آیا می‌خواهید بدانید چگونه «هوش مصنوعی ترافیک ساعات شلوغ را پیش‌بینی می‌کند»؟ بیایید با INVIAI عمیق‌تر به این مقاله بپردازیم تا پاسخ را بیابیم!
در شهرهای شلوغ، بزرگراه‌ها و خیابان‌ها اغلب در ساعات اوج ترافیک به پارکینگ تبدیل می‌شوند – مشکلی ناامیدکننده و پرهزینه. مطالعات نشان می‌دهد که ترافیک باعث زیان اقتصادی حدود ۲٪ از تولید ناخالص داخلی در بسیاری از کشورها می‌شود. به عنوان مثال، در ایالات متحده، راننده متوسط سالانه تقریباً ۴۳ ساعت در ترافیک گرفتار می‌شود.
این زمان هدررفته همچنین به معنای میلیاردها دلار کاهش بهره‌وری، مصرف سوخت اضافی و افزایش آلودگی و استرس بر سلامت مردم است.
برای مقابله با این موضوع، برنامه‌ریزان حمل‌ونقل به هوش مصنوعی روی آورده‌اند. با پیش‌بینی زمان و مکان وقوع ترافیک، سیستم‌های هوش مصنوعی هدف دارند جریان ترافیک را پیش از شروع کندی روان کنند.
پیش‌بینی‌های ترافیکی مدرن هوش مصنوعی بر پایه داده‌های بزرگ است. آن‌ها حجم عظیمی از اطلاعات درباره جاده‌ها جمع‌آوری می‌کنند: شمارش و سرعت‌ها از حسگرها و دوربین‌ها، ردپاهای GPS از گوشی‌ها و خودروها، و حتی عوامل خارجی مانند آب و هوا یا رویدادهای خاص.
برای مثال، دوربین‌های ترافیکی و دستگاه‌های GPS داده‌های زنده‌ای ارسال می‌کنند که هوش مصنوعی آن‌ها را همراه با الگوهای تاریخی همان جاده‌ها تحلیل می‌کند.
این به مدل اجازه می‌دهد «بداند» که یک بخش بزرگراه معمولاً در صبح‌های روزهای کاری کند می‌شود، یا اینکه یک کنسرت در مرکز شهر باعث افزایش خودروها در خیابان‌های خاص می‌شود. در عمل، سیستم‌هایی مانند گوگل مپس خوانش‌های ترافیک لحظه‌ای را با سال‌ها روند گذشته ترکیب می‌کنند تا شرایط را ۱۰ تا ۵۰ دقیقه جلوتر پیش‌بینی کنند.
در واقع، هوش مصنوعی می‌پرسد: «با توجه به آنچه اکنون اتفاق می‌افتد و آنچه معمولاً در این زمان رخ می‌دهد، ترافیک در آینده نزدیک چگونه خواهد بود؟»
منابع داده کلیدی برای مدل‌های ترافیکی هوش مصنوعی عبارتند از:
- داده‌های تاریخی ترافیک: سرعت‌ها و حجم‌ها در هر جاده بر اساس زمان روز/هفته.
- داده‌های زنده: شمارش و سرعت خودروها به صورت لحظه‌ای از حسگرهای جاده، دوربین‌های ترافیکی و دستگاه‌های مجهز به GPS.
- اطلاعات خارجی: گزارش‌های آب و هوا، هشدارهای تصادف یا ساخت‌وساز، و برنامه‌های رویدادهای ویژه.
- الگوریتم‌های یادگیری ماشین: مدل‌هایی مانند شبکه‌های عصبی که الگوهای پیچیده را از تمام ورودی‌های فوق می‌آموزند.
مدل‌های هوش مصنوعی این ورودی‌ها را با تکنیک‌های پیشرفته پردازش می‌کنند. روش‌های آماری سنتی در مقیاس و تغییرپذیری ترافیک شهری دچار مشکل هستند، بنابراین پژوهشگران اکنون از یادگیری عمیق استفاده می‌کنند.
برای مثال، شبکه‌های عصبی بازگشتی (RNN) یا شبکه‌های کانولوشنی می‌توانند تغییرات ترافیک در طول زمان را ثبت کنند و شبکه‌های عصبی گراف (GNN) ساختار شبکه جاده‌ای را به طور صریح به کار می‌گیرند.
در سیستم گوگل، بخش‌های جاده‌ای نزدیک به هم در «ابر بخش‌ها» گروه‌بندی می‌شوند و یک GNN بر روی داده‌های ترافیکی آموزش می‌بیند تا زمان‌های سفر هر بخش را پیش‌بینی کند. زمان‌های سفر پیش‌بینی‌شده (ETA) سپس برای رتبه‌بندی مسیرهای ممکن استفاده می‌شوند. نمودار زیر این روند را نشان می‌دهد:
روند پیش‌بینی ترافیک گوگل: داده‌های ناشناس مسیر و سرعت در ابر بخش‌ها گروه‌بندی شده، توسط شبکه عصبی گراف پردازش می‌شوند تا زمان‌های سفر پیش‌بینی شود، سپس برای رتبه‌بندی مسیرها بر اساس ETA استفاده می‌شود.
