ڈیٹا پر مبنی ٹریفک پلاننگ اور آپریشن۔

جدید شہروں میں، ٹریفک اب صرف سڑکوں کی سطحوں، چوراہوں، یا لین کی تعداد سے متعلق نہیں ہے۔ یہ ڈیٹا پر مبنی کہانی بن گئی ہے۔

جب نرم بنیادی ڈھانچہ اور ادارے مطابقت رکھتے ہیں، تو شہر سخت سرمایہ کاری پر مکمل انحصار کیے بغیر نرم حل کے ذریعے ٹریفک کو مسلسل بہتر بنا سکتے ہیں۔ (تصویر میں: شہر کا ایک چوراہا۔ تصویر: THANH LAN)

ہر انسانی نقل و حرکت، ہر گاڑی کا سفر، ہر شہری واقعہ شہر کی تال اور متحرک ساخت کی عکاسی کرنے والے ڈیٹا کا ایک سلسلہ تیار کرتا ہے۔

ڈیٹا پر اپنا نقطہ نظر تبدیل کریں۔

جب شہری علاقے اپنے فزیکل انفراسٹرکچر سے زیادہ تیزی سے بڑھتے ہیں، اور ہر رکاوٹ ایک سماجی لاگت بن جاتی ہے، تو موثر منصوبہ بندی اور آپریشن کا واحد طریقہ ٹریفک کو دو متوازی پرتوں کے طور پر دیکھنا ہے: جسمانی تہہ جسے ہم دیکھتے ہیں۔ اور ڈیٹا لیئر کو ہمیں سمجھنا چاہیے۔ یہ ایک نئے اصول کی طرف جاتا ہے: تمام جسمانی ٹریفک کی منصوبہ بندی ڈیٹا کے بہاؤ کی گہری سمجھ پر مبنی ہونی چاہیے۔ اور کسی بھی توسیع یا نئی تعمیر پر غور کرنے سے پہلے تمام جسمانی رکاوٹوں کو ڈیٹا کے ذریعے کم کیا جانا چاہیے۔

اگر ہم ڈیٹا کو نظر انداز کرتے ہیں اور صرف کھلی آنکھوں سے مشاہدہ کرتے ہیں، تو ٹریفک ہمیشہ ایک افراتفری، غیر متوقع سیریز کی طرح نظر آئے گا۔ لیکن جب کیمروں، IoT، GPS، ڈیجیٹل نقشوں، پبلک ٹرانسپورٹ، اور شہری انفراسٹرکچر سے ڈیٹا اسٹریمز کو مربوط کیا جاتا ہے، تو ہمیں ایک مختلف تصویر نظر آتی ہے۔ جسمانی ٹریفک کا بہاؤ دراصل رویے کے اعداد و شمار سے تشکیل پاتا ہے: کون کہاں، کس وقت، کس راستے پر، اور کس وجہ سے جاتا ہے۔ بیس لائن ٹریفک کیا ہے، موسمی اتار چڑھاؤ کیا ہے؛ اصل رکاوٹیں کیا ہیں، اور کیا صرف مقامی مظاہر ہیں۔

ڈیٹا ہمیں وجہ اور اثر کے درمیان فرق کرنے میں مدد کرتا ہے۔ دوسری صورت میں، ہم بنیادی مسائل کو نظر انداز کرتے ہوئے آسانی سے سطح کی بنیاد پر منصوبہ بندی کرتے ہیں۔ اس لیے، جدید نقل و حمل کی منصوبہ بندی جامد سروے یا لکیری ماڈلز پر انحصار جاری نہیں رکھ سکتی، لیکن اسے حقیقی وقت میں اور طویل مدتی چکروں میں متحرک ڈیٹا تجزیہ پر مبنی ہونا چاہیے۔

