រាល់ចលនារបស់មនុស្ស រាល់ការធ្វើដំណើររបស់យានយន្ត រាល់ព្រឹត្តិការណ៍ទីក្រុងទាំងអស់ បង្កើតចរន្តទិន្នន័យដែលឆ្លុះបញ្ចាំងពីចង្វាក់ និងរចនាសម្ព័ន្ធថាមវន្តនៃទីក្រុង។
ផ្លាស់ប្តូរទស្សនៈរបស់អ្នកលើទិន្នន័យ។
នៅពេលដែលតំបន់ទីក្រុងមានការរីកចម្រើនលឿនជាងហេដ្ឋារចនាសម្ព័ន្ធរូបវន្តរបស់ពួកគេអាចពង្រីកបាន ហើយឧបសគ្គនីមួយៗក្លាយជាការចំណាយសង្គម វិធីសាស្រ្តតែមួយគត់ដើម្បីធ្វើផែនការ និងប្រតិបត្តិការប្រកបដោយប្រសិទ្ធភាពគឺត្រូវមើលចរាចរណ៍ជាស្រទាប់ពីរស្របគ្នា៖ ស្រទាប់រូបវន្តដែលយើងឃើញ និងស្រទាប់ទិន្នន័យដែលយើងត្រូវតែយល់។ នេះនាំឱ្យមានគោលការណ៍ថ្មីមួយ៖ ការធ្វើផែនការចរាចរណ៍រូបវន្តទាំងអស់ត្រូវតែផ្អែកលើការយល់ដឹងស៊ីជម្រៅអំពីលំហូរទិន្នន័យ ហើយឧបសគ្គរូបវន្តទាំងអស់ត្រូវតែកាត់បន្ថយដោយទិន្នន័យមុនពេលការពង្រីក ឬការសាងសង់ថ្មីណាមួយអាចត្រូវបានពិចារណា។
ប្រសិនបើយើងមិនអើពើនឹងទិន្នន័យ ហើយគ្រាន់តែសង្កេតដោយភ្នែកទទេ ចរាចរណ៍នឹងតែងតែមើលទៅដូចជាស៊េរីដ៏ច្របូកច្របល់ និងមិនអាចទាយទុកជាមុនបាន។ ប៉ុន្តែនៅពេលដែលលំហូរទិន្នន័យពីកាមេរ៉ា អ៊ីនធឺណិត (IoT) ប្រព័ន្ធ GPS ផែនទីឌីជីថល ការដឹកជញ្ជូនសាធារណៈ និងហេដ្ឋារចនាសម្ព័ន្ធទីក្រុងត្រូវបានរួមបញ្ចូល យើងឃើញរូបភាពខុសគ្នា។ លំហូរចរាចរណ៍រូបវន្តត្រូវបានបង្កើតឡើងពីទិន្នន័យអំពីឥរិយាបថ៖ អ្នកណាទៅណា ពេលណា លើផ្លូវណា និងសម្រាប់ហេតុផលអ្វី។ តើចរាចរណ៍មូលដ្ឋានជាអ្វី តើការប្រែប្រួលតាមរដូវជាអ្វី? តើអ្វីជាចំណុចកកស្ទះពិតប្រាកដ និងអ្វីដែលគ្រាន់តែជាបាតុភូតក្នុងស្រុក។
ទិន្នន័យជួយយើងឱ្យបែងចែករវាងមូលហេតុ និងផលប៉ះពាល់។ បើមិនដូច្នោះទេ យើងរៀបចំផែនការយ៉ាងងាយស្រួលដោយផ្អែកលើផ្ទៃខាងលើ ខណៈពេលដែលមិនអើពើនឹងបញ្ហាមូលដ្ឋាន។ ដូច្នេះ ការធ្វើផែនការដឹកជញ្ជូនទំនើបមិនអាចបន្តពឹងផ្អែកលើការស្ទង់មតិឋិតិវន្ត ឬគំរូលីនេអ៊ែរបានទេ ប៉ុន្តែត្រូវតែផ្អែកលើការវិភាគទិន្នន័យថាមវន្ត ក្នុងពេលវេលាជាក់ស្តែង និងលើវដ្តរយៈពេលវែង។
