[vc_row][vc_column][vc_column_text]در قسمت اول درباره نحوه گردآوری داده در سیستمهای حملونقل هوشمند صحبت کردیم.در ادامه بحث درباره شهرهای هوشمند و تکنیکهای هوش مصنوعی (AI) در ارتباط با این شهرها خواهیم پرداخت.
قسمت اول این مطلب را از اینجا بخوانید:قسمت اول
-
مرور موضوعات مربوط به شهرهای هوشمند و تکنیکهای هوش مصنوعی مرتبط با آنها
به گزارش BACpress،هدف ITSها که در بخش قبلی شرح داده شده‌اند این است که مسائل مرتبط با حملونقل را حل کرده و بازدهی سراسری سیستمهای حملونقل را بهبود ببخشند. این ITSها در چهارچوب شهرهای هوشمند، که در دهه‌های اخیر مورد توجه قرار گرفته اند، و در ذیل مقوله تحرک هوشمند جای می‌گیرند. در ادبیات مربوط به این حوزه هنوز در این خصوص که چه چیزهایی تشکیل‌دهنده یک شهر هوشمند هستند اجماعی وجود ندارد و تعاریف گوناگونی برای شهر هوشمند مطرح شده است.
به طور مثال از دید هال در یک شهر هوشمند مولفه‌ها و اجزاء شهر (نظیر خیابانها و بزرگراه‌ها، ساختمانهاو …) تحت نظارت قرار می‌گیرند تا منابع شهر به نحو بهتری بهینه‌سازی شوند، برنامه‌ریزی‌هایی برای انجام فعالیتهای نگهداشت پیشگیرانه انجام می‌گیرد و امنیت تحت نظارت قرار می گیرد، و در عین حال خدمات‌رسانی به شهروندان نیز بیشینه می‌شود. از سوی دیگر لومباردی و همکارانش شهرهای هوشمند را آن شهرهایی می‌دانند که در آنها از فناوری اطلاعات و ارتباطات (ICT) درخصوص سرمایه انسانی، سرمایه اجتماعی و رابطه‌ای، و مسائل زیست‌محیطی استفاده می‌شود.
اینکه چه تعریفی از شهر هوشمند ارائه می‌شود به موقعیت اجتماعی افراد و نهادهای ذینفع و اینکه دولت توجه خود را به چه چیزهایی معطوف کرده است نیز بستگی دارد. به عنوان نمونه، از دید اهالی آکادمی بهبود دادن کیفیت زندگی یک هدف عمده شهر هوشمند است، حال آنکه ذینفع‌های یک شرکت خصوصی ممکن است افزایش بازدهی را هدف اصلی بدانند. علیرغم تنوعی که در تعاریف وجود دارد، استفاده از فناوری الکترونیکی/دیجیتال پیشرفته (مثلا فناوری اطلاعات و ارتباطات)، تعبیه کردن فناوری اطلاعات و ارتباطات یا سایر سخت‌افزارهای الکترونیکی در زیرساخت شهر، و کار در جهت منافع ذی‌نفع‌ها، سه خصوصیت یا بعدی هستند که در همه تعاریف از شهر هوشمند دیده می‌شود.
سیستمهای حملونقل هوشمند و شهر هوشمند
ارتباط شهر هوشمند به شش مولفه متفاوت و تاثیر آنها بر شهر هوشمند
شهرهای هوشمند به لحاظ کارکردها به شش مولفه متفاوت ربط پیدا می‌کنند: حکمرانی هوشمند، اقتصاد هوشمند، سرمایه انسانی/اجتماعی هوشمند، محیط زیست هوشمند، زندگی هوشمند، و تحرک هوشمند.
حکمرانی هوشمند
در حکمرانی هوشمند از ICTها برای ارتقاء بازدهی و شفافیت سازمانهای بخش دولتی (عمومی) در مدیریت منابع دولتی، و تشویق عموم مردم به مشارکت در تصمیم‌گیری‌ها استفاده می‌شود.
