داده‌های عظیم و هوش مصنوعی در حمل‌ونقل هوشمند

چراغ‌های کنترل‌شده با هوش مصنوعی زمان‌های سبز را به‌طور پویا بر اساس ترافیک لحظه‌ای تنظیم می‌کنند. سیستم Surtrac در پیتسبرگ از دوربین‌ها و رادارها در هر تقاطع برای شناسایی خودروهای در حال نزدیک‌شدن استفاده می‌کند و مدل‌های پیش‌بینی‌کننده‌ای را اجرا می‌کند که برنامه‌های سیگنال را فوراً بهینه می‌سازند. تقاطع‌ها با یکدیگر ارتباط دارند تا چراغ‌های پایین‌دست بدانند چه زمانی ترافیک در راه است.

مدل‌های یادگیری ماشین با تحلیل الگوهای تاریخی، هواشناسی و رویدادهای ویژه پیش‌بینی می‌کنند که کجا و چه زمانی گلوگاه‌ها شکل خواهند گرفت. سیستم‌های هوش مصنوعی می‌توانند «مشکل را از پیش ببینند» و به برنامه‌ریزان شهری اجازه دهند تا قبل از وقوع ترافیک، مسیرها را منحرف یا تعرفه‌ها را تنظیم کنند.

مطالعات نشان می‌دهند که الگوریتم‌های هوش مصنوعی آموزش‌دیده با داده‌های دوربین ترافیک و GPS، تراکم آینده را بسیار بهتر از روش‌های دستی پیش‌بینی می‌کنند و به مقامات زمان واکنش پیشگیرانه می‌دهند.

اپلیکیشن‌های ناوبری از داده‌های عظیم بهره می‌برند تا مسیرهای سریع‌تر را در زمان واقعی پیشنهاد دهند. Google Maps و Waze میلیون‌ها مسیر حرکتی و گزارش حادثه از کاربران جمع‌آوری می‌کنند و سپس با استفاده از هوش مصنوعی پروفایل‌های سرعت تاریخی را با شرایط زنده ترکیب می‌کنند. اپلیکیشن در صورت شکل‌گیری تراکم پیش‌بینی‌شده انحراف مسیر پیشنهاد می‌دهد و برخی سیستم‌ها هشدارهای مسیر جایگزین را به هزاران وسیله نقلیه هم‌زمان ارسال می‌کنند.

هوش مصنوعی فیدهای دوربین و داده‌های حسگر را برای شناسایی فوری تصادفات یا شرایط خطرناک تحلیل می‌کند. الگوریتم‌های بینایی ماشین وسایل نقلیه متوقف، آوار، چاله‌ها، لکه‌های یخ یا عابران پیاده روی جاده را تشخیص داده و هشدارها را بلافاصله به رانندگان و اپراتورها ارسال می‌کنند.

آزمایشگاه ترافیک دبی فراتر رفته و با شناسایی نقاط خطرپذیر تصادف به مقامات اجازه می‌دهد تا اقدامات پیشگیرانه را از پیش اجرا کنند. گزارش‌های مشارکتی حادثه خوشه‌بندی می‌شوند تا خطرات سریع‌تر از گزارش‌های سنتی ۹۱۱ تأیید شوند.

داده‌های عظیم خدمات اتوبوس، مترو و شبکه‌های دوچرخه را بهبود می‌بخشند. هوش مصنوعی بر اساس الگوهای تقاضا و پیش‌بینی‌های ترافیکی برنامه‌های زمانی اتوبوس‌ها را اصلاح می‌کند. در لندن، دوربین‌ها و حسگرهای مبتنی بر هوش مصنوعی برای مدیریت جریان مسافر و تسریع در گیت‌های بلیط تا ۳۰٪ آزمایش شده‌اند.

تحلیل‌ها اتوبوس‌ها و قطارها را با چراغ‌های راهنمایی و یکدیگر همگام می‌کنند تا زمان‌های انتظار کاهش یابند. آژانس‌های حمل‌ونقل استفاده از دوچرخه‌های اشتراکی و اسکوترهای برقی (از طریق داده‌های اپلیکیشن) را تحلیل می‌کنند تا مسیرهای دوچرخه جدید برنامه‌ریزی و شبکه‌های چندوجهی بهینه شوند.

ناوگان‌های باری و تحویل برای بهینه‌سازی مسیرها به‌منظور صرفه‌جویی در سوخت از تحلیل‌های ترافیک استفاده می‌کنند. پلتفرم‌های داده‌های عظیم فیدهای ترافیک زنده را دریافت می‌کنند تا وسایل نقلیه باری را از تأخیرها منحرف کنند و هزینه‌ها را به‌طور قابل‌توجهی کاهش دهند. انبارها از مدل‌های پیش‌بینی برای زمان‌بندی ارسال‌ها در بازه‌های کم‌ترافیک استفاده می‌کنند و بهینه‌سازی مسیر پویا اکنون در نرم‌افزارهای لجستیک مدرن استاندارد است.

جمع‌آوری و متمرکزسازی داده‌های حرکتی نگرانی‌های حریم خصوصی را برمی‌انگیزد. مقامات باید اطمینان حاصل کنند که اطلاعات سفر شخصی ناشناس‌سازی و محافظت می‌شوند.

اقدامات امنیت سایبری برای جلوگیری از دسترسی غیرمجاز به سیستم‌های کنترل ترافیک ضروری است.

سیستم‌های هوشمند نیازمند سخت‌افزار گسترده‌ای هستند — از حسگرهای فراگیر تا ارتباطات با پهنای باند بالا (شبکه‌های 4G/5G) و زیرساخت‌های محاسباتی قدرتمند. ارتقای تجهیزات ترافیکی قدیمی هزینه‌بر است و نگهداری مداوم به‌ویژه برای شهرهایی با زیرساخت پیر، کار ساده‌ای نیست.

داده‌های ترافیکی از آژانس‌ها و شرکت‌های خصوصی متعدد می‌آیند. ترکیب جریان‌های GPS از تلفن‌ها با آشکارسازهای حلقه‌ای قدیمی یا پایگاه‌داده‌های سازمانی پیچیده است. تفاوت در فرمت داده‌ها، شکاف‌های پوشش‌دهی و حسگرهای پرنویز چالش‌های فنی ایجاد می‌کند.

امروزه بسیاری از شهرها برای تکمیل حسگرهای خود داده‌های GPS را از Google/Waze می‌خرند، اما همگرا کردن این منابع نیاز به مهندسی داده قوی و اعتبارسنجی دقیق دارد.

تصمیم‌های هوش مصنوعی باید عادلانه و منصفانه باشند. اگر اولویت‌دهی سیگنال‌ها برخی مسیرها یا محله‌ها را ترجیح دهند، مسائل عدالت پدید می‌آید. سیستم‌ها باید برای خدمت‌رسانی عادلانه به همه کاربران تنظیم شوند.

رهبران حمل‌ونقل باید اطمینان دهند که هوش مصنوعی به‌طور ناخواسته به دوچرخه‌سواران، عابران پیاده یا مناطق کم‌بضاعت آسیب نرساند. برای مثال سنگاپور بر ضرورت نظارت انسانی برای جلوگیری از سوگیری و تضمین نتایج عادلانه تأکید می‌کند.

مدل‌های هوش مصنوعی ممکن است در شرایط غیرمعمول (آب‌وهوای شدید، حوادث بزرگ) دچار خطا شوند. برنامه‌ریزان تأکید دارند که این ابزارها باید مکمل باشند، نه جایگزین اپراتورهای انسانی. همان‌طور که رئیس ترافیک سئول اشاره کرد، هوش مصنوعی باید به‌عنوان «دستیار» برای تصمیم‌گیرندگان انسانی عمل کند.