به گزارش سرویس ترجمه خبرگزاری ایمنا، چراغ قرمز برای دههها یکی از سادهترین و در عین حال حیاتیترین ابزارهای مدیریت شهر بوده است؛ چراغی که در بیشتر تقاطعها بر اساس برنامههایی از پیش تعیینشده تغییر میکند و مهندسان ترافیک در دورههای مشخص، زمانبندی آن را بر اساس الگوهای رفتوآمد تنظیم میکنند. اما با پیچیدهتر شدن شبکههای حملونقل شهری و تغییر مداوم الگوی سفر شهروندان، این روش سنتی با یک مشکل اساسی روبهرو شده است: برنامهای که امروز مناسب است، ممکن است چند سال بعد دیگر با واقعیت خیابانهای شهر همخوانی نداشته باشد.
اکنون هوش مصنوعی در حال تغییر این معادله است. شرکت کانادایی Miovision در سال ۲۰۲۶ از راهکاری جدید رونمایی کرده که هوش مصنوعی مولد را با ابزارهای مهندسی ترافیک و مدیریت چراغهای راهنمایی ترکیب میکند. این سامانه میتواند دادههای ترافیکی را بررسی کند، نقاطی را که عملکرد نامطلوبی دارند شناسایی کند و برای بهبود جریان ترافیک، برنامههای جدید زمانبندی چراغها را تولید کند.
در شیوه سنتی، بازتنظیم چراغهای راهنمایی معمولاً فرآیندی زمانبر است. کارشناسان باید دادههای مربوط به جریان خودروها را جمعآوری کنند، وضعیت تقاطعها را بررسی کنند، مشکلات را تشخیص دهند و سپس برنامهای جدید برای چراغها طراحی و اجرا کنند. Miovision میگوید این فرآیند در بسیاری از شهرها ممکن است در چرخههایی چندساله انجام شود؛ در حالی که الگوی ترافیک میتواند در فاصله بسیار کوتاهتری تغییر کند.
فناوری جدید تلاش میکند این فاصله را کاهش دهد. در این سامانه، هوش مصنوعی میتواند دادههای زنده و تاریخی ترافیک را بررسی کند و به مهندسان نشان دهد کدام تقاطعها یا مسیرها بیش از سایر نقاط بهینهسازی نیاز دارند. یکی از اجزای این فناوری، دستیار هوش مصنوعی مولد موسوم به «Mateo» است که برای کمک به متخصصان ترافیک در تحلیل دادهها و شناسایی مشکلات شبکه طراحی شده است.
اهمیت این فناوری در آن است که هوش مصنوعی صرفاً به شمارش خودروها اکتفا نمیکند. هدف این است که ارتباط میان جریانهای مختلف ترافیکی و عملکرد شبکه خیابانها بررسی شود تا مشخص شود تغییر زمانبندی یک چراغ چه تأثیری بر تقاطع بعدی خواهد داشت. به عبارت دیگر، مسئله دیگر فقط این نیست که یک چهارراه چگونه سریعتر تخلیه شود، بلکه این است که چگونه میتوان جریان ترافیک را در یک مسیر یا شبکه بزرگتر به شکل مؤثرتری مدیریت کرد.
پس از شناسایی نقاط مشکلدار، بخش دیگری از سامانه میتواند برنامههای جدید زمانبندی چراغها را تولید کند. این برنامهها بر اساس عواملی مانند حجم ترافیک، هندسه تقاطع، زمانبندی فعلی چراغها و نحوه حرکت جریانهای مختلف طراحی میشوند. در این مرحله، الگوریتمهای بهینهسازی میتوانند تعداد زیادی از ترکیبهای احتمالی را بررسی کند و گزینهای را پیشنهاد دهند که عملکرد تقاطع یا کریدور را بهبود دهد.
این تغییر، معنای مهمی برای مدیریت شهری دارد. در گذشته، یک شهر ممکن بود سالها با برنامهای برای چراغهای راهنمایی کار کند که بر اساس شرایط گذشته طراحی شده بود. اما در مدل جدید، چراغها میتوانند در چرخهای مستمر مورد ارزیابی قرار گیرند و زمانی که دادهها نشان میدهند عملکرد یک تقاطع تغییر کرده است، برنامه آن دوباره بررسی شود.
Miovision همچنین اعلام کرده است که راهکار جدید میتواند بخشهایی از فرآیند استقرار برنامههای تازه را از طریق یک بستر ابری مدیریت کند. به این ترتیب، زنجیرهای که پیشتر از مراحل جداگانه تشکیل میشد، به یک فرآیند یکپارچهتر تبدیل میشود: داده جمعآوری میشود، هوش مصنوعی آن را تحلیل میکند، مشکل شناسایی میشود، برنامه جدید طراحی میشود و در نهایت امکان مدیریت و استقرار آن فراهم میشود.
این فناوری در عین حال بخشی از یک تحول بزرگتر در مدیریت ترافیک شهری است. نسل جدید سامانههای هوشمند دیگر تنها به خودروها نگاه نمیکنند و میتوانند حملونقل عمومی، عابران پیاده و دوچرخهسواران را نیز در فرآیند تصمیمگیری در نظر بگیرند. به این ترتیب، هدف از کنترل چراغها صرفاً عبور دادن بیشترین تعداد خودرو از یک تقاطع نیست، بلکه ایجاد تعادل میان سرعت، ایمنی، زمان سفر، حملونقل عمومی و کیفیت محیط شهری است.
پژوهشهای جدید نیز یک گام فراتر رفتهاند و به دنبال ترکیب هوش مصنوعی با «دوقلوی دیجیتال» شهر هستند. در چنین مدلی، یک نسخه دیجیتال از شبکه حملونقل شهری ایجاد میشود که میتواند وضعیت واقعی خیابانها و تقاطعها را بازنمایی کند. هوش مصنوعی سپس قادر خواهد بود سناریوهای مختلف را در این محیط دیجیتال آزمایش کند و پیش از اجرای یک تغییر در دنیای واقعی، پیامدهای احتمالی آن را بررسی کند.
برای مثال، اگر ترافیک در یک خیابان ناگهان افزایش پیدا کند، یک سامانه پیشرفته میتواند بررسی کند که تغییر چراغ این خیابان چه تأثیری بر مسیرهای اطراف خواهد گذاشت. ممکن است افزایش زمان سبز در یک تقاطع، صف خودروها را فقط به چهارراه بعدی منتقل کند. بنابراین سیستم باید به جای حل یک مشکل محلی، پیامد آن را برای کل شبکه در نظر بگیرد.
در آینده، چنین سامانهای میتواند حتی به سمت پیشبینی ترافیک حرکت کند؛ یعنی پیش از شکلگیری صف سنگین، احتمال وقوع آن را تشخیص دهد و از طریق تغییر زمانبندی چراغها، هدایت خودروها یا اولویت دادن به حملونقل عمومی، از ایجاد گره ترافیکی جلوگیری کند.
نظر شما