البيانات الضخمة والذكاء الاصطناعي في النقل الذكي

تعدّل الإشارات التي يتحكم فيها الذكاء الاصطناعي أوقات الضوء الأخضر ديناميكيًا بناءً على حركة المرور اللحظية. يستخدم نظام Surtrac في بيتسبرغ كاميرات ورادارات عند كل تقاطع لاكتشاف المركبات القادمة وتشغيل نماذج تنبؤية تعمل على تحسين خطط الإشارات فورًا. تتواصل التقاطعات مع بعضها حتى تعرف الإشارات المتجهة نحو الأسفل متى يصلها تدفّق المرور.

تتنبأ نماذج التعلم الآلي بمكان ووقت تشكّل الاختناقات من خلال تحليل الأنماط التاريخية والطقس والفعاليات الخاصة. يمكن لأنظمة الذكاء الاصطناعي "رؤية" المشكلة مقدمًا وتمكين مخططي المدن من تحويل الحركة أو تعديل الرسوم قبل حدوث الازدحامات.

تشير الدراسات إلى أن الخوارزميات المدربة على بيانات كاميرات المرور وGPS تتنبأ بالازدحام المستقبلي بمعدل أفضل بكثير من الأساليب اليدوية، مما يمنح السلطات وقتًا للاستجابة بشكل استباقي.

تستفيد تطبيقات الملاحة من البيانات الضخمة لتقديم طرق أسرع في الوقت الحقيقي. تجمع Google Maps وWaze مسارات المركبات الضخمة وتقارير الحوادث من المستخدمين، ثم تطبق الذكاء الاصطناعي لدمج ملفات السرعة التاريخية مع الظروف الحيّة. يقترح التطبيق تحويلات إذا كان يتشكل ازدحام متوقَّع، وترسل بعض الأنظمة تنبيهات بالمسارات البديلة لآلاف المركبات في آن واحد.

يحلل الذكاء الاصطناعي لقطات الكاميرات وبيانات الحساسات لالتقاط الحوادث أو الظروف الخطرة فورًا. تكشف خوارزميات الرؤية الحاسوبية عن المركبات المتوقفة، والحطام، والحفر، وبقع الجليد، أو المشاة على الطريق وترسل تنبيهات للسائقين والمشغِّلين فورًا.

يذهب مختبر المرور في دبي إلى أبعد من ذلك من خلال تحديد المواقع المعرضة للحوادث حتى تتمكن السلطات من نشر تدابير وقائية مسبقًا. تُجمّع تقارير الحوادث المبلّغ عنها من الجمهور وتُجمّع لتأكيد المخاطر أسرع من تقارير الطوارئ التقليدية.

تحسّن البيانات الضخمة الحافلات ومترو الأنفاق وشبكات الدراجات. يقوم الذكاء الاصطناعي بصقل جداول الحافلات استنادًا إلى أنماط الركوب وتوقعات المرور. في لندن، جُرِّبت كاميرات وحساسات الذكاء الاصطناعي لإدارة تدفقات الركاب وتسريع بوابات التذاكر بما يصل إلى 30%.

تُزامِن التحليلات بين الحافلات والقطارات وإشارات المرور وبعضها البعض لتقليل أوقات الانتظار. تحلل هيئات النقل استخدام الدراجات المشتركة والسكوترات الكهربائية (من بيانات التطبيقات) لتخطيط مسارات جديدة وتحسين شبكات الوسائط المتعددة.

تستخدم أساطيل الشاحنات والتوصيل تحليلات المرور اللحظية لتحسين المسارات من حيث كفاءة الوقود. تستقبل منصات البيانات الضخمة خلاصات المرور الحيّة لإعادة توجيه شاحنات الشحن بعيدًا عن التأخيرات، مما يختصر التكاليف بشكل ملحوظ. تستخدم المستودعات نماذج تنبؤية لتوقيت شحنات الفترات خارج الذروة، وأصبح تحسين المسار الديناميكي بالذكاء الاصطناعي معيارًا في برمجيات اللوجستيات الحديثة.

يثير جمع وتوحيد بيانات الحركة مخاوف تتعلق بالخصوصية. يجب على السلطات التأكد من إخفاء هوية بيانات السفر الشخصية وحمايتها.

تعد إجراءات الأمن السيبراني ضرورية لمنع الوصول غير المصرح به إلى أنظمة التحكم في المرور.

تتطلب الأنظمة الذكية عتادًا واسع النطاق – من الحساسات الشاملة إلى اتصالات عالية السرعة (شبكات 4G/5G) وبنى حوسبة قوية. يُعد تحديث معدات المرور القديمة مكلفًا، ويُعد الصيانة المستمرة أمرًا غير تافه، خصوصًا للمدن ذات البنى التحتية المتقادمة.

تأتي بيانات المرور من وكالات وشركات خاصة متعددة. يجمع دمج تدفقات GPS الحية من الهواتف مع كاشفات الحلقات القديمة أو قواعد بيانات الوكالات تحديات معقّدة. اختلافات في صيغ البيانات، فراغات التغطية، والحساسات الصاخبة تُشكّل تحديات فنية.

تشتري العديد من المدن الآن بيانات GPS من Google/Waze لتكملة حسّاساتها، لكن محاذاة هذه المصادر تتطلب هندسة بيانات متينة والتحقق الدقيق.

يجب أن تكون قرارات الذكاء الاصطناعي عادلة ومنصفة. إذا أعطت أولويات الإشارات مسارات أو أحياءً معينة أفضلية، تنشأ قضايا عدل. يجب ضبط الأنظمة لخدمة جميع المستخدمين بعدالة.

على قادة النقل التأكد من أن الذكاء الاصطناعي لا يميّز عن غير قصد ضد راكبي الدراجات أو المشاة أو المناطق المحرومة. على سبيل المثال، تصر سنغافورة على الرقابة البشرية لمنع التحيّز وضمان نتائج عادلة.

قد تفشل نماذج الذكاء الاصطناعي تحت ظروف غير اعتيادية (طقس متطرّف، حوادث كبيرة). يؤكد المخططون أن هذه الأدوات ينبغي أن تكمل، لا أن تحل محلّ، المشغّلين البشريين. كما أشار رئيس المرور في سيول، يجب أن يعمل الذكاء الاصطناعي كـ "مساعد" لصانعي القرار البشريين.