شهریار تبریز/ رضا عالش‌زاده : بر اساس یک مطالعه انقلابی از موسسه فناوری ماساچوست آمریکا (MIT)، هوش مصنوعی (AI) می‌تواند این چشم‌انداز را تا سال ۲۰۳۰ با کاهش ۱۵٪ زمان سفرهای روزانه در سراسر جهان به واقعیت تبدیل کند.
در سال ۲۰۲۳، آزمایشگاه شهر هوشمند (MIT) با همکاری سازمان‌های حمل‌ونقل جهانی، مدلی ساخت که نشان می‌دهد هوش مصنوعی چگونه می‌تواند تحرک و جابه‌جایی شهری را متحول کند. این مطالعه داده‌های ترافیکی ۲۵ کلان‌شهر از جمله نیویورک، توکیو و سائوپائولو را تحلیل کرد و مداخلات مبتنی بر هوش مصنوعی مانند چراغ‌های راهنمایی تطبیقی، حمل‌ونقل عمومی پاسخگو به تقاضا و الگوریتم‌های اشتراک‌گذاری پویای سفر را شبیه‌سازی کرد.
یافته‌های کلیدی این تحقیق عبارت بودند از:
- کاهش ۱۵٪ زمان سفرها: هوش مصنوعی می‌تواند به طور میانگین ۵۵ ساعت در سال را برای هر شهروند که اکنون در ترافیک تلف می‌شود، ذخیره کند.
- کاهش ۲۰ درصدی انتشار گازهای گلخانه‌ای: جریان روان ترافیک، توقف‌های بی‌هدف و مصرف سوخت را کاهش می‌دهد.
- بهبود ۳۰درصدی کارایی حمل‌ونقل عمومی: هوش مصنوعی می‌تواند زمان‌بندی اتوبوس‌ها و قطارها را با تقاضای لحظه‌ای هماهنگ کند.
محققان تاکید کردند که دستیابی به این مزایا منوط به پذیرش گسترده ابزارهای هوش مصنوعی توسط شهرها و همکاری بین دولت‌ها، شرکت‌های فناوری و اپراتورهای حمل‌ونقل است.
هوش مصنوعی چگونه ترافیک را پیش‌بینی و از آن جلوگیری می‌کند؟
مدیریت سنتی ترافیک به برنامه‌های ثابت و نظارت انسانی متکی است، اما سیستم‌های هوش مصنوعی داده‌های زنده از دوربین‌ها، دستگاه‌های GPS و سنسورها را پردازش می‌کنند تا ترافیک را پیش‌بینی و مهار کنند. نحوه عملکرد آنها به شرح زیر است:
۱. مدل‌های یادگیری ماشین
الگوریتم‌های هوش مصنوعی داده‌های تاریخی و لحظه‌ای را تحلیل می‌کنند تا الگوهایی مانند گلوگاه‌های ساعت شلوغی یا تقاطع‌های پرحادثه را شناسایی کنند. به‌عنوان مثال، گوگل دیپ‌مایند مدل‌هایی آموزش داده است که می‌توانند تاخیرهای ترافیکی را تا ۱۲ ساعت قبل بادقت ۹۵٪ پیش‌بینی کنند.
۲. یکپارچه‌سازی داده‌ها
هوش مصنوعی داده‌های منابع مختلف را ترکیب می‌کند:
· داده‌های GPS از اپلیکیشن‌های اشتراک سفر مانند Uber و Lyft
· هشدارهای شبکه‌های اجتماعی درباره تصادفات یا تعطیلی جاده‌ها.
· پیش‌بینی آب‌وهوا که بر شرایط رانندگی تاثیر می‌گذارد.
در سنگاپور، سازمان حمل‌ونقل زمینی (LTA) از پلتفرم هوش مصنوعی به نام VIAMATRIX استفاده می‌کند که داده‌های ۸۰۰۰ دوربین و ۱۶۰٬۰۰۰ سنسور اینترنت اشیا را ادغام می‌کند و امکان تنظیم لحظه‌به‌لحظه چراغ‌های راهنمایی را فراهم می‌سازد.
۳. مداخلات پیش‌گیرانه
به‌جای واکنش به ترافیک، سیستم‌های هوش مصنوعی از وقوع آن جلوگیری می‌کنند:
· چراغ‌های راهنمایی پویا: سیستم Surtrac در پیتسبورگ زمان سفر را ۲۵٪ کاهش داد و این کار را با کنترل چراغ‌ها توسط هوش مصنوعی انجام داد.
· اپلیکیشن‌های مسیریابی مجدد Waze و Google Maps با استفاده از هوش مصنوعی، رانندگان را از مسیرهای جایگزین به‌دوراز ترافیک هدایت می‌کنند.
· بهینه‌سازی حمل‌ونقل عمومی: پلتفرم ATMS متروی لس‌آنجلس که مبتنی بر هوش مصنوعی است، فرکانس اتوبوس‌ها را بر اساس تعداد مسافران شناسایی‌شده توسط سنسورهای داخلی تنظیم می‌کند.
