Une navigation qui tient compte du stationnement : un modèle du MIT montre comment réduire retards, congestion et émissions
Les conducteurs s’appuient chaque jour sur des applications de navigation pour estimer le temps nécessaire jusqu’à destination. Mais, en pratique, il arrive souvent que « l’heure d’arrivée estimée » se révèle irréaliste, car les dernières minutes (voire des dizaines de minutes) sont consacrées à tourner en rond à la recherche d’une place de stationnement. Or, cette partie « cachée » du trajet – conduire jusqu’au parking, chercher une place et marcher jusqu’à la destination – n’est pas prise en compte par la plupart des systèmes de routage actuels, alors qu’en centre-ville elle est déterminante pour l’arrivée totale réelle.
Pourquoi le problème dépasse la simple frustration des conducteurs
Sous-estimer le temps nécessaire pour se garer n’est pas seulement une question de nerfs et de rendez-vous manqués. Quand de nombreux conducteurs tournent simultanément en rond à la recherche d’une place libre, la congestion locale augmente, la consommation de carburant et les émissions s’accroissent, et ce sont surtout les rues autour des zones populaires qui en pâtissent – quartiers d’affaires, offres culturelles et grands événements sportifs ou de divertissement. Il en résulte aussi un effet plus large : si une application « embellit » systématiquement la durée d’un trajet en voiture, les utilisateurs peuvent conclure à tort que la conduite est plus rapide que les transports publics, le vélo ou des options combinées. En réalité, surtout aux heures de pointe, l’écart peut s’inverser dès qu’on intègre le temps réel de stationnement et de marche.
Dans la littérature sur les transports, ce phénomène est décrit comme le « cruising for parking » – tourner en rond à la recherche d’une place. Un examen d’études empiriques antérieures indique que la recherche d’une place peut durer de quelques minutes à une dizaine de minutes, et que la part de véhicules qui tournent varie selon la ville, l’heure de la journée et le niveau de congestion. Dans le résumé de la revue classique de Donald Shoup, on cite une fourchette de 8 à 74 % du trafic qui, dans certaines conditions, peut être attribuée à la circulation en quête de stationnement, illustrant l’ampleur possible de ce trafic « invisible » lorsque l’offre de stationnement ne suit pas la demande.
L’approche du MIT : elle ne guide pas le conducteur vers une adresse, mais vers le « meilleur » parking
Une équipe de chercheurs du Massachusetts Institute of Technology (MIT) a proposé un modèle qui place la probabilité de réussir à se garer au cœur de la navigation. Au lieu d’envoyer l’utilisateur systématiquement vers le parking le plus proche de la destination, le système considère un ensemble de parkings publics à proximité et estime le temps total attendu « de porte à porte » : la conduite du point de départ jusqu’au parking choisi, le temps probable de trouver une place, puis la marche du parking jusqu’à l’objectif. L’idée clé est que « le plus proche » n’est pas forcément « le plus rapide » quand la demande est élevée, car un parking juste à côté de la destination peut avoir une très faible chance d’avoir une place libre à cet instant.
Dans l’article « Probability-Aware Parking Selection », dont le preprint a été publié sur arXiv le 2 janvier 2026, les auteurs Cameron Hickert, Sirui Li, Zhengbing He et Cathy Wu formulent le problème en ajoutant, à la distance et au temps de trajet, une couche probabiliste – la probabilité que l’utilisateur trouve une place dans chaque parking. Le modèle cherche ensuite une stratégie qui minimise le temps d’arrivée attendu, en tenant compte aussi des scénarios d’échec : que se passe-t-il si le conducteur arrive au parking « idéal » mais que les places sont occupées ? Au lieu d’improviser sur place, l’algorithme calcule à l’avance quelles sont les meilleures options suivantes, à quelle distance elles se trouvent et quel est le risque qu’elles soient elles aussi pleines.
Programmation dynamique et « trafic comme jeu à plusieurs joueurs »
L’ossature technique de l’approche est un cadre fondé sur la programmation dynamique, qui « remonte » depuis les issues favorables et calcule des décisions optimales sous incertitude. Ce qui rapproche le modèle d’une ville réelle, c’est qu’il ne suppose pas que l’utilisateur est le seul à chercher une place. En réalité, de nombreux conducteurs agissent en même temps, et leurs décisions modifient la probabilité de succès pour tous les autres.
