Navigacija koja računa i parking: MIT-ov model pokazuje kako smanjiti kašnjenja, gužve i emisije
Vozači se svakodnevno oslanjaju na navigacijske aplikacije kako bi procijenili koliko će im trebati do odredišta. No u praksi se često dogodi da se “predviđeno vrijeme dolaska” pokaže nerealnim jer zadnjih nekoliko minuta (ili desetaka minuta) odlazi na kruženje u potrazi za parkirnim mjestom. Upravo taj “skriveni” dio putovanja – vožnja do parkinga, traženje mjesta i pješačenje do odredišta – većina današnjih sustava rutiranja ne uključuje u računicu, iako je u gradskim središtima presudan za stvarni ukupni dolazak.
Zašto je problem veći od frustracije vozača
Podcjenjivanje vremena potrebnog za parkiranje nije samo pitanje živaca i propuštenih sastanaka. Kad se mnogo vozača istodobno vrti u krugu tražeći slobodno mjesto, rastu lokalne gužve, povećava se potrošnja goriva i emisije, a najviše stradaju ulice oko popularnih zona – poslovnih četvrti, kulturnih sadržaja i velikih sportskih ili zabavnih događaja. Pritom nastaje i širi učinak: ako aplikacija sustavno “uljepšava” trajanje putovanja automobilom, korisnici mogu krivo zaključiti da je vožnja brža od javnog prijevoza, bicikla ili kombiniranih opcija. U stvarnosti, posebno u špici, razlika se može preokrenuti čim se uključi realno vrijeme parkiranja i pješačenja.
U literaturi o prometu taj se fenomen opisuje kao “cruising for parking” – kruženje u potrazi za parkiranjem. Pregled ranijih empirijskih studija upućuje da traženje parkirnog mjesta može trajati nekoliko do desetak minuta, a udio vozila koja kruže varira ovisno o gradu, dobu dana i razini zagušenja. U sažetku klasičnog pregleda Donalda Shoupa navodi se raspon od 8 do 74 posto prometa koji u određenim uvjetima može otpasti na kruženje u potrazi za parkingom, što ilustrira koliko taj “nevidljivi” promet može biti velik kad ponuda parkiranja ne prati potražnju.
MIT-ov pristup: ne vodi vozača na adresu, nego na “najbolji” parking
Tim istraživača s Massachusetts Institute of Technology (MIT) predložio je model koji u središte navigacije stavlja vjerojatnost uspješnog parkiranja. Umjesto da korisnika uvijek šalje na najbliži parking uz odredište, sustav promatra skup javnih parkirališta u okolici i procjenjuje ukupno očekivano vrijeme “od vrata do vrata”: vožnja od polazišta do odabranog parkinga, vjerojatno vrijeme pronalaska mjesta, te pješačenje od parkinga do cilja. Ključna ideja je da “najbliže” nije nužno i “najbrže” kad je potražnja visoka, jer parkiralište tik uz odredište može imati vrlo malu šansu da u tom trenutku ima slobodno mjesto.
U radu “Probability-Aware Parking Selection”, čiji je preprint objavljen na arXivu 2. siječnja 2026., autori Cameron Hickert, Sirui Li, Zhengbing He i Cathy Wu formuliraju problem tako da se uz udaljenost i vrijeme putovanja uvodi probabilistički sloj – vjerojatnost da će korisnik pronaći mjesto na pojedinom parkiralištu. Model zatim traži strategiju koja minimizira očekivano vrijeme dolaska, uzimajući u obzir i scenarije neuspjeha: što ako vozač dođe na “idealno” parkiralište, ali su mjesta popunjena? Umjesto improvizacije na licu mjesta, algoritam unaprijed računa koje su sljedeće najbolje opcije, koliko su udaljene i koliki je rizik da će i one biti pune.
Dinamičko programiranje i “promet kao igra s više igrača”
Tehnička okosnica pristupa je okvir temeljen na dinamičkom programiranju, koji “radi unatrag” od povoljnih ishoda i izračunava optimalne odluke pod nesigurnošću. Ono što model čini bližim stvarnom gradu jest činjenica da ne pretpostavlja da je korisnik jedini koji traži parking. U stvarnosti, istovremeno djeluju mnogi vozači, a njihove odluke mijenjaju vjerojatnost uspjeha za sve ostale.
