انتظار طولانی در ایستگاه‌های اتوبوس، مسافران را دلسرد کرده و جذابیت حمل‌ونقل عمومی را کاهش می‌دهد. در بسیاری از شهرها، زمان انتظار و تأخیرهای انتقال بخش قابل توجهی از زمان سفر را تشکیل می‌دهد – یک مطالعه نشان داده است که انتظار خارج از وسیله نقلیه می‌تواند تقریباً ۱۷ تا ۴۰ درصد از کل زمان سفر را شامل شود. حتی تأخیرهای کوچک نیز باعث کاهش تعداد مسافران می‌شود: در لندن، افزایش ۱ درصدی در زمان سفر منجر به کاهش حدود ۰.۶۱ درصدی استفاده از حمل‌ونقل عمومی شده است.
برای مقابله با این موضوع، ابزارهای برنامه‌ریزی مدرن مبتنی بر هوش مصنوعی، داده‌های لحظه‌ای و تاریخی (الگوهای مسافری، ترافیک، وضعیت هوا و غیره) را تحلیل می‌کنند تا برنامه‌ها و مسیرهای اتوبوس هوشمندانه‌تری ایجاد کنند. این سیستم‌ها طراحی شده‌اند تا «برنامه‌های دقیق‌تر و قابل اعتمادتر» بسازند و وعده «کاهش زمان انتظار و بهبود عملکرد به موقع» برای مسافران را می‌دهند.
راهکارهای هوش مصنوعی برای برنامه‌ریزی و مسیریابی اتوبوس‌های عمومی
هوش مصنوعی به برنامه‌ریزان حمل‌ونقل در چندین زمینه برای کاهش زمان انتظار و تأخیرها کمک می‌کند:
-
پیش‌بینی تقاضا: الگوریتم‌های هوش مصنوعی با تحلیل داده‌های گذشته مانند تعداد مسافران، وضعیت هوا، رویدادها و زمان روز، پیش‌بینی می‌کنند که اتوبوس‌ها چه زمانی و در کجا مورد نیاز خواهند بود.
با تطبیق تعداد اتوبوس‌ها با تقاضا، اپراتورها می‌توانند از ازدحام یا استفاده ناکافی جلوگیری کنند. به عنوان مثال، سازمان‌های حمل‌ونقل اکنون از پیش‌بینی‌های مبتنی بر هوش مصنوعی برای بهینه‌سازی تخصیص وسایل نقلیه و جلوگیری از ازدحام در ساعات اوج استفاده می‌کنند. -
برنامه‌ریزی و کنترل پیش‌بینی‌شده: یادگیری ماشین می‌تواند عوامل مؤثر بر عملکرد به موقع (مانند ترافیک، تأخیر در سوار شدن مسافران و غیره) را شناسایی کرده و برنامه‌ها یا دستورالعمل‌های اعزام را بر اساس آن تنظیم کند.
برای مثال، ابزارهایی مانند FlowOS پیشرفت وسایل نقلیه را شبیه‌سازی کرده و مداخلات لحظه‌ای (مانند توقف یا عبور از ایستگاه‌ها، تنظیم سرعت) را برای حفظ برنامه زمان‌بندی توصیه می‌کنند.
در عمل، این به معنای تنظیم مداوم برنامه‌ها برای کاهش تأخیرها و تجمع اتوبوس‌ها پیش از وقوع آن‌ها است. -
اولویت‌دهی سیگنال‌های ترافیکی و مسیریابی: هوش مصنوعی می‌تواند با مدیریت ترافیک ادغام شود تا به اتوبوس‌ها در چراغ‌های راهنمایی اولویت دهد یا مسیرهای جایگزین پیشنهاد کند.
یک آزمایش در پورتلند، اورگن با استفاده از سیستم اولویت‌دهی ترافیکی مبتنی بر هوش مصنوعی، زمان انتظار اتوبوس‌ها در چراغ قرمز را در مسافت حدوداً ۸۰ درصد کاهش داد و به طور چشمگیری سرعت سفرها را افزایش داد.
به همین ترتیب، الگوریتم‌های پیشرفته بهینه‌سازی می‌توانند مسیر یا زمان‌بندی اتوبوس‌ها را تغییر دهند تا از تجمع جلوگیری کرده و فاصله زمانی بین اتوبوس‌ها را یکنواخت کنند. -
اطلاعات لحظه‌ای مسافران: سیستم‌های هوشمند نمایشگرهای دیجیتال و اپلیکیشن‌های مسافران را با پیش‌بینی زمان رسیدن اتوبوس‌ها تغذیه می‌کنند.
با ارائه برنامه‌های دقیق و به‌روز، این سیستم‌ها باعث می‌شوند انتظار کوتاه‌تر احساس شود.
سازمان‌ها گزارش می‌دهند که اطلاعات سریع و قابل اعتماد در لحظه و برنامه‌ریزی انتقال با زمان انتظار کم – که اغلب توسط هوش مصنوعی تولید می‌شود – تجربه مشتری را به طور قابل توجهی بهبود می‌بخشد.
این فناوری‌ها با هم همکاری می‌کنند تا اتوبوس‌ها در حرکت بمانند و مسافران مطلع باشند.
برای مثال، ایستگاه‌ها و اپلیکیشن‌های هوشمند اکنون پیش‌بینی‌های تقویت‌شده توسط هوش مصنوعی را نمایش می‌دهند تا مسافران دقیقاً بدانند چقدر باید منتظر بمانند.
نمونه‌های واقعی استفاده از هوش مصنوعی در حمل‌ونقل
این موارد تأثیر هوش مصنوعی را نشان می‌دهند: برنامه‌ریزی هوشمندتر، افزایش قابلیت اطمینان و کاهش زمان انتظار.
سازمان‌های حمل‌ونقل در بسیاری از کشورها (از آمریکا تا اروپا و آسیا) در حال پذیرش این ابزارها هستند. برای مثال، سازمان‌های آمریکایی از هوش مصنوعی برای پیش‌بینی تعداد مسافران و هماهنگی انتقال‌ها استفاده می‌کنند و شهرهایی مانند بوستون و سیاتل در حال آزمایش اولویت‌دهی سیگنال‌های ترافیکی مبتنی بر هوش مصنوعی برای کاهش توقف‌ها هستند.
تمام این تلاش‌ها یک هدف مشترک دارند: کاهش زمان انتظار و تأخیر مسافران.
مزایا و چشم‌انداز آینده
حمل‌ونقل بهینه‌شده با هوش مصنوعی مزایای متعددی دارد. با حفظ فواصل زمانی منظم و کاهش تجمع اتوبوس‌ها، سیستم‌های هوش مصنوعی اطمینان می‌دهند که اتوبوس‌ها در فواصل زمانی منظم می‌رسند و مسافران با فاصله‌های طولانی و غیرقابل پیش‌بینی مواجه نمی‌شوند. تحقیقات حمل‌ونقل نشان می‌دهد که چنین «برنامه‌ریزی پویا» منجر به کاهش زمان سفر و افزایش راحتی مسافران می‌شود.
اپراتورها همچنین در هزینه‌ها صرفه‌جویی می‌کنند: کاهش تعداد اتوبوس‌های بیکار و خدمات روان‌تر به معنای کاهش هزینه‌های سوخت و نیروی کار است که منابع را برای گسترش خدمات آزاد می‌کند.
در واقع، تحلیل‌ها نشان می‌دهد که کاهش ۱۰ درصدی مصرف سوخت (از طریق برنامه‌ریزی بهتر) منافع مالی و زیست‌محیطی قابل توجهی به همراه دارد.
در آینده، هوش مصنوعی در حمل‌ونقل رشد بیشتری خواهد داشت. مدل‌های پیشرفته می‌توانند به طور مداوم از داده‌های زنده (GPS، شمارش مسافران و غیره) یاد بگیرند تا خود را با تغییرات ترافیک و تقاضا تطبیق دهند.
سیستم‌های آینده «شهر هوشمند» ممکن است هوش مصنوعی را با حسگرهای اینترنت اشیا و شبکه‌های ۵G ادغام کنند تا مسیرها و سیگنال‌های اتوبوس به صورت لحظه‌ای بهینه شوند.
پروژه‌های اولیه گزارش می‌دهند که این فناوری‌های دیجیتال حمل‌ونقل عمومی را «پایدارتر و جذاب‌تر» می‌کنند، به ویژه در شبکه‌های با تقاضای کم یا پیچیده.
با پذیرش هوش مصنوعی، شهرها هدف دارند خدمات اتوبوس‌رانی سریع‌تر، قابل اعتمادتر و با ظرفیت بالاتر ارائه دهند و در نهایت زمان انتظار ناخوشایند را به حداقل برسانند.
