ทุกการเคลื่อนไหวของมนุษย์ ทุกการเดินทางของยานพาหนะ ทุกเหตุการณ์ในเมือง ล้วนสร้างกระแสข้อมูลที่สะท้อนถึงจังหวะและโครงสร้างที่มีพลวัตของเมือง
เปลี่ยนมุมมองของคุณที่มีต่อข้อมูล
เมื่อพื้นที่เมืองเติบโตเร็วกว่าโครงสร้างพื้นฐานทางกายภาพที่จะขยายตัวได้ และทุกปัญหาคอขวดกลายเป็นต้นทุนทางสังคม แนวทางเดียวที่จะวางแผนและดำเนินการได้อย่างมีประสิทธิภาพคือ การมองการจราจรเป็นสองชั้นคู่ขนาน ได้แก่ ชั้นทางกายภาพที่เรามองเห็น และชั้นข้อมูลที่เราต้องทำความเข้าใจ ซึ่งนำไปสู่หลักการใหม่: การวางแผนการจราจรทางกายภาพทั้งหมดต้องอยู่บนพื้นฐานของความเข้าใจอย่างลึกซึ้งเกี่ยวกับการไหลของข้อมูล และปัญหาคอขวดทางกายภาพทั้งหมดต้องได้รับการแก้ไขด้วยข้อมูลก่อนที่จะพิจารณาการขยายตัวหรือการก่อสร้างใหม่ใดๆ
หากเราเพิกเฉยต่อข้อมูลและสังเกตด้วยตาเปล่าเท่านั้น การจราจรก็จะดูเหมือนเป็นความวุ่นวายและคาดเดาไม่ได้เสมอ แต่เมื่อนำข้อมูลจากกล้องวงจรปิด อุปกรณ์ IoT ระบบ GPS แผนที่ดิจิทัล ระบบขนส่งสาธารณะ และโครงสร้างพื้นฐานของเมืองมาผสานรวมกัน เราจะเห็นภาพที่แตกต่างออกไป การไหลเวียนของการจราจรทางกายภาพนั้นเกิดขึ้นจากข้อมูลเกี่ยวกับพฤติกรรม: ใครไปที่ไหน เวลาใด ใช้เส้นทางใด และด้วยเหตุผลอะไร การจราจรปกติเป็นอย่างไร ความผันผวนตามฤดูกาลเป็นอย่างไร จุดคอขวดที่แท้จริงคืออะไร และอะไรเป็นเพียงปรากฏการณ์เฉพาะที่
ข้อมูลช่วยให้เราแยกแยะความแตกต่างระหว่างสาเหตุและผลกระทบได้ มิเช่นนั้น เราอาจวางแผนโดยอาศัยเพียงผลลัพธ์ผิวเผินโดยมองข้ามปัญหาที่แท้จริง ดังนั้น การวางแผนการขนส่งสมัยใหม่จึงไม่สามารถพึ่งพาการสำรวจแบบคงที่หรือแบบจำลองเชิงเส้นได้อีกต่อไป แต่ต้องอาศัยการวิเคราะห์ข้อมูลแบบไดนามิก ทั้งในแบบเรียลไทม์และในระยะยาว
เมื่อรวบรวมและจัดระเบียบข้อมูลแล้ว ขั้นตอนต่อไปคือการสร้างแบบจำลองพฤติกรรมการเคลื่อนที่และจำลองสถานการณ์การวางแผน เทคโนโลยีการจำลองขนาดเล็กและการสร้างแบบจำลองหลายตัวแทนช่วยให้สามารถจำลองปฏิสัมพันธ์ระหว่างยานพาหนะหลายแสนคันในทุกๆ วินาทีได้ แบบจำลองเหล่านี้ตรวจสอบว่าเส้นทางใหม่ ทางแยกที่ได้รับการแก้ไข หรือเลนรถประจำทางเฉพาะ จะสร้างผลกระทบอย่างไร กล่าวอีกนัยหนึ่ง ข้อมูลจะเปลี่ยนการวางแผนจากสถานะที่คาดเดาไปสู่สถานะที่ได้รับการตรวจสอบแล้ว เฉพาะเมื่อมีการจำลองและพิสูจน์ตัวเลือกต่างๆ ในสภาพแวดล้อมดิจิทัลแล้วเท่านั้น เมืองจึงจะสามารถตัดสินใจลงทุนทางกายภาพได้อย่างมั่นใจ หลีกเลี่ยงข้อผิดพลาดที่อาจส่งผลกระทบยาวนานหลายทศวรรษ