کاربردهای دنیای واقعی
پیش‌بینی ترافیک مبتنی بر هوش مصنوعی هم‌اکنون توسط شرکت‌های فناوری و شهرهای سراسر جهان به کار گرفته شده است. برای مثال، گوگل مپس داده‌های زنده کاربران و مدل‌های هوش مصنوعی را برای پیش‌بینی ترافیک ترکیب می‌کند.
این سیستم «به خاطر می‌آورد» که یک بزرگراه معمولاً از ساعت ۶ تا ۷ صبح کند می‌شود، سپس آن تاریخچه را با سرعت‌های زنده ترکیب می‌کند تا شرایط آینده را پیش‌بینی کند.
دیپ‌مایند (آزمایشگاه هوش مصنوعی گوگل) گزارش می‌دهد که مدل‌های پیشرفته یادگیری ماشین (با استفاده از GNN) دقت ETA را تا ۵۰٪ در شهرهایی مانند تایچونگ و سیدنی افزایش داده‌اند. پس از این به‌روزرسانی، بیش از ۹۷٪ از ETAهای سفر بسیار دقیق بودند.
به عبارت دیگر، اگر هوش مصنوعی پیش‌بینی کند مسیر شما ۳۰ دقیقه طول می‌کشد، تقریباً همیشه درست است.
سایر پلتفرم‌های تجاری نیز از ایده‌های مشابه استفاده می‌کنند. شرکت تحلیل ترافیک INRIX می‌گوید هوش مصنوعی آن‌ها می‌تواند «سرعت‌های ترافیک لحظه‌ای را در تمام جاده‌ها» با پردازش دهه‌ها داده پیش‌بینی کند.
این شرکت از پیشرفت‌های هوش مصنوعی و رایانش ابری بهره می‌برد تا حتی خیابان‌های کوچک‌تر که حسگرهای سنتی آن‌ها را نمی‌بینند را پوشش دهد.
اپلیکیشن‌های ناوبری مانند ویز (تحت مالکیت گوگل) و اپل مپس نیز از GPS جمع‌سپاری شده و هوش مصنوعی برای هشدار به رانندگان درباره کندی‌های پیش رو استفاده می‌کنند و گاهی مسیرهای جایگزین قبل از شکل‌گیری ترافیک پیشنهاد می‌دهند.
شهرها و سازمان‌های حمل‌ونقل نیز در حال به‌کارگیری هوش مصنوعی هستند. به عنوان مثال، در بلوویو، واشنگتن، دوربین‌های ۴۰ تقاطع ویدئوی زنده را به هوش مصنوعی می‌فرستند که نقاط شلوغی ترافیک را به صورت لحظه‌ای شناسایی می‌کند.
در دانمارک، سیستم‌های شهری از هوش مصنوعی برای پردازش حجم ترافیک و تنظیم خودکار زمان‌بندی چراغ‌ها (چراغ‌های سبز) بر اساس جریان فعلی استفاده می‌کنند.
حتی چراغ‌های راهنمای کلاسیک هوشمندتر شده‌اند: پیتسبرگ و لس‌آنجلس اکنون چراغ‌های هوشمند تطبیقی دارند که به صورت پویا تنظیم می‌شوند، زمان توقف خودروها را کاهش داده و جریان حرکت را حفظ می‌کنند. پروژه‌های تحقیقاتی در سراسر جهان نیز در حال انجام است.
یک همکاری اروپا-ژاپن در حال آزمایش سیستم یادگیری عمیقی به نام TRALICO است که هم ترافیک را پیش‌بینی می‌کند و هم چراغ‌ها را در استانبول کنترل می‌کند.
تمام این پیاده‌سازی‌های واقعی هدف دارند تا ترافیک را پیش از وقوع پیش‌بینی کنند تا برنامه‌ریزان بتوانند پیش از ایجاد گره‌های ترافیکی اقدام کنند.
مزایا برای رانندگان و شهرها
نتیجه پیش‌بینی‌های دقیق ترافیک بسیار بزرگ است. برای مسافران فردی، هوش مصنوعی به معنای زمان‌های سفر قابل اعتمادتر و کاهش زمان هدررفته در ترافیک است.
اپلیکیشن‌ها می‌توانند قبل از حرکت به شما هشدار دهند اگر جاده‌ای به زودی شلوغ می‌شود یا شما را به مسیرهای جایگزین هدایت کنند تا از کندی‌ها جلوگیری شود.
مطالعات نشان می‌دهد این می‌تواند ساعت‌ها در هفته برای رانندگان صرفه‌جویی کند. راهنمایی‌های هوش مصنوعی همچنین مصرف سوخت را کاهش می‌دهد – توقف‌های بی‌مورد در چراغ‌ها یا حرکت کند در بزرگراه‌ها کمتر می‌شود و سوخت کمتری مصرف می‌شود.
در واقع، یک پروژه هوش مصنوعی گوگل گزارش داده است که توقف خودروها در تقاطع‌های شلوغ تا ۳۰٪ کاهش یافته و انتشار گازهای آلاینده ۱۰٪ کمتر شده است.
در سطح شهر، جریان روان‌تر ترافیک به معنای کاهش آلودگی و افزایش بهره‌وری اقتصادی است. زمان کمتر در ترافیک به معنای بهره‌وری بالاتر، کاهش استرس سفر و هوای پاک‌تر است.
به طور خلاصه، پیش‌بینی‌های مبتنی بر هوش مصنوعی به مردم کمک می‌کند تصمیمات بهتری برای مسیرهای خود بگیرند و به شهرها در طراحی شبکه‌های جاده‌ای کارآمدتر یاری می‌رساند.
چالش‌ها و چشم‌انداز آینده
ساخت پیش‌بینی‌های ترافیکی هوش مصنوعی بدون چالش نیست. جمع‌آوری و پردازش این حجم داده می‌تواند هزینه‌بر باشد – شهرها ممکن است نیاز به سرمایه‌گذاری در حسگرها، دوربین‌ها و زیرساخت‌های محاسباتی داشته باشند.
ادغام هوش مصنوعی در سیستم‌های ترافیکی قدیمی پیچیده است و کارکنان باید برای استفاده از ابزارهای جدید آموزش ببینند.
نگرانی‌هایی نیز درباره حریم خصوصی داده‌ها و سوگیری وجود دارد. مجموعه داده‌های عظیم مکانی باید به صورت امن مدیریت شوند و مدل‌ها ممکن است در صورت وجود نقاط کور در داده‌های آموزشی (مثلاً داده کم درباره جاده‌های روستایی) دچار خطا شوند.
امنیت سایبری نیز مسئله‌ای مهم است: سیستم‌های ترافیکی متصل ممکن است هدف حملات هکری باشند، بنابراین نیاز به تدابیر حفاظتی قوی وجود دارد.
با وجود این چالش‌ها، کارشناسان خوش‌بین هستند. هوش مصنوعی در مدیریت ترافیک هنوز در مراحل اولیه است و جای زیادی برای پیشرفت دارد. پژوهشگران مسیرهای روشنی برای آینده می‌بینند – مانند ساخت مدل‌هایی که به صورت لحظه‌ای به رویدادهای ناگهانی (مثلاً پایان یک مسابقه ورزشی) واکنش نشان دهند و گسترش راه‌حل‌ها به مناطق روستایی.
یک ایده پیشرفته استفاده از مدل‌های زبان بزرگ (مانند آنچه پشت ChatGPT است) برای افزودن زمینه به پیش‌بینی‌ها است. برای مثال، روشی جدید به هوش مصنوعی اجازه می‌دهد اطلاعات نوشتاری درباره بسته شدن جاده‌ها یا رویدادها را «درک» کرده و در پیش‌بینی خود لحاظ کند.
در آینده نزدیک، سیستم‌های هوش مصنوعی ممکن است گزارش‌های ترافیکی را از شبکه‌های اجتماعی یا خبرهای زنده دریافت کنند و پیش‌بینی‌ها را هوشمندتر کنند.
>>> برای دانستن چگونگی: هوش مصنوعی مسیرهای اتوبوس را بهینه می‌کند تا زمان انتظار را کاهش دهد
خلاصه اینکه، هوش مصنوعی در حال تحول نحوه مدیریت ترافیک ساعات شلوغ است. با یادگیری از روندهای تاریخی گسترده و شرایط زنده جاده‌ها، سیستم‌های هوش مصنوعی می‌توانند نگاهی به آینده داشته باشند و تخمین بزنند که کجا ترافیک ایجاد خواهد شد.
این به رانندگان و شهرها فرصت ارزشمندی می‌دهد: تنظیم چراغ‌ها، هدایت مجدد خودروها یا تغییر برنامه‌ها پیش از شکل‌گیری ترافیک.
با پیشرفت‌های مداوم و اجرای دقیق، پیش‌بینی ترافیک مبتنی بر هوش مصنوعی وعده کوتاه‌تر، پاک‌تر و کم‌استرس‌تر شدن سفرهای روزانه را می‌دهد.
