Adakah anda ingin tahu bagaimana "AI meramalkan kesesakan lalu lintas waktu puncak"? Mari kita selami artikel ini bersama INVIAI untuk mencari jawapannya!
Di bandar-bandar yang sibuk, lebuh raya dan jalan sering menjadi tempat letak kereta semasa waktu puncak – satu masalah yang mengecewakan dan mahal. Kajian menganggarkan bahawa kesesakan lalu lintas menelan kos kepada banyak ekonomi sekitar 2% daripada KDNK. Di Amerika Syarikat, contohnya, pemandu purata kehilangan kira-kira 43 jam setahun tersekat dalam kesesakan.
Masa yang terbuang ini juga bermakna berbilion dolar dalam produktiviti yang hilang, pembakaran bahan api tambahan, serta peningkatan pencemaran dan tekanan kepada kesihatan manusia.
Untuk mengatasi masalah ini, perancang pengangkutan beralih kepada kecerdasan buatan. Dengan meramalkan di mana dan bila kesesakan akan berlaku, sistem AI bertujuan untuk melancarkan aliran trafik sebelum perlahan berlaku.
Ramalan trafik AI moden bergantung pada data besar. Ia mengumpul aliran maklumat yang luas tentang jalan raya: kiraan dan kelajuan dari sensor dan kamera, jejak GPS dari telefon pintar dan kenderaan, serta faktor luaran seperti cuaca atau acara khas.
Sebagai contoh, kamera trafik dan peranti GPS menghantar data langsung yang dianalisis AI bersama corak sejarah jalan yang sama.
Ini membolehkan model “mengetahui” bahawa segmen lebuh raya biasanya perlahan pada waktu pagi hari bekerja, atau bahawa konsert di pusat bandar akan menyebabkan lebih banyak kenderaan ke jalan tertentu. Dalam praktiknya, sistem seperti Google Maps menggabungkan bacaan trafik masa nyata dengan trend masa lalu bertahun-tahun untuk meramalkan keadaan 10–50 minit ke hadapan.
Secara ringkas, AI bertanya: “Berdasarkan apa yang sedang berlaku sekarang dan apa yang biasanya berlaku pada masa ini, bagaimana keadaan trafik dalam masa terdekat?”
Sumber data utama untuk model trafik AI termasuk:
- Data trafik sejarah: Kelajuan dan jumlah kenderaan di setiap jalan mengikut masa hari/minggu.
- Data langsung: Kiraan dan kelajuan kenderaan masa nyata dari sensor jalan, kamera trafik, dan peranti GPS.
- Maklumat luaran: Laporan cuaca, amaran kemalangan atau pembinaan, dan jadual acara khas.
- Algoritma pembelajaran mesin: Model (seperti rangkaian neural) yang mempelajari corak kompleks dari semua input di atas.
Model AI memproses input ini dengan teknik canggih. Kaedah statistik tradisional sukar menangani skala dan variasi trafik bandar, jadi penyelidik kini menggunakan pembelajaran mendalam.
Sebagai contoh, rangkaian neural berulang (RNN) atau rangkaian konvolusi boleh menangkap perubahan trafik dari masa ke masa, dan rangkaian neural graf (GNN) menggunakan struktur rangkaian jalan secara eksplisit.
Dalam sistem Google, segmen jalan berdekatan digabungkan menjadi “supersegmen” dan GNN dilatih menggunakan data trafik untuk meramalkan masa perjalanan bagi setiap segmen. Masa perjalanan yang diramalkan (ETA) kemudian digunakan untuk mengutamakan laluan yang mungkin. Rajah di bawah menerangkan proses ini:
Proses ramalan trafik Google: data laluan dan kelajuan yang dianonimkan digabungkan ke dalam supersegmen, diproses oleh Rangkaian Neural Graf untuk meramalkan masa perjalanan, kemudian digunakan untuk mengutamakan laluan mengikut ETA.
Aplikasi Dunia Sebenar
Ramalan trafik berkuasa AI sudah digunakan oleh syarikat teknologi dan bandar di seluruh dunia. Contohnya, Google Maps menggabungkan data pengguna langsung dan model AI untuk meramalkan kesesakan.
Ia “mengingat” bahawa lebuh raya tertentu biasanya perlahan dari jam 6–7 pagi, kemudian menggabungkan sejarah itu dengan kelajuan langsung untuk meramalkan keadaan masa depan.
DeepMind (makmal AI Google) melaporkan bahawa model ML yang dipertingkatkan (menggunakan GNN) telah meningkatkan ketepatan ETA sehingga 50% di bandar seperti Taichung dan Sydney. Selepas peningkatan ini, lebih 97% ETA perjalanan sangat tepat.
Dengan kata lain, jika AI meramalkan laluan anda mengambil masa 30 minit, ia hampir selalu tepat.
Platform komersial lain menggunakan idea serupa. Firma analitik trafik INRIX berkata AI mereka boleh “meramalkan kelajuan trafik masa nyata di semua jalan” dengan memproses data berdekad-dekad.
Inrix memanfaatkan kemajuan AI dan pengkomputeran awan untuk merangkumi jalan-jalan kecil yang tidak dapat dikesan oleh sensor tradisional.