อย่างไรก็ตาม แม้จะมีการวางแผนอย่างเหมาะสม โครงสร้างพื้นฐานทางกายภาพก็ยังมีข้อจำกัด ถนนไม่สามารถขยายได้ในทันที สะพานไม่สามารถสร้างเสร็จได้ภายในเวลาเพียงไม่กี่เดือน และงบประมาณของภาครัฐก็ไม่เอื้ออำนวยให้ขยายทุกจุดที่เป็นปัญหา ในกรณีนี้ ข้อมูลยังคงมีบทบาทเป็นโครงสร้างพื้นฐานแบบอ่อน (soft infrastructure) ซึ่งช่วยเสริมและเพิ่มขีดความสามารถของโครงสร้างพื้นฐานแบบแข็ง (hard infrastructure)
เมื่อระบบพยากรณ์ที่ขับเคลื่อนด้วยข้อมูลสามารถระบุจุดที่มีปัญหาคอขวดได้ 10-30 นาทีก่อนที่จะเกิดขึ้น เมืองต่างๆ ก็สามารถใช้มาตรการแก้ไขอย่างนุ่มนวลได้ เช่น การปรับรอบสัญญาณไฟจราจร การสลับเลน การตั้งสัญญาณไฟเขียว การกระจายการจราจรจากระยะไกลผ่านแผนที่ดิจิทัล หรือการแนะนำเส้นทางอื่นโดยตรงไปยังโทรศัพท์มือถือของประชาชน มาตรการเหล่านี้มีประสิทธิภาพเพราะมีอิทธิพลต่อพฤติกรรมและความต้องการ ซึ่งเป็นสองปัจจัยที่กำหนดรูปแบบการไหลของจราจร อันที่จริง การศึกษาแสดงให้เห็นว่าหากผู้เดินทางเพียง 10-15% เปลี่ยนเวลาหรือเส้นทางที่เลือก ปัญหาคอขวดก็สามารถแก้ไขได้โดยไม่ต้องเปิดถนนแม้แต่เมตรเดียว
เราต้องมุ่งเน้นไปที่ วิธีการแก้ปัญหาแบบนุ่มนวล
หัวใจสำคัญคือ ข้อมูลไม่เพียงแต่ช่วยในการดำเนินงานในทันทีเท่านั้น แต่ยังเป็นรากฐานสำหรับการจัดการความต้องการในระยะยาวอีกด้วย โตเกียว (ญี่ปุ่น) ลดปัญหาการจราจรติดขัดไม่ใช่ด้วยการสร้างถนนใหม่ แต่ด้วยการวิเคราะห์ข้อมูลตั๋วรถไฟรายชั่วโมงและปรับตารางเวลาเพื่อกระจายความต้องการ สิงคโปร์ใช้ ERP เพื่อกระจายความต้องการตามราคา โซล (เกาหลีใต้) ใช้ AI เพื่อเพิ่มประสิทธิภาพวงจรสัญญาณไฟจราจรเพื่อลดภาระบนทางแยกโดยไม่ต้องขยายพื้นที่ ลอสแอนเจลิส (สหรัฐอเมริกา) บริหารจัดการทางแยก 4,500 แห่งจากศูนย์ข้อมูลแห่งเดียว โคเปนเฮเกน (เดนมาร์ก) ใช้ข้อมูลจักรยานและข้อมูลสภาพอากาศเพื่อจัดลำดับความสำคัญของการจราจรที่ช้าในช่วงชั่วโมงเร่งด่วน เมืองเหล่านี้ทั้งหมดแสดงให้เห็นว่า การลดปัญหาคอขวดด้วยข้อมูลนั้นมีประสิทธิภาพและประหยัดกว่าการสร้างโครงสร้างพื้นฐานอย่างมาก
