Modellering bezetting ondergrondse parkeergarage Vrijdagmarkt in Gent

In Gent leidt het zoeken naar parkeerplaatsen door bestuurders vaak tot verkeerscongestie. Een mogelijke oplossing is het tonen van de voorspelde bezettingsgraad van ondergrondse parkeergarages op de stadsstraten. Deze casestudy onderzocht de bezettingsgegevens van de "Vrijdagmarkt" parkeergarage van 25 oktober 2018 tot 18 maart 2019, met behulp van diverse machine learning-tools.
Het doel was om dagelijkse bezettingsprofielen te karakteriseren en een voorspellend model te ontwikkelen voor de parkeerbezetting in het volgende uur.

Resultaten en Conclusies
• De studie identificeerde met succes verschillende en specifieke dagelijkse bezettingstijdpatronen en observeerde een duidelijke evolutie van deze patronen gedurende de week.
• Het Hybride Neurale model bereikte een acceptabele voorspellingsnauwkeurigheid voor de parkeerbezetting in het volgende uur, waarbij 99,7% van de waargenomen bezettingspercentages binnen een marge van 10% van de voorspellingen lag.
Deze casestudy toont het potentieel van machine learning-tools bij het analyseren en voorspellen van de bezetting van parkeerplaatsen, wat kan worden gebruikt om verkeerscongestie te verminderen door real-time informatie over de parkeerbezetting aan bestuurders te verstrekken.

---

Modelling occupancy underground Vrijdagmarkt car park in Ghent

In Ghent, drivers' search for parking spaces often leads to traffic congestion. One possible solution is to show the predicted occupancy rate of underground car parks on city streets. This case study investigated the occupancy data of the "Vrijdagmarkt" car park from 25 October 2018 to 18 March 2019, using various machine learning tools.
The aim was to characterise daily occupancy profiles and develop a predictive model for parking occupancy in the next hour.

Results and Conclusions
- Characterisation of daily occupancy profiles. The study successfully identified distinct and specific daily occupancy time patterns and observed a clear evolution of these patterns throughout the week.
- Development of predictive model for next-hour parking occupancy.
The Hybrid Neural model achieved acceptable prediction accuracy for parking occupancy in the next hour, with 99.7% of observed occupancy rates being within a 10% margin of prediction.
This case study shows the potential of machine learning tools in analysing and predicting parking occupancy, which can be used to reduce traffic congestion by providing real-time parking occupancy information to drivers.

Projectcoördinator HOGENT

Frank Deruyck

Looptijd

24/09/2018 - 22/09/2019

Financier

Reguliere werkingsmiddelen

Programma financier

HO _Projectmatig onderzoek