Primjer je jednostavan: drugi vozač može stići sekundu prije i zauzeti posljednje slobodno mjesto, ili može prvo pokušati na jednom parkiralištu pa, ako ne uspije, “preliti se” na drugo – možda baš ono koje je sustav preporučio korisniku. Upravo takvi prelijevajući učinci, koji su u praksi česti u gradovima s nizom manjih garaža i parkirališta na kratkim udaljenostima, mogu promijeniti optimalnu strategiju. Autori u radu pokazuju kako se takvi scenariji mogu modelirati na principijelan način, tako da se preporuka ne temelji na idealiziranom “praznom gradu”, nego na natjecanju za ograničen resurs.
Kolika je dobit u praksi: Seattle kao testni poligon
Kako bi provjerili potencijal, istraživači su proveli simulacije koristeći stvarne prometne podatke iz područja Seattlea. U najzagušenijim scenarijima, pristup koji uzima u obzir vjerojatnost parkiranja ostvario je uštede vremena do 66 posto u odnosu na strategije koje ignoriraju parkiranje i jednostavno vode vozača na najbliže parkiralište ili ga ostavljaju da “čeka sreću” u najbližoj garaži. U prijevodu na iskustvo jednog vozača, to može značiti smanjenje ukupnog vremena puta i do oko 35 minuta u najgorim uvjetima, kada se razlika između “parkiraj najbliže” i “parkiraj pametnije” drastično povećava.
Istodobno, autori upozoravaju da čak i najbolja “parking-svjesna” strategija može trajati osjetno dulje od optimistične procjene “direktno do odredišta” koju prikazuju klasične navigacije. U njihovim eksperimentima, ukupno vrijeme od vrata do vrata može biti i do 123 posto duže od procjene koja zanemaruje parkiranje. To je važna poruka za korisnike i gradove: nije problem samo u tome da je putovanje “ponekad malo duže”, nego u tome da je standardna procjena često strukturno pristrana na štetu stvarnog iskustva.
Odakle dolazi podatak o dostupnosti: senzori, rampe ili – ljudi
Najveća prepreka širenju ovakvog sustava nije sama matematika, nego podatak: koliko je vjerojatno da je određeno parkiralište slobodno u određenom trenutku? Neka parkirališta imaju rampe, brojače ulazaka/izlazaka ili magnetske detektore koji mogu davati relativno pouzdanu sliku popunjenosti. No takva infrastruktura nije univerzalna, a njezino širenje je skupo i sporo.
Zato istraživači razmatraju i crowdsourcing, odnosno prikupljanje opažanja iz ponašanja korisnika. Ideja je da se “signali” o popunjenosti mogu dobiti iz više kanala: korisnik u aplikaciji može označiti “nema parkinga”, vozila koja ulaze u garažu i brzo izlaze bez parkiranja mogu signalizirati neuspjeh, a broj automobila koji kruže oko bloka može ukazivati na visoku popunjenost. U perspektivi, autonomna vozila mogla bi automatski bilježiti slobodna mjesta koja uoče prolazeći, čime bi se stvorio kontinuirani tok opažanja bez dodatnog tereta za vozače.
U analizi pogreške procjene dostupnosti, autori navode da se pri oslanjanju na stohastička opažanja može dobiti srednja apsolutna pogreška oko 7 posto, a uz češća opažanja ona se može smanjiti ispod 2 posto. To sugerira da i bez potpune senzorske pokrivenosti sustav može biti dovoljno precizan da korisniku pruži realističniju procjenu dolaska i smisleniju preporuku parkiranja.
Što bi ovakva navigacija promijenila u svakodnevici gradova
Najizravnija korist je predvidljivost. Umjesto da vozač dobije procjenu do adrese i tek tada shvati da ga čeka neizvjesnih 10 ili 20 minuta, dobio bi procjenu ukupnog dolaska koja uključuje parkiranje i pješačenje. To mijenja planiranje dana, ali i način na koji uspoređujemo opcije prijevoza. Ako aplikacija uz automobil pokaže realno “vrijeme do vrata”, a uz javni prijevoz stvarno vrijeme s presjedanjima i hodanjem, korisnik ima jasniju osnovu za odluku.