เพื่อให้ข้อมูลกลายเป็นโครงสร้างพื้นฐานที่แท้จริง เมืองต่างๆ จำเป็นต้องมีสถาปัตยกรรมข้อมูลที่เป็นหนึ่งเดียว: ศูนย์ข้อมูลการสัญจรในเมือง (Urban Mobility Data Hub) เป็นศูนย์กลาง; โมเดลจำลองดิจิทัล (Digital Twin) สำหรับการจำลองและทดสอบการขนส่ง; เครื่องมือวิเคราะห์การจราจรด้วยปัญญาประดิษฐ์ (AI Traffic Engine) สำหรับการเพิ่มประสิทธิภาพแบบเรียลไทม์; และระบบขนส่งอัจฉริยะ (ITS) สำหรับการเก็บรวบรวมข้อมูลอย่างต่อเนื่อง นอกจากนี้ สถาบันต่างๆ ต้องปรับตัว: กำหนดให้ใช้ข้อมูลและการจำลองในการวางแผน กำหนดให้มีการแบ่งปันข้อมูลระหว่างหน่วยงานและธุรกิจขนส่ง กำหนดมาตรฐาน API และจัดตั้งพื้นที่ทดลอง (sandbox) เพื่อนำร่องโมเดลการจัดการจราจรแบบใหม่
เมื่อโครงสร้างพื้นฐานและสถาบันต่างๆ มีความสอดคล้องกัน เมืองต่างๆ สามารถปรับปรุงการจราจรได้อย่างต่อเนื่องผ่านทางวิธีการแก้ปัญหาแบบอ่อนๆ โดยไม่ต้องพึ่งพาการลงทุนในโครงสร้างพื้นฐานแบบแข็งเพียงอย่างเดียว เมื่อใช้ข้อมูลในการควบคุมสัญญาณไฟจราจรแบบอัจฉริยะ การจัดสรรเลนที่ยืดหยุ่น ระบบเตือนภัยล่วงหน้า และการแนะนำเส้นทาง เมืองต่างๆ ไม่เพียงแต่จะสามารถลดความแออัดของการจราจรได้เท่านั้น แต่ยังสามารถเพิ่มความปลอดภัยในสภาพอากาศที่รุนแรงได้อีกด้วย ซึ่งเป็นสิ่งที่โครงสร้างพื้นฐานแบบแข็งเพียงอย่างเดียวไม่สามารถแก้ไขได้
ทั้งหมดที่กล่าวมานำไปสู่ข้อสรุปที่สอดคล้องกันคือ การขนส่งไม่ใช่การแข่งขันสร้างถนนอีกต่อไป แต่เป็นการแข่งขันเพื่อรวบรวมและจัดการการไหลของข้อมูล โครงสร้างพื้นฐานทางกายภาพเป็นรากฐาน แต่โครงสร้างพื้นฐานด้านข้อมูลคือความสามารถ เมืองที่เชี่ยวชาญด้านข้อมูลจะเชี่ยวชาญด้านการเดินทางของผู้คน หลีกเลี่ยงต้นทุนทางสังคมของการจราจรติดขัด เพิ่มประสิทธิภาพ ทางเศรษฐกิจ และปรับปรุงคุณภาพชีวิต ดังนั้น ในเมืองสมัยใหม่ การวางแผนการขนส่งต้องอยู่บนพื้นฐานของความเข้าใจอย่างลึกซึ้งเกี่ยวกับการไหลของข้อมูล และต้องแก้ไขปัญหาคอขวดทางกายภาพทั้งหมดด้วยข้อมูลก่อนที่จะพิจารณาการขยายตัวใดๆ
ที่มา: https://baodanang.vn/quy-hoach-van-hanh-giao-thong-bang-du-lieu-3314724.html
การแสดงความคิดเห็น (0)