L’exemple est simple : un autre conducteur peut arriver une seconde plus tôt et prendre la dernière place libre, ou bien tenter d’abord un parking puis, en cas d’échec, « se reporter » sur un autre – peut-être précisément celui recommandé à l’utilisateur. De tels effets de report, fréquents en pratique dans les villes dotées d’une série de petits garages et parkings à courte distance, peuvent modifier la stratégie optimale. Les auteurs montrent dans l’article comment modéliser ces scénarios de manière principielle, de sorte que la recommandation ne repose pas sur une « ville vide » idéalisée, mais sur la concurrence pour une ressource limitée.
Quel gain en pratique : Seattle comme terrain d’essai
Pour vérifier le potentiel, les chercheurs ont mené des simulations à partir de données de trafic réelles de la région de Seattle. Dans les scénarios les plus congestionnés, l’approche tenant compte de la probabilité de stationnement a permis des gains de temps pouvant atteindre 66 % par rapport à des stratégies qui ignorent le stationnement et conduisent simplement l’automobiliste vers le parking le plus proche ou le laissent « attendre la chance » dans le garage le plus proche. Rapporté à l’expérience d’un seul conducteur, cela peut signifier une réduction du temps total de trajet allant jusqu’à environ 35 minutes dans les pires conditions, lorsque la différence entre « se garer au plus près » et « se garer plus intelligemment » augmente fortement.
Parallèlement, les auteurs avertissent que même la meilleure stratégie « consciente du stationnement » peut durer sensiblement plus longtemps que l’estimation optimiste « directement jusqu’à la destination » affichée par les navigations classiques. Dans leurs expériences, le temps total de porte à porte peut être jusqu’à 123 % plus long que l’estimation qui néglige le stationnement. C’est un message important pour les usagers et les villes : le problème n’est pas seulement que le trajet est « parfois un peu plus long », mais que l’estimation standard est souvent structurellement biaisée au détriment de l’expérience réelle.
D’où vient la donnée de disponibilité : capteurs, barrières ou – personnes
Le principal obstacle à la généralisation d’un tel système n’est pas la mathématique elle-même, mais la donnée : quelle est la probabilité qu’un parking donné soit libre à un instant donné ? Certains parkings disposent de barrières, de compteurs d’entrées/sorties ou de détecteurs magnétiques pouvant fournir une image relativement fiable du taux d’occupation. Mais cette infrastructure n’est pas universelle, et son déploiement est coûteux et lent.
C’est pourquoi les chercheurs envisagent aussi le crowdsourcing, c’est-à-dire la collecte d’observations à partir du comportement des utilisateurs. L’idée est que des « signaux » d’occupation peuvent provenir de plusieurs canaux : un utilisateur peut indiquer dans l’application « pas de parking », des véhicules qui entrent dans un garage et ressortent rapidement sans se garer peuvent signaler un échec, et le nombre de voitures qui tournent autour d’un pâté de maisons peut indiquer une forte occupation. À terme, des véhicules autonomes pourraient enregistrer automatiquement les places libres repérées en passant, créant ainsi un flux continu d’observations sans charge supplémentaire pour les conducteurs.
Dans l’analyse de l’erreur d’estimation de disponibilité, les auteurs indiquent qu’en s’appuyant sur des observations stochastiques on peut obtenir une erreur absolue moyenne d’environ 7 %, et qu’avec des observations plus fréquentes elle peut être réduite sous 2 %. Cela suggère que, même sans couverture complète par capteurs, le système peut être suffisamment précis pour offrir à l’utilisateur une estimation d’arrivée plus réaliste et une recommandation de stationnement plus pertinente.
Ce que changerait une telle navigation dans le quotidien des villes
Le bénéfice le plus direct est la prévisibilité. Au lieu de recevoir une estimation jusqu’à l’adresse puis de découvrir seulement alors qu’il lui reste 10 ou 20 minutes d’incertitude, le conducteur obtiendrait une estimation globale d’arrivée incluant stationnement et marche. Cela change la planification de la journée, mais aussi la manière dont nous comparons les options de transport. Si l’application affiche pour la voiture un « temps porte à porte » réaliste, et pour les transports publics le temps réel avec correspondances et marche, l’utilisateur dispose d’une base plus claire pour décider.