ایک بار جب ڈیٹا اکٹھا اور معیاری ہو جاتا ہے، تو اگلا مرحلہ نقل و حرکت کے رویے کا نمونہ بنانا اور منصوبہ بندی کے منظرناموں کی تقلید کرنا ہے۔ مائیکرو سمولیشن اور ملٹی ایجنٹ ماڈلنگ ٹیکنالوجیز تفریح ​​کی اجازت دیتی ہیں کہ ہر سیکنڈ میں لاکھوں گاڑیاں کس طرح ایک دوسرے کے ساتھ تعامل کرتی ہیں۔ یہ ماڈل اس بات کی تصدیق کرتے ہیں کہ کس طرح ایک نیا راستہ، ایک تبدیل شدہ انٹرچینج، یا ایک وقف شدہ بس لین لہر کے اثرات پیدا کرے گی۔ دوسرے الفاظ میں، ڈیٹا منصوبہ بندی کو قیاس آرائی پر مبنی حالت سے ایک توثیق شدہ حالت میں منتقل کرتا ہے۔ صرف اس صورت میں جب آپشنز کو ڈیجیٹل ماحول میں نقل کیا جائے اور ثابت کیا جائے تو شہر اعتماد کے ساتھ جسمانی سرمایہ کاری کے فیصلے کر سکتا ہے، ان غلطیوں سے گریز کر سکتا ہے جو دہائیوں تک جاری رہ سکتی ہیں۔

تاہم، مناسب منصوبہ بندی کے باوجود، فزیکل انفراسٹرکچر کی حدود ہیں۔ سڑک کو فوری طور پر چوڑا نہیں کیا جا سکتا، چند مہینوں میں پل نہیں بنایا جا سکتا، اور عوامی بجٹ ہر رکاوٹ کو بڑھانے کی اجازت نہیں دیتا۔ یہاں، ڈیٹا نرم انفراسٹرکچر کا کردار ادا کرتا رہتا ہے، سخت انفراسٹرکچر کی صلاحیت کو بڑھاتا اور بڑھاتا ہے۔

جب ڈیٹا سے چلنے والی پیشن گوئی کے نظام اپنے بننے سے 10-30 منٹ پہلے رکاوٹوں کی نشاندہی کر سکتے ہیں، تو شہروں میں نرم مداخلت کو لاگو کرنے کی صلاحیت ہوتی ہے: ٹریفک لائٹ سائیکل کو ایڈجسٹ کرنا، لین کو تبدیل کرنا، گرین لائٹ سگنل قائم کرنا، ڈیجیٹل نقشوں کے ذریعے ٹریفک کے بہاؤ کو دور سے منتشر کرنا، یا شہریوں کے فون پر براہ راست متبادل راستے تجویز کرنا۔ یہ اقدامات موثر ہیں کیونکہ یہ رویے اور طلب کو متاثر کرتے ہیں - دو عوامل جو ٹریفک کے بہاؤ کے نمونوں کا تعین کرتے ہیں۔ درحقیقت، مطالعات سے پتہ چلتا ہے کہ اگر صرف 10-15% مسافر اپنے وقت یا راستے کے انتخاب میں تبدیلی کرتے ہیں، تو سڑک کے ایک میٹر کو کھولے بغیر رکاوٹوں کو دور کیا جا سکتا ہے۔

ہمیں نرم حل پر توجہ دینے کی ضرورت ہے ۔

اہم بات یہ ہے کہ ڈیٹا نہ صرف فوری کارروائیوں میں مدد کرتا ہے بلکہ طویل مدتی مانگ کے انتظام کی بنیاد بھی بناتا ہے۔ ٹوکیو (جاپان) نئی سڑکیں بنا کر نہیں بلکہ گھنٹے کے حساب سے ٹرین ٹکٹ کے ڈیٹا کا تجزیہ کرکے اور طلب کو تقسیم کرنے کے لیے نظام الاوقات کو ایڈجسٹ کرکے بھیڑ کو کم کرتا ہے۔ سنگاپور قیمت کی بنیاد پر مانگ کی تقسیم کے لیے ERP کا استعمال کرتا ہے۔ سیئول (جنوبی کوریا) بغیر کسی توسیع کے چوراہوں پر بوجھ کو کم کرنے کے لیے ٹریفک لائٹ سائیکل کو بہتر بنانے کے لیے AI کا استعمال کرتا ہے۔ لاس اینجلس (USA) ایک ڈیٹا سینٹر سے 4,500 چوراہوں کو چلاتا ہے۔ کوپن ہیگن (ڈنمارک) سائیکل اور موسمیاتی ڈیٹا استعمال کرتا ہے تاکہ تیز رفتاری کے اوقات میں ٹریفک کے سست بہاؤ کو ترجیح دی جا سکے۔ یہ تمام شہر یہ ظاہر کرتے ہیں کہ ڈیٹا کے ساتھ رکاوٹوں کو نرم کرنا مشکل انفراسٹرکچر بنانے سے کہیں زیادہ موثر اور سستا ہے۔

