparcamiento podría convertirse en un estándar que cambie las expectativas: la estimación de un viaje en coche ya no terminaría en la “llegada a la dirección”, sino en la llegada real a la puerta. Para el conductor, eso significa menos incertidumbre; para la ciudad, potencialmente menos vueltas y atascos; y para todos los demás participantes del tráfico — un espacio urbano más predecible y más limpio.
Fuentes:- arXiv – preprint del trabajo “Probability-Aware Parking Selection” (C. Hickert, S. Li, Z. He, C. Wu) con descripción del modelo, simulaciones y resultados ( link )- arXiv (PDF) – detalles sobre errores de estimación de disponibilidad de aparcamiento y rangos de ahorro de tiempo en simulaciones ( link )- GitHub – repositorio de código asociado al trabajo “Probability-Aware Parking Selection” ( link )- UCLA / Donald Shoup – revisión “Cruising for parking” con análisis de estudios previos sobre el tiempo de búsqueda y la proporción de tráfico que da vueltas ( link )- Springer Nature (Transportation) – trabajo abierto sobre la predicción del tiempo de dar vueltas y la estimación de emisiones por la búsqueda de aparcamiento en zonas urbanas densas ( link )
Encuentra alojamiento cerca
Hora de creación: 4 horas antes