Aplikasi navigasi seperti Waze (oleh Google) dan Apple Maps juga menggunakan GPS sumber ramai dan AI untuk memberitahu pemandu tentang perlahan yang akan datang, kadang-kadang mencadangkan laluan alternatif sebelum kesesakan terbentuk.
Bandar dan agensi pengangkutan juga menggunakan AI. Di Bellevue, Washington, contohnya, kamera di 40 persimpangan menghantar video langsung ke AI yang mengesan titik kesesakan secara masa nyata.
Di Denmark, sistem bandar menggunakan AI untuk memproses jumlah trafik dan secara automatik menyesuaikan masa isyarat lampu hijau berdasarkan aliran semasa.
Lampu isyarat klasik juga semakin pintar: Pittsburgh dan Los Angeles kini mempunyai isyarat adaptif AI yang menyesuaikan secara langsung, mengurangkan masa menunggu dan memastikan kenderaan bergerak. Projek penyelidikan juga sedang dijalankan di seluruh dunia.
Kerjasama Eropah–Jepun sedang menguji sistem pembelajaran mendalam bernama TRALICO yang meramalkan kesesakan dan mengawal lampu isyarat di Istanbul.
Semua penggunaan dunia sebenar ini bertujuan untuk meramalkan kesesakan lebih awal supaya perancang boleh bertindak sebelum kesesakan berlaku.
Manfaat untuk Pemandu dan Bandar
Manfaat ramalan trafik yang tepat sangat besar. Bagi pengguna individu, AI bermakna masa perjalanan yang lebih boleh dipercayai dan kurang masa terbuang dalam kesesakan.
Aplikasi boleh memberi amaran sebelum anda bertolak jika jalan akan sesak, atau mengalihkan anda ke laluan lain untuk mengelak perlahan.
Kajian mencadangkan ini boleh menjimatkan masa pemandu berjam-jam setiap minggu. Panduan AI juga mengurangkan penggunaan bahan api – tiada lagi menunggu lama di lampu isyarat atau merayap di lebuh raya sesak bermakna kurang pembakaran petrol.
Sebenarnya, satu projek AI Google melaporkan pengurangan pemberhentian kenderaan sebanyak 30% dan pelepasan bahan api sebanyak 10% di persimpangan sibuk.
Di peringkat bandar, aliran trafik yang lancar membawa kepada pencemaran yang lebih rendah dan keuntungan ekonomi. Kurang masa dalam kesesakan bermakna produktiviti lebih tinggi, tekanan perjalanan berkurang, dan udara lebih bersih.
Pendek kata, ramalan berkuasa AI membantu orang membuat keputusan laluan yang lebih baik dan membantu bandar mereka bentuk rangkaian jalan yang lebih cekap.
Cabaran dan Pandangan Masa Depan
Membangunkan ramalan trafik AI bukan tanpa cabaran. Mendapat dan memproses begitu banyak data boleh menjadi mahal – bandar mungkin perlu melabur dalam sensor, kamera dan infrastruktur pengkomputeran.
Mengintegrasikan AI ke dalam sistem trafik lama adalah kompleks, dan kakitangan perlu dilatih menggunakan alat baru ini.
Terdapat juga kebimbangan mengenai privasi data dan bias. Set data lokasi yang besar mesti dikendalikan dengan selamat, dan model boleh tersilap jika data latihan mempunyai kekurangan (contohnya, kurang data mengenai jalan luar bandar adalah jurang yang diketahui).
Keselamatan siber juga isu penting: sistem trafik yang bersambung boleh menjadi sasaran penggodam, jadi perlindungan kukuh diperlukan.
Walaupun dengan cabaran ini, pakar optimis. AI dalam pengurusan trafik masih di peringkat awal, dengan banyak ruang untuk berkembang. Penyelidik melihat laluan jelas ke hadapan – seperti membuat model yang menyesuaikan diri secara masa nyata kepada kejadian tiba-tiba (contohnya, perlawanan sukan tamat) dan meluaskan penyelesaian ke kawasan luar bandar.
Idea terkini adalah menggunakan model bahasa besar (seperti yang digunakan oleh ChatGPT) untuk menambah konteks kepada ramalan. Contohnya, kaedah baru membolehkan AI “memahami” maklumat bertulis tentang penutupan jalan atau acara dan memasukkannya ke dalam ramalannya.
Dalam masa terdekat, sistem AI mungkin menggabungkan laporan trafik dari media sosial atau berita langsung, menjadikan ramalan lebih pintar.
>>> Klik untuk tahu bagaimana: AI Mengoptimumkan Laluan Bas untuk Mengurangkan Masa Menunggu
Kesimpulannya, kecerdasan buatan sedang mengubah cara kita menangani kesesakan lalu lintas waktu puncak. Dengan belajar dari corak sejarah yang luas dan keadaan jalan masa nyata, sistem AI dapat melihat ke hadapan dan menganggarkan di mana kesesakan akan berlaku.
Ini memberi pemandu dan bandar kelebihan awal yang berharga: menyesuaikan isyarat, mengalihkan kenderaan, atau mengubah jadual sebelum kesesakan terbentuk.
Dengan kemajuan berterusan dan pelaksanaan yang teliti, ramalan trafik berkuasa AI menjanjikan perjalanan yang lebih singkat, bersih, dan kurang membebankan.