در ادامه به برخی از مطالعات موردی استفاده از هوش مصنوعی در برخی نکات جهان اشاره می‌شود.
سنگاپور: آزمایشگاه ترافیک هوشمند
سنگاپور که اغلب به‌عنوان هوشمندترین شهر جهان شناخته می‌شود، از هوش مصنوعی برای مدیریت فضای محدود جاده‌ها و معابر خود استفاده می‌کند. ابزار پیش‌بینی ترافیک مبتنی بر هوش مصنوعی LTA، ازدحام را تا یک ساعت زودتر پیش‌بینی می‌کند و به طور خودکار قیمت عوارضی بزرگراه‌ها را برای کاهش رانندگی در ساعات اوج تنظیم می‌کند. از سال ۲۰۲۲، این سیستم زمان سفرهای میانگین را ۱۰٪ کاهش داده است.
لس‌آنجلس: کاهش ترافیک با یادگیری ماشین
ترافیک بدنام لس‌آنجلس سالانه ۱۹ میلیارد دلار به اقتصاد این شهر به دلیل کاهش بهره‌وری ضرر می‌زند. برای مقابله با این مشکل، این شهر با MIT همکاری کرد تا یک سیستم هوش مصنوعی را آزمایش کند که نه‌تنها نقاط پرتصادف را با استفاده از داده‌های تاریخی شناسایی می‌کند، بلکه علامت‌گذاری خطوط را به‌صورت پویا تنظیم می‌کند (مثلاً تبدیل یک خط عادی به خط گردش‌به‌چپ در ساعت شلوغی). نتایج اولیه نشان‌دهنده کاهش ۱۲٪ تاخیرها در ساعت اوج در محورهای آزمایشی مانند خیابان ویلشایر است.
هلسینکی: تحرک به‌عنوان یک سرویس (MaaS)
پایتخت فنلاند از اپلیکیشن Whim استفاده می‌کند، یک پلتفرم مبتنی بر هوش مصنوعی که اتوبوس‌ها، قطارها، دوچرخه‌ها و تاکسی‌ها را در یک سیستم پرداخت واحد ادغام می‌کند. با تحلیل رفتار کاربران، Whimدوچرخه‌ها و اسکوترها را به مناطق پرتقاضا منتقل می‌کند و از ایجاد "بیابان‌های وسیله نقلیه" در حومه شهر جلوگیری می‌کند.
البته اگرچه هوش مصنوعی وعده ترافیک روان‌تر را می‌دهد، اجرای آن با موانعی روبه‌روست، برخی از این موانع به‌قرار زیر هستند:
- حریم خصوصی داده‌ها: جمع‌آوری داده‌های مکانی از میلیون‌ها کاربر نگرانی‌هایی ایجاد می‌کند. شهرهایی مانند بارسلون اکنون از سیستم‌های هوش مصنوعی می‌خواهند داده‌ها را ناشناس کنند و رضایت صریح کاربران را دریافت کنند.
- عدالت: محله‌های کم‌درآمد اغلب فاقد سنسورها و زیرساخت‌های لازم برای بهینه‌سازی هوش مصنوعی هستند. مطالعه MIT از شهرها می‌خواهد "عدالت ترافیکی" را در استقرار هوش مصنوعی اولویت دهند.
- هزینه: بازسازی شهرها با زیرساخت‌های سازگار باهوش مصنوعی می‌تواند میلیاردها دلار هزینه داشته باشد. بااین‌حال، بانک جهانی تخمین می‌زند که هر یک دلار سرمایه‌گذاری در سیستم‌های ترافیک هوشمند، ۴ دلار سود اقتصادی به همراه دارد.
مسیر پیش رو: هوش مصنوعی و آینده تحرک
تا سال ۲۰۳۰، محققان MIT تصور می‌کنند هوش مصنوعی در کنار فناوری‌های نوظهور کار خواهد کرد:
· خودروهای خودران: خودروهای بدون راننده که توسط هوش مصنوعی هدایت می‌شوند، می‌توانند تصادفات را کاهش داده و کارایی خطوط را بهبود بخشند.
· ادغام با شهرهای هوشمند: سیستم‌های ترافیک با شبکه‌های انرژی ارتباط برقرار می‌کنند تا شارژ خودروهای برقی در ساعات کم‌مصرف بهینه شود.
· تاب‌آوری آب و هوایی: هوش مصنوعی می‌تواند در طول رویدادهای آب و هوایی شدید ترافیک را مجدداً مسیریابی کند، همانطور که در مناطق مستعد سیل روتردام آزمایش شده است.
منبع:
_ https://seneable.mit.edu : M assachusetts Institute of Technology (MIT), Senseable City Lab. (۲۰۲۳). AI and the Future of Urban Mobility
_ https://www.Ita.gov.sg : Singapore Land Transport Authority (LTA). (۲۰۲۴). AI-Powered Traffic Management .
https://www.mtetro.net : Los Angeles Metro. (۲۰۲۳). Adaptive Traffic Management System (ATMS) Pilot Report . Retrieved from
نظرات