នៅពេលដែលទិន្នន័យត្រូវបានប្រមូល និងធ្វើឱ្យមានស្តង់ដារ ជំហានបន្ទាប់គឺការធ្វើគំរូឥរិយាបថចលនា និងក្លែងធ្វើសេណារីយ៉ូផែនការ។ បច្ចេកវិទ្យាធ្វើគំរូមីក្រូ និងពហុភ្នាក់ងារអនុញ្ញាតឱ្យមានការកសាងឡើងវិញនូវរបៀបដែលយានយន្តរាប់រយរាប់ពាន់គ្រឿងមានអន្តរកម្មជាមួយគ្នាជារៀងរាល់វិនាទី។ គំរូទាំងនេះផ្ទៀងផ្ទាត់ពីរបៀបដែលផ្លូវថ្មី ការផ្លាស់ប្តូរដែលបានកែប្រែ ឬគន្លងឡានក្រុងដែលឧទ្ទិសនឹងបង្កើតផលប៉ះពាល់។ ម្យ៉ាងវិញទៀត ទិន្នន័យផ្លាស់ប្តូរផែនការពីស្ថានភាពស្មានទៅស្ថានភាពដែលមានសុពលភាព។ មានតែនៅពេលដែលជម្រើសត្រូវបានក្លែងធ្វើ និងបញ្ជាក់នៅក្នុងបរិយាកាសឌីជីថលប៉ុណ្ណោះ ទើបទីក្រុងអាចធ្វើការសម្រេចចិត្តវិនិយោគរូបវន្តដោយទំនុកចិត្ត ដោយជៀសវាងកំហុសដែលអាចមានរយៈពេលរាប់ទសវត្សរ៍។
ទោះជាយ៉ាងណាក៏ដោយ ទោះបីជាមានការរៀបចំផែនការត្រឹមត្រូវក៏ដោយ ហេដ្ឋារចនាសម្ព័ន្ធរូបវន្តនៅតែមានដែនកំណត់។ ផ្លូវមិនអាចពង្រីកបានភ្លាមៗទេ ស្ពានមិនអាចសាងសង់បានក្នុងរយៈពេលត្រឹមតែប៉ុន្មានខែប៉ុណ្ណោះ ហើយថវិកាសាធារណៈមិនអនុញ្ញាតឱ្យមានការពង្រីកឧបសគ្គនីមួយៗនោះទេ។ នៅទីនេះ ទិន្នន័យនៅតែបន្តដើរតួនាទីជាហេដ្ឋារចនាសម្ព័ន្ធទន់ ដែលរុំព័ទ្ធ និងបង្កើនសមត្ថភាពនៃហេដ្ឋារចនាសម្ព័ន្ធរឹង។
នៅពេលដែលប្រព័ន្ធព្យាករណ៍ដែលជំរុញដោយទិន្នន័យអាចកំណត់អត្តសញ្ញាណចំណុចកកស្ទះ 10-30 នាទីមុនពេលវាកើតឡើង ទីក្រុងនានាមានសមត្ថភាពក្នុងការអនុវត្តអន្តរាគមន៍ទន់ៗ៖ ការកែតម្រូវវដ្តភ្លើងសញ្ញាចរាចរណ៍ ការបញ្ច្រាសគន្លងផ្លូវ ការបង្កើតសញ្ញាភ្លើងពណ៌បៃតង ការបំបែកលំហូរចរាចរណ៍ពីចម្ងាយតាមរយៈផែនទីឌីជីថល ឬការណែនាំផ្លូវជំនួសដោយផ្ទាល់ទៅកាន់ទូរស័ព្ទរបស់ប្រជាពលរដ្ឋ។ វិធានការទាំងនេះមានប្រសិទ្ធភាពព្រោះវាមានឥទ្ធិពលលើឥរិយាបថ និងតម្រូវការ - កត្តាពីរដែលកំណត់គំរូលំហូរចរាចរណ៍។ តាមពិតទៅ ការសិក្សាបង្ហាញថា ប្រសិនបើអ្នកធ្វើដំណើរត្រឹមតែ 10-15% ផ្លាស់ប្តូរពេលវេលា ឬជម្រើសផ្លូវរបស់ពួកគេ ការកកស្ទះអាចត្រូវបានដោះស្រាយដោយមិនចាំបាច់បើកផ្លូវសូម្បីតែមួយម៉ែត្រ។