Druga je korist operativna: smanjenje kruženja može rasteretiti ključne gradske ulice i križanja, posebno oko najopterećenijih zona. Iako ovaj MIT-ov rad primarno mjeri uštede u vremenu, autori ističu da je potencijalni sljedeći korak procjena smanjenja emisija. Logika je jednostavna: manje kilometara “bez cilja” znači manje goriva i manje ispušnih plinova, a u špicama i manje sekundarnih zastoja koje kruženje može potaknuti.
Treća se korist tiče politike parkiranja. Gradovi koji upravljaju parkiranjem kroz cijene, vremenska ograničenja i digitalne karte pravila često pokušavaju postići ravnotežu – dovoljno rotacije da mjesta nisu stalno zauzeta, ali i dovoljno predvidljivosti da sustav bude prihvatljiv korisnicima. Informacija o vjerojatnosti uspjeha, ako je transparentno prikazana, može biti dodatni alat: vozač može svjesno odabrati malo udaljenije parkiranje uz veću šansu uspjeha, umjesto da “svi idu na isto” i time stvaraju čep.
Ograničenja i otvorena pitanja: privatnost, ponašanje i integracija s postojećim aplikacijama
Autori naglašavaju da njihov rad još nije gotov proizvod spreman za masovnu primjenu, nego demonstracija izvedivosti. Da bi se sustav uveo u stvarni grad, potrebno je riješiti niz praktičnih pitanja. Jedno je privatnost: crowdsourcing i praćenje ulazaka/izlazaka iz parkirališta može biti osjetljivo ako se ne provede uz jasne politike anonimizacije i minimalnog prikupljanja podataka. Drugo je ponašanje korisnika: čim preporuke postanu popularne, one mogu promijeniti prometne tokove i “preopteretiti” parkirališta koja algoritam često predlaže, pa model mora imati mehanizme stabilizacije i prilagodbe.
Treće je integracija. Današnje navigacije već kombiniraju cestovne podatke, stanje u prometu i predviđanja gužvi, ali parkiranje je često “izvan jednadžbe” ili se prikazuje kao popis parkirališta bez pouzdane procjene dostupnosti. Uvođenje parking-vjerojatnosti tražilo bi standardizirane podatkovne tokove između gradova, privatnih operatera garaža i platformi koje korisnici stvarno koriste. U tom smislu, korisna je i činjenica da su autori uz rad objavili i prateći kod, što olakšava provjere, replikacije i nadogradnje pristupa.
Širi kontekst: mali pomak u informacijama, veliki pomak u ishodu
U prometnim sustavima promjene su spore, jer uključuju infrastrukturu, navike i politiku. No istraživanja poput ovoga često ciljaju na “male poluge”: ako korisniku damo točniju informaciju u pravom trenutku, može se promijeniti ponašanje tisuća ljudi bez gradnje novih cesta. MIT-ov model polazi od jednostavne ideje – da je parkiranje dio putovanja – i pokazuje da se to može matematički ugraditi u rutu na način koji smanjuje očekivano vrijeme dolaska i, posredno, prometni pritisak u centru.
Ako se daljnje studije potvrde u realnom vremenu i na razini cijelih gradova, parking-svjesna navigacija mogla bi postati standard koji mijenja očekivanja: procjena putovanja automobilom više ne bi završavala na “dolasku na adresu”, nego na stvarnom dolasku do vrata. Za vozača to znači manje neizvjesnosti, za grad potencijalno manje kruženja i zastoja, a za sve ostale sudionike prometa – predvidljiviji i čišći urbani prostor.
Izvori:- arXiv – preprint rada “Probability-Aware Parking Selection” (C. Hickert, S. Li, Z. He, C. Wu) s opisom modela, simulacija i rezultata ( link )- arXiv (PDF) – detalji o pogreškama procjene dostupnosti parkiranja i rasponima ušteda vremena u simulacijama ( link )- GitHub – repozitorij koda povezan s radom “Probability-Aware Parking Selection” ( link )- UCLA / Donald Shoup – pregled “Cruising for parking” s analizom ranijih studija o vremenu traženja mjesta i udjelu prometa koji kruži ( link )- Springer Nature (Transportation) – otvoreni rad o predviđanju vremena kruženja i procjeni emisija iz traženja parkiranja u gustim urbanim zonama ( link )
Kreirano: petak, 20. veljače, 2026.
Pronađite smještaj u blizini