A demanda crescente por frete de caminhões nos Estados Unidos intensificou a escassez de estacionamento para caminhões, apresentando desafios de segurança e operacionais. Embora os Sistemas de Informação e Gestão de Estacionamento de Caminhões em Tempo Real (TPIMSs) ofereçam disponibilidade atual, as percepções preditivas permanecem limitadas. Este estudo desenvolve modelos híbridos de aprendizado de máquina e aprendizado profundo para prever a utilização de estacionamento de caminhões tanto para tomada de decisão pré-viagem quanto en-route. Um modelo de gradiente boosting específico para o local alcançou o melhor desempenho pré-viagem (erro médio quadrático raiz RMSE = 0,154), enquanto um modelo de previsão de utilização de estacionamento de caminhões baseado em memória de longo e curto prazo (TPSUP) forneceu previsões precisas en-route (RMSE = 0,0429) com um horizonte de uma hora. Para melhorar a usabilidade, um painel de 'Tempos Populares' foi projetado para visualizar previsões por meio de gráficos intuitivos codificados por cores. Essas ferramentas apoiam decisões de estacionamento mais seguras e eficientes, estabelecendo as bases para um TPIMS mais robusto e preditivo.
Yang et al. (qui,) estudaram esta questão.