យើងត្រូវផ្តោតលើ ដំណោះស្រាយទន់ៗ។
ចំណុចសំខាន់គឺថាទិន្នន័យមិនត្រឹមតែជួយដល់ប្រតិបត្តិការភ្លាមៗប៉ុណ្ណោះទេ ប៉ុន្តែវាក៏ជាមូលដ្ឋានគ្រឹះសម្រាប់ការគ្រប់គ្រងតម្រូវការរយៈពេលវែងផងដែរ។ ទីក្រុងតូក្យូ (ប្រទេសជប៉ុន) កាត់បន្ថយការកកស្ទះចរាចរណ៍មិនមែនដោយការសាងសង់ផ្លូវថ្មីនោះទេ ប៉ុន្តែដោយការវិភាគទិន្នន័យសំបុត្ររថភ្លើងតាមម៉ោង និងកែសម្រួលកាលវិភាគដើម្បីចែកចាយតម្រូវការ។ ប្រទេសសិង្ហបុរីប្រើប្រាស់ ERP ដើម្បីចែកចាយតម្រូវការដោយផ្អែកលើតម្លៃ។ ទីក្រុងសេអ៊ូល (កូរ៉េខាងត្បូង) ប្រើប្រាស់ AI ដើម្បីបង្កើនប្រសិទ្ធភាពវដ្តភ្លើងសញ្ញាចរាចរណ៍ ដើម្បីកាត់បន្ថយបន្ទុកលើផ្លូវប្រសព្វដោយមិនចាំបាច់ពង្រីក។ ទីក្រុងឡូសអាន់ជឺឡេស (សហរដ្ឋអាមេរិក) ដំណើរការផ្លូវប្រសព្វចំនួន 4,500 ពីមជ្ឈមណ្ឌលទិន្នន័យតែមួយ។ ទីក្រុងកូប៉ិនហាក (ដាណឺម៉ាក) ប្រើប្រាស់ទិន្នន័យកង់ និងឧតុនិយម ដើម្បីផ្តល់អាទិភាពដល់លំហូរចរាចរណ៍យឺតក្នុងអំឡុងពេលម៉ោងមមាញឹក។ ទីក្រុងទាំងនេះទាំងអស់បង្ហាញថា ការបន្ធូរបន្ថយការកកស្ទះចរាចរណ៍ជាមួយទិន្នន័យគឺមានប្រសិទ្ធភាព និងថោកជាងការកសាងហេដ្ឋារចនាសម្ព័ន្ធរឹង។
ដើម្បីឱ្យទិន្នន័យក្លាយជាហេដ្ឋារចនាសម្ព័ន្ធទន់ពិតប្រាកដ ទីក្រុងនានាត្រូវការស្ថាបត្យកម្មទិន្នន័យបង្រួបបង្រួម៖ មជ្ឈមណ្ឌលទិន្នន័យ Urban Mobility Data Hub ជាមជ្ឈមណ្ឌលកណ្តាល; Digital Twin សម្រាប់ការក្លែងធ្វើ និងការធ្វើតេស្តដឹកជញ្ជូន; AI Traffic Engine សម្រាប់ការបង្កើនប្រសិទ្ធភាពពេលវេលាជាក់ស្តែង; និងប្រព័ន្ធដឹកជញ្ជូនឆ្លាតវៃ (ITS) សម្រាប់ការប្រមូលទិន្នន័យជាបន្តបន្ទាប់។ លើសពីនេះ ស្ថាប័ននានាត្រូវតែសម្របខ្លួន៖ តម្រូវឱ្យប្រើប្រាស់ទិន្នន័យ និងការក្លែងធ្វើក្នុងការរៀបចំផែនការ តម្រូវឱ្យមានការចែករំលែកទិន្នន័យរវាងភ្នាក់ងារ និងអាជីវកម្មដឹកជញ្ជូន ការធ្វើឱ្យ APIs មានស្តង់ដារ និងការបង្កើត sandboxes ដើម្បីសាកល្បងគំរូអង្គការចរាចរណ៍ថ្មី។
នៅពេលដែលហេដ្ឋារចនាសម្ព័ន្ធទន់ និងស្ថាប័ននានាមានភាពឆបគ្នា ទីក្រុងនានាអាចកែលម្អលំហូរចរាចរណ៍ជាបន្តបន្ទាប់តាមរយៈដំណោះស្រាយទន់ដោយមិនពឹងផ្អែកតែលើការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធរឹងនោះទេ។ នៅពេលដែលទិន្នន័យត្រូវបានប្រើដើម្បីគ្រប់គ្រងភ្លើងសញ្ញាចរាចរណ៍ឆ្លាតវៃ ការបែងចែកគន្លងផ្លូវដែលអាចបត់បែនបាន ប្រព័ន្ធព្រមានមុន និងការណែនាំផ្លូវ ទីក្រុងនានាមិនត្រឹមតែអាចកាត់បន្ថយការកកស្ទះចរាចរណ៍ប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងបង្កើនសុវត្ថិភាពក្នុងស្ថានភាពអាកាសធាតុធ្ងន់ធ្ងរផងដែរ - អ្វីដែលហេដ្ឋារចនាសម្ព័ន្ធរឹងតែម្នាក់ឯងមិនអាចដោះស្រាយបាន។
ទាំងអស់ខាងលើនាំទៅរកការសន្និដ្ឋានរួមមួយ៖ ការដឹកជញ្ជូនលែងជាការប្រណាំងដើម្បីសាងសង់ផ្លូវទៀតហើយ ប៉ុន្តែជាការប្រណាំងដើម្បីចាប់យក និងរៀបចំលំហូរទិន្នន័យ។ ហេដ្ឋារចនាសម្ព័ន្ធរូបវន្តគឺជាមូលដ្ឋានគ្រឹះ ប៉ុន្តែហេដ្ឋារចនាសម្ព័ន្ធទិន្នន័យគឺជាសមត្ថភាព។ ទីក្រុងដែលធ្វើជាម្ចាស់ទិន្នន័យនឹងធ្វើជាម្ចាស់លើរបៀបដែលមនុស្សធ្វើដំណើរ ជៀសវាងការចំណាយសង្គមនៃការកកស្ទះ បង្កើនប្រសិទ្ធភាព សេដ្ឋកិច្ច និងបង្កើនគុណភាពជីវិត។ ដូច្នេះ នៅក្នុងទីក្រុងទំនើបៗ ការធ្វើផែនការដឹកជញ្ជូនត្រូវតែផ្អែកលើការយល់ដឹងស៊ីជម្រៅអំពីលំហូរទិន្នន័យ។ ហើយការកកស្ទះរូបវន្តទាំងអស់ត្រូវតែកាត់បន្ថយដោយទិន្នន័យមុនពេលការពង្រីកណាមួយអាចត្រូវបានពិចារណា។
ប្រភព៖ https://baodanang.vn/quy-hoach-van-hanh-giao-thong-bang-du-lieu-3314724.html
Kommentar (0)