PT
Esta dissertação apresenta como pode ser desenvolvido um método para previsão de
disponibilidade de lugares de estacionamento em rua, utilizando dados históricos obtidos
através de parquímetros de controlo a múltiplos lugares.
É analisado como os dados em bruto dos parquímetros podem ser transformados num
conjunto de dados que represente qual a ocupação dos lugares, e posteriormente como esta
informação pode ser utilizada para detetar se o estacionamento em uma rua está livre ou
ocupado. São adicionados também mais alguns atributos, como por exemplo informação
sobre as condições meteorológicas ou que dias são feriados, dando mais algum contexto e
compreensão à informação já existente.
Após a preparação e análise dos dados, é desenvolvido um método de previsão utilizando
técnicas de aprendizagem automática de modo a que seja possível saber qual a
disponibilidade de estacionamento em uma rua, a um dia específico e a um determinado
momento.
Para isso, foi implementado um método de classificação baseado em árvores de decisão
e redes neuronais, comparando ambos os métodos do ponto de vista dos resultados e do
tempo de desenvolvimento. Foi dada especial atenção aos parâmetros utilizados em cada
algoritmo, de modo a que haja um balanço entre a precisão e tempo de computação.
O modelo desenvolvido mostrou ser eficaz, captando corretamente o comportamento de
cada rua nas diferentes semanas, devolvendo resultados uteis aos condutores que procurem
lugares de estacionamento e aos proprietários do negócio por lhes permitir monitorizar o
desempenho dos seus investimentos em parques de estacionamento e qual o retorno.
EN
This dissertation discusses how to develop a prediction method for on-street parking
space availability, using only historical occupancy data collected from on-street multi-space
parking meters.
It is analyzed how to transform the raw data into a dataset representing the occupancy and
how can this information be used to detect when the parking spaces on a street are Vacant
or Full. Attributes like weather conditions and holidays are added to the data, giving them
more context and comprehension.
After the data preparation and analysis, a prediction model is developed using machinelearning techniques that can forecast the availability of the parking spaces on a street at a
specific day and on a given moment.
For that, a classification method is implemented based on decision trees and neural
networks, comparing both methods regarding results and development time. Particular
attention is given to the algorithm parameters, to achieve the right balance between accuracy
and computational time.
The developed model proved effective, correctly capturing the different behavior of each
street through the different weeks, and returning results useful to drivers searching for
parking and to the business owners while monitoring their parking investments and returns.