ڈیٹا کو حقیقی معنوں میں نرم انفراسٹرکچر بننے کے لیے، شہروں کو ایک متحد ڈیٹا فن تعمیر کی ضرورت ہے: مرکزی مرکز کے طور پر ایک اربن موبلٹی ڈیٹا ہب؛ نقل و حمل کے تخروپن اور جانچ کے لیے ایک ڈیجیٹل جڑواں؛ ریئل ٹائم آپٹیمائزیشن کے لیے ایک AI ٹریفک انجن؛ اور مسلسل ڈیٹا اکٹھا کرنے کے لیے ذہین ٹرانسپورٹیشن سسٹم (ITS)۔ اس کے علاوہ، اداروں کو اپنانا چاہیے: منصوبہ بندی میں ڈیٹا اور سمولیشن کے استعمال کو لازمی قرار دینا، ایجنسیوں اور نقل و حمل کے کاروباروں کے درمیان ڈیٹا شیئرنگ کی ضرورت، APIs کو معیاری بنانا، اور نئے ٹریفک آرگنائزیشن ماڈلز کو پائلٹ کرنے کے لیے سینڈ باکس قائم کرنا۔

جب نرم بنیادی ڈھانچہ اور ادارے مطابقت رکھتے ہیں، تو شہر سخت بنیادی ڈھانچے کی سرمایہ کاری پر مکمل انحصار کیے بغیر نرم حل کے ذریعے ٹریفک کے بہاؤ کو مسلسل بہتر بنا سکتے ہیں۔ جب ڈیٹا کو سمارٹ ٹریفک لائٹس، لچکدار لین ایلوکیشن، ابتدائی انتباہی نظام، اور راستے کی تجاویز کو کنٹرول کرنے کے لیے استعمال کیا جاتا ہے، تو شہر نہ صرف بھیڑ کو کم کر سکتے ہیں بلکہ انتہائی موسمی حالات میں حفاظت کو بھی بڑھا سکتے ہیں - جس چیز کو صرف سخت انفراسٹرکچر ہی حل نہیں کر سکتا۔

مندرجہ بالا سبھی ایک متفقہ نتیجے کی طرف لے جاتے ہیں: نقل و حمل اب سڑکیں بنانے کی دوڑ نہیں ہے، بلکہ ڈیٹا کے بہاؤ کو پکڑنے اور منظم کرنے کی دوڑ ہے۔ فزیکل انفراسٹرکچر بنیاد ہے، لیکن ڈیٹا انفراسٹرکچر صلاحیت ہے۔ وہ شہر جو ڈیٹا پر عبور حاصل کرتے ہیں وہ اس بات پر عبور حاصل کریں گے کہ لوگ کس طرح حرکت کرتے ہیں، بھیڑ کے سماجی اخراجات سے بچتے ہیں، معاشی کارکردگی میں اضافہ کرتے ہیں، اور معیار زندگی کو بہتر بناتے ہیں۔ لہذا، جدید شہروں میں، نقل و حمل کی منصوبہ بندی ڈیٹا کے بہاؤ کی گہری سمجھ پر مبنی ہونی چاہیے۔ اور کسی بھی توسیع پر غور کرنے سے پہلے تمام جسمانی رکاوٹوں کو ڈیٹا کے ذریعے کم کیا جانا چاہیے۔

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