برنامه‌ریزی و عملیات ترافیک مبتنی بر داده

در شهرهای مدرن، ترافیک دیگر فقط مربوط به سطح جاده‌ها، تقاطع‌ها یا تعداد خطوط نیست؛ بلکه به داستانی داده‌محور تبدیل شده است.

وقتی زیرساخت‌های نرم و نهادها با هم سازگار باشند، شهرها می‌توانند بدون تکیه کامل بر سرمایه‌گذاری‌های فیزیکی، ترافیک را از طریق راه‌حل‌های نرم به طور مداوم بهبود بخشند. (در عکس: تقاطعی در شهر. عکس: THANH LAN)

هر حرکت انسانی، هر سفر با وسیله نقلیه، هر رویداد شهری جریانی از داده‌ها را تولید می‌کند که منعکس کننده ریتم و ساختار پویای شهر است.

دیدگاه خود را نسبت به داده‌ها تغییر دهید.

وقتی مناطق شهری سریع‌تر از ظرفیت زیرساخت‌های فیزیکی خود رشد می‌کنند و هر گلوگاه به یک هزینه اجتماعی تبدیل می‌شود، تنها رویکرد برای برنامه‌ریزی و عملیات مؤثر، مشاهده ترافیک به عنوان دو لایه موازی است: لایه فیزیکی که می‌بینیم؛ و لایه داده‌ای که باید درک کنیم. این امر به یک اصل جدید منجر می‌شود: تمام برنامه‌ریزی‌های فیزیکی ترافیک باید مبتنی بر درک عمیقی از جریان داده‌ها باشد؛ و قبل از هرگونه توسعه یا ساخت و ساز جدید، باید تمام گلوگاه‌های فیزیکی با داده‌ها کاهش یابند.

اگر داده‌ها را نادیده بگیریم و فقط با چشم غیرمسلح مشاهده کنیم، ترافیک همیشه مانند یک سری آشفته و غیرقابل پیش‌بینی به نظر می‌رسد. اما وقتی جریان داده‌ها از دوربین‌ها، اینترنت اشیا، GPS، نقشه‌های دیجیتال، حمل و نقل عمومی و زیرساخت‌های شهری ادغام می‌شوند، تصویر متفاوتی می‌بینیم. جریان فیزیکی ترافیک در واقع از داده‌های مربوط به رفتار شکل می‌گیرد: چه کسی به کجا، در چه زمانی، در کدام مسیر و به چه دلیلی می‌رود؛ ترافیک پایه چیست، نوسانات فصلی چیست؛ تنگناهای واقعی کدامند و کدام‌ها فقط پدیده‌های محلی هستند.

داده‌ها به ما کمک می‌کنند تا بین علت و معلول تمایز قائل شویم؛ در غیر این صورت، ما به راحتی بر اساس ظاهر برنامه‌ریزی می‌کنیم و مسائل اساسی را نادیده می‌گیریم. بنابراین، برنامه‌ریزی حمل و نقل مدرن نمی‌تواند همچنان به بررسی‌های ایستا یا مدل‌های خطی متکی باشد، بلکه باید بر اساس تجزیه و تحلیل پویای داده‌ها، در زمان واقعی و در طول چرخه‌های بلندمدت باشد.

پس از جمع‌آوری و استانداردسازی داده‌ها، گام بعدی مدل‌سازی رفتار حرکتی و شبیه‌سازی سناریوهای برنامه‌ریزی است. فناوری‌های شبیه‌سازی خرد و مدل‌سازی چندعاملی امکان بازآفرینی چگونگی تعامل صدها هزار وسیله نقلیه با یکدیگر در هر ثانیه را فراهم می‌کنند. این مدل‌ها تأیید می‌کنند که چگونه یک مسیر جدید، یک تقاطع اصلاح‌شده یا یک خط اتوبوس اختصاصی، اثرات موجی ایجاد می‌کند. به عبارت دیگر، داده‌ها، برنامه‌ریزی را از حالت گمانه‌زنی به حالت اعتبارسنجی‌شده تغییر می‌دهند. تنها زمانی که گزینه‌ها در یک محیط دیجیتال شبیه‌سازی و اثبات شوند، شهر می‌تواند تصمیمات سرمایه‌گذاری فیزیکی مطمئنی اتخاذ کند و از اشتباهاتی که می‌تواند برای دهه‌ها ادامه داشته باشد، جلوگیری کند.

با این حال، حتی با برنامه‌ریزی مناسب، زیرساخت‌های فیزیکی محدودیت‌هایی دارند. یک جاده را نمی‌توان فوراً تعریض کرد، یک پل را نمی‌توان تنها در عرض چند ماه ساخت و بودجه‌های عمومی اجازه گسترش هر گلوگاهی را نمی‌دهند. در اینجا، داده‌ها همچنان نقش زیرساخت نرم را ایفا می‌کنند و ظرفیت زیرساخت سخت را در بر می‌گیرند و آن را افزایش می‌دهند.