Le deuxième bénéfice est opérationnel : réduire le fait de tourner en rond peut soulager les artères et carrefours clés de la ville, surtout autour des zones les plus chargées. Bien que ce travail du MIT mesure principalement les gains de temps, les auteurs soulignent qu’une prochaine étape potentielle est l’estimation de la réduction des émissions. La logique est simple : moins de kilomètres « sans but » signifie moins de carburant et moins de gaz d’échappement, et aux heures de pointe moins de bouchons secondaires que la recherche de stationnement peut déclencher.
Le troisième bénéfice concerne la politique de stationnement. Les villes qui gèrent le stationnement via les prix, des limites de durée et des cartes numériques de règles cherchent souvent un équilibre – assez de rotation pour que les places ne soient pas constamment occupées, mais aussi assez de prévisibilité pour que le système soit acceptable pour les usagers. L’information sur la probabilité de succès, si elle est affichée de manière transparente, peut être un outil supplémentaire : le conducteur peut choisir consciemment de se garer un peu plus loin avec une meilleure chance de réussite, plutôt que « tout le monde va au même endroit » et crée un goulot d’étranglement.
Limites et questions ouvertes : vie privée, comportements et intégration aux applications existantes
Les auteurs soulignent que leur travail n’est pas encore un produit fini prêt pour un déploiement massif, mais une démonstration de faisabilité. Pour introduire le système dans une ville réelle, il faut résoudre de nombreuses questions pratiques. L’une concerne la vie privée : le crowdsourcing et le suivi des entrées/sorties des parkings peuvent être sensibles s’ils ne sont pas mis en œuvre avec des politiques claires d’anonymisation et de collecte minimale des données. La deuxième concerne le comportement des usagers : dès que les recommandations deviennent populaires, elles peuvent modifier les flux de trafic et « surcharger » les parkings que l’algorithme propose souvent ; le modèle doit donc disposer de mécanismes de stabilisation et d’adaptation.
La troisième concerne l’intégration. Les navigations actuelles combinent déjà données routières, état du trafic et prévisions de congestion, mais le stationnement est souvent « hors équation » ou présenté comme une liste de parkings sans estimation fiable de disponibilité. L’introduction d’une probabilité de stationnement exigerait des flux de données standardisés entre les villes, les opérateurs privés de garages et les plateformes réellement utilisées par les usagers. À cet égard, le fait que les auteurs aient publié le code associé avec l’article est également utile, car cela facilite les vérifications, les réplications et les améliorations de l’approche.
Contexte plus large : un petit décalage d’information, un grand décalage de résultat
Dans les systèmes de transport, les changements sont lents, car ils impliquent infrastructures, habitudes et politiques. Mais des recherches comme celle-ci visent souvent de « petits leviers » : si l’on fournit à l’utilisateur une information plus précise au bon moment, le comportement de milliers de personnes peut changer sans construire de nouvelles routes. Le modèle du MIT part d’une idée simple – le stationnement fait partie du trajet – et montre qu’on peut l’intégrer mathématiquement à l’itinéraire d’une manière qui réduit le temps d’arrivée attendu et, indirectement, la pression de trafic au centre.
Si d’autres études confirment cela en temps réel et à l’échelle de villes entières, la navigation consciente du stationnement pourrait devenir un standard qui change les attentes : l’estimation d’un trajet en voiture ne s’arrêterait plus à « l’arrivée à l’adresse », mais à l’arrivée réelle à la porte. Pour le conducteur, cela signifie moins d’incertitude ; pour la ville, potentiellement moins de circulation en quête de place et de blocages ; et pour tous les autres usagers – un espace urbain plus prévisible et plus propre.
Sources :- arXiv – preprint de l’article « Probability-Aware Parking Selection » (C. Hickert, S. Li, Z. He, C. Wu) avec description du modèle, des simulations et des résultats ( link )- arXiv (PDF) – détails sur les erreurs d’estimation de disponibilité du stationnement et sur les plages de gains de temps dans les simulations ( link )- GitHub – dépôt de code associé à l’article « Probability-Aware Parking Selection » ( link )- UCLA / Donald Shoup – revue « Cruising for parking » avec analyse d’études antérieures sur le temps de recherche et la part du trafic qui tourne en rond ( link )- Springer Nature (Transportation) – article en accès libre sur la prédiction du temps de « cruising » et l’estimation des émissions dues à la recherche de stationnement dans les zones urbaines denses ( link )
Trouvez un hébergement à proximité
Heure de création: 2 heures avant