اقتصاد هوشمند
هدف اقتصاد هوشمند به خدمت گرفتن ICT و فناوری‌های مرتبط با آن به منظور بهبود بهره وری در زنجیره تولید و ارتقاء و تقویت معاملات آنلاین به منظور ترویج تجارت الکترونیکی است.
سرمایه انسانی/اجتماعی هوشمند
مقصود از سرمایه انسانی/اجتماعی هوشمند بهبود سطح آموزش و مشارکت فعالانه شهروندان است که این کار از طریق تدارک اطلاعات غنی‌ای که از سایر مولفه‌های شهر هوشمند حاصل شده‌اند انجام می‌گیرد. هدف آن است که نظرات و نگرشهای فردی گردآوری شوند چرا که این داده‌ها در زمره بهترین اطلاعاتی هستند که یک دولت می تواند کسب کند.
محیط زیست هوشمند
مقصود محیط زیست هوشمند کاستن از آلودگی و حل و فصل مشکلات زیست‌محیطی است و هدف غایی آن بهبود بخشیدن قابلیت پایداری شهر با استفاده از فناوری می‌باشد.
زندگی هوشمند
در زندگی هوشمند هدف آن است که کیفیت زندگی (مواردی چون امنیت، کیفیت محل سکونت، انسجام اجتماعی و …) از طریق پیاده‌سازی فناوری‌های پیشرفته ذیل شهرها و زیرساختهای آنها بهبود یابد.
تحرک هوشمند
تحرک هوشمند – که به دلیل تمرکز آن بر بازدهی بالا در حملونقل گاه ذیل عنوان زندگی هوشمند نیز جای می‌گیرد- هدفش استفاده از ICT پیشرفته به منظور بهینه‌سازی لوجستیک و سیستمهای حملونقل و فراهم آوردن خدمات پربازده، ایمن و سازگار با محیط‌زیست برای مسافرین و محموله‌ها است. شاخص‌های گوناگونی بر مبنای این مولفه‌ها طراحی شده‌اند (به عنوان مثال دسترس‌پذیری محلی، بهره وری، انتشار آلودگی، …) تا به این ترتیب عملکرد شهرهای هوشمند مورد ارزیابی قرار گرفته و به تصمیم‌گیرندگان کمک شود تا خط‌مشی‌هایی را طراحی کنند که راه را برای رسیدن به شهرهایی بیش از پیش هوشمند هموار می‌سازند.در زمینه تحرک هوشمند و ITS لازم است که تخمینها، پیش‌بینی‌ها و روشهای مدیریتی و کنترلی گوناگونی، بر اساس اطلاعات موجود حاصل از حسگرها و ذی‌نفع‌ها و به صورت بلادرنگ به انجام برسند.
استفاده از هوش مصنوعی در سیستمهای حملونقل هوشمند(ITS)
یک خصوصیت اصلی مسائل مرتبط با حمل‌و نقل وجود تعداد زیادی متغیر است و همچنین روابط پارامتری‌ای که به خوبی شناخته نشده‌اند، وجود حجم زیادی از داده‌های ناکامل، و ناواضح بودن اهداف و محدودیتها. اخیرا از تکنیکهای مرتبط با هوش مصنوعی که قدرت منحصر‌به‌فردی در ایجاد دانش دارند در حوزه جابجایی‌پذیری هوشمند و ITS استفاده شده است. منظور از هوش مصنوعی، هوشی است که یک ماشین با درک عقلانی‌ای که از محیط دارد (و با تحلیل داده‌های برگرفته از حسگرهای گوناگون) و با اتخاذ تصمیم‌هایی که بخت دستیابی به اهداف را به حداکثر می رسانند، از خود نشان می‌دهد. در رویکرد متداولی که برای حل‌و فصل مسائل سیستمهای حملونقل با استفاده از هوش مصنوعی وجود دارد، از شبکه‌های عصبی مصنوعی، ماشینهای بردار پشتیبانی، و شبکه‌های بیزی استفاده می‌شود.