وقتی سیستم‌های پیش‌بینی مبتنی بر داده بتوانند گلوگاه‌ها را ۱۰ تا ۳۰ دقیقه قبل از تشکیل شناسایی کنند، شهرها توانایی اجرای مداخلات نرم را دارند: تنظیم چرخه چراغ راهنمایی، تغییر مسیر، ایجاد سیگنال‌های چراغ سبز، توزیع جریان ترافیک از راه دور از طریق نقشه‌های دیجیتال یا پیشنهاد مسیرهای جایگزین به طور مستقیم به تلفن‌های شهروندان. این اقدامات مؤثر هستند زیرا بر رفتار و تقاضا تأثیر می‌گذارند - دو عاملی که الگوهای جریان ترافیک را تعیین می‌کنند. در واقع، مطالعات نشان می‌دهد که اگر فقط ۱۰ تا ۱۵ درصد از مسافران زمان‌بندی یا انتخاب مسیر خود را تغییر دهند، می‌توان گلوگاه‌ها را بدون باز کردن حتی یک متر جاده حل کرد.

ما باید روی راه‌حل‌های نرم تمرکز کنیم.

نکته کلیدی این است که داده‌ها نه تنها به عملیات فوری کمک می‌کنند، بلکه پایه و اساس مدیریت تقاضای بلندمدت را نیز تشکیل می‌دهند. توکیو (ژاپن) نه با ساخت جاده‌های جدید، بلکه با تجزیه و تحلیل داده‌های بلیط قطار به صورت ساعتی و تنظیم برنامه‌ها برای توزیع تقاضا، ازدحام را کاهش می‌دهد. سنگاپور از ERP برای توزیع تقاضا بر اساس قیمت استفاده می‌کند. سئول (کره جنوبی) از هوش مصنوعی برای بهینه‌سازی چرخه‌های چراغ راهنمایی استفاده می‌کند تا بار تقاطع‌ها را بدون گسترش کاهش دهد. لس‌آنجلس (ایالات متحده آمریکا) 4500 تقاطع را از یک مرکز داده واحد اداره می‌کند. کپنهاگ (دانمارک) از داده‌های دوچرخه و هواشناسی برای اولویت‌بندی جریان ترافیک کند در ساعات اوج استفاده می‌کند. همه این شهرها نشان می‌دهند که کاهش گلوگاه‌ها با داده‌ها بسیار مؤثرتر و ارزان‌تر از ساخت زیرساخت‌های سخت است.

برای اینکه داده‌ها واقعاً به زیرساخت نرم تبدیل شوند، شهرها به یک معماری داده یکپارچه نیاز دارند: یک مرکز داده حمل و نقل شهری به عنوان مرکز اصلی؛ یک دوقلوی دیجیتال برای شبیه‌سازی و آزمایش حمل و نقل؛ یک موتور ترافیک هوش مصنوعی برای بهینه‌سازی در لحظه؛ و سیستم‌های حمل و نقل هوشمند (ITS) برای جمع‌آوری مداوم داده‌ها. علاوه بر این، مؤسسات باید خود را با موارد زیر وفق دهند: اجباری کردن استفاده از داده‌ها و شبیه‌سازی در برنامه‌ریزی، الزام به اشتراک‌گذاری داده‌ها بین آژانس‌ها و مشاغل حمل و نقل، استانداردسازی APIها و ایجاد جعبه‌های شنی برای آزمایش مدل‌های جدید سازماندهی ترافیک.

وقتی زیرساخت‌های نرم و نهادها با هم سازگار باشند، شهرها می‌توانند بدون تکیه صرف بر سرمایه‌گذاری در زیرساخت‌های سخت، جریان ترافیک را از طریق راه‌حل‌های نرم به طور مداوم بهبود بخشند. وقتی از داده‌ها برای کنترل چراغ‌های راهنمایی هوشمند، تخصیص انعطاف‌پذیر خطوط، سیستم‌های هشدار اولیه و پیشنهاد مسیر استفاده می‌شود، شهرها نه تنها می‌توانند ازدحام را کاهش دهند، بلکه ایمنی را در شرایط آب و هوایی شدید نیز افزایش می‌دهند - چیزی که زیرساخت‌های سخت به تنهایی نمی‌توانند به آن بپردازند.

همه موارد فوق به یک نتیجه واحد منجر می‌شود: حمل و نقل دیگر مسابقه‌ای برای ساخت جاده‌ها نیست، بلکه مسابقه‌ای برای ثبت و سازماندهی جریان داده‌ها است. زیرساخت فیزیکی پایه و اساس است، اما زیرساخت داده، قابلیت آن است. شهرهایی که بر داده‌ها تسلط دارند، بر نحوه جابجایی مردم تسلط خواهند یافت، از هزینه‌های اجتماعی ازدحام جلوگیری می‌کنند، بهره‌وری اقتصادی را افزایش می‌دهند و کیفیت زندگی را بهبود می‌بخشند. بنابراین، در شهرهای مدرن، برنامه‌ریزی حمل و نقل باید مبتنی بر درک عمیقی از جریان داده‌ها باشد؛ و قبل از هرگونه توسعه‌ای، باید تمام تنگناهای فیزیکی توسط داده‌ها کاهش یابد.

منبع: https://baodanang.vn/quy-hoach-van-hanh-giao-thong-bang-du-lieu-3314724.html