شبکه‌های عصبی مصنوعی (ANN)
شبکه‌های عصبی مصنوعی (ANN)این توانایی را دارند که با لحاظ کردن لایه‌های پنهان و با یادگیری کافی، نگاشتی غیرخطی میان دروندادها و بروندادها انجام دهند و از این رو برای پرداختن به مسائل حمل‌و نقلی‌ای که در آنها روابط میان متغیرها از پیش به خوبی شناخته‌شده نیست مناسب هستند. در ادبیات این حوزه، از ANNها معمولا در تخمین/پیش‌بینی وضعیت، تشخیص سانحه، کنترل ترافیک/زیرساخت و تحلیل رفتار استفاده می‌شود.
ماشینهای بردار پشتیبان (SVM)
ماشینهای بردار پشتیبان (SVM) نیز همچون ANN، در زمره مدلهای یادگیری نظارت‌شده هستند که داده‌های درونداد را تحلیل می‌کنند، اما در قیاس با ANN تمرکز بیشتری بر طبقه‌بندی مراحل/سناریوها دارند. نتیجتا از SVMها عمدتا برای مسائلی نظیر تشخیص سانحه و پیش‌بینی تصادف در زمینه ITS استفاده می‌شود، هرچند که برای سایر مسائل مرتبط با حملونقل نیز کاربرد دارند.
شبکه‌های بیزی
برخلاف ANN و SVM که صرفا داده-رهنمون هستند، شبکه‌های بیزی نوعی از مدل آماری‌اند که احتمالات و وابستگی‌های شرطی متغیرهای کنترل را لحاظ می کنند. در ادبیات ITS، از شبکه‌های بیزی برای مسائل مختلف سیستمهای حملونقل استفاده می‌شود ولی عمدتا زمانی از آنها استفاده می‌شود که تمرکز کار بر پیش‌بینی ترافیک و مسائل مرتبط با سانحه/تصادف است.
-
یک محیط متصل‌به‌شبکه برای تحرک هوشمند
در نتیجه پیشرفتهای اساسی در فناوری اطلاعات و ارتباطات (ICT) و فناوری‌های حسگری مربوطه، سمت و سوی کنونی به جانب نصب سیستمهای اتوماسیون و ارتباطات وسیله‌نقلیه (VACS) در وسایل نقلیه است. معلوم شده است که VACS توانایی بهبود ایمنی و آسایش فردی و کاهش انتشار آلاینده‌ها در وسایل نقلیه متصل‌به‌شبکه را دارد. همچنین انتظار می‌رود که VACS بتواندامکان ارتقاء بازدهی سراسری ترافیکی از طریق کنترل ترافیک را فراهم آورد. تعداد وسایل نقلیه اتومات متصل‌به‌شبکه (CAVها) که مجهز به VACS هستند در دهه پیش رو به سرعت افزایش پیدا خواهد کرد. در این بین، وسایل نقلیه معمولی دارای راننده (RHVها) در کوتاه‌مدت همچنان نقش عمده‌ای در بازار خواهند داشت. به این ترتیب در آینده نزدیک CAVها و RHVها هر دو را در جاده‌ها و خیابانها خواهیم دید.
نفوذ CAV و VACS در بازار می تواند به بهبودهایی در عملکرد شبکه آزادراهی و بازدهی جریان ترافیک منجر شود. به علاوه، پیاده‌سازی طرح‌های کنترلی، نظیر سرعت وسیله‌نقلیه منفرد و توصیه به تغییر لاین، که در RHVها موجود نیست را نیز امکان‌پذیر خواهد کرد. به زعم دیاکاکی و همکارانش، VACS هایی که به شرایط جریان ترافیک واکنش نشان می‌دهد، یعنی سیستمهای کروز کنترل تطبیقی (ACC) و سیستمهای کروز کنترل تطبیقی مشارکتی (CACC) تغییراتی را در خصوصیات جریان میکروسکوپی ترافیک باعث می‌شوند.
به علاوه، کاهش زمان واکنش در نتیجه وجود CAVها، می‌تواند بواسطه کوچکتر شدن هدوی بینا-وسیله‌ای بازدهی جریان ترافیک را بهبود ببخشد. در آزمایشهای جاده کمربندی تک-لاینی مخلوط-خودگردان (شامل 22 RHV روی یک مسیر کمربندی230 متری)، استرن و همکارانش نشان دادند که با گنجاندن یک CAV در ترافیک، به منظور کاستن از شدت بی‌ثباتی کمربندی، 40% در مصرف سوخت صرفه‌جویی شد. با این حال، تحقیقاتی که به نتایج ضمنی VACS نوظهور بر خصوصیات جریانی ترافیک مخلوط CAVها و RHVها و همچنین توان بالقوه VACS برای بهبود عملیاتهای جریان ترافیک پرداخته باشند، محدودند.
امنیت عابرین پیاده،هدف فناوری ارتباطاتی سیستمهای حملونقل
عابرین پیاده، در مقایسه با مسافرین درون وسایل نقلیه، آسیب‌پذیرترین کاربران راه‌ها هستند. کسر قابل ملاحظه‌ای از مجموع تلفات وجراحات در ترافیک راه‌ها را عابرین پیاده تشکیل می‌دهند (به طور مثال در سال 2010، 273 هزار عابر پیاده کشته شدند). تلاشهای کنونی، توجه خود را به ایجاد سیستمهای پیشرفته محافظت از عابرین که مبتنی بر سیستمهای دستیار راننده هستند معطوف کرده اند. در محیطهای پیچیده شهری، عملکرد این قبیل سیستمها آسیب پذیر است و این به خاطر موانع گوناگون و ناکافی بودن زمان واکنش راننده‌ها است.
هدف فناوری ارتباطاتی وسیله‌نقلیه-به-عابر (V2P) این است که مساله تصادفهای عابرین را حل کرده و امنیت عابرین را بهبود ببخشد. به لطف پیشرفت ICT و افزایش نفوذ دستگاه‌های هوشمند، ایده محیط متصل‌به‌شبکه در زمینه‌های مرتبط با حملونقل گسترش یافته است و حال دیگر مرزهای فیزیکی را در می نوردد. در ادبیات این حوزه، شبکه‌های ترافیکی را اغلب به مثابه گرافهای جهتداری که صرفا مختص به زیرساخت سیستمهای حملونقل هستند مدل‌سازی می کنند. اما شبکه‌های ترافیکی می‌بایست انسانها، زیرساخت فیزیکی، علامت‌گذاری ادراکی راه، و سیستمهای حملونقل چند‌حالته را نیز شامل شوند. از این رو معقول‌تر آن است که شبکه را در کلیتش و در فضاهای سایبر، اجتماعی (رفتار انسانی) و فیزیکی (CSP) مدنظر قرار دهیم. بحثها درخصوص ساخت یک مدل شبکه ترافیکی سلسله‌مراتبی انعطاف‌پذیر شدت یافته است، مدلی که می تواند شبکه‌های فیزیکی، معنایی، منطقی و ادراکی را در بازسازی دیجیتال فضاهای CSP با یکدیگر ادغام و یکپارچه کند.
-
آینده سیستمهای حملونقل هوشمند و شهرهای هوشمند
از مرورهای که در بخشهای پیشین این مقاله انجام شد می‌توان دید که آینده ITS با لایه‌های چندگانه محیط متصل‌به‌شبکه (یعنی لایه‌های سایبر، اجتماعی و فیزیکی) مرتبط است. در این بخش قصد داریم تا بر مبنای چنین فهمی از موضوع، بینشهایی درخصوص توسعه ITSها و شهرهای هوشمند آتی ارائه دهیم، منجمله: تحلیل اطلاعات حاصل از منابع سایبر، مدل‌سازی شبکه CSP، و مدلهای جریان در یک محیط متصل‌به‌شبکه.
5-1 تحلیل نگرشها و تصورات عمومی حاصل از منابع سایبر
سوای داده‌های فیزیکی‌ای که می‌توان از حسگرهای گوناگون گردآوری کرد، نگرشها و تصورات عمومی گردآمده از منابع سایبر (مثلا شبکه‌های اجتماعی) نیز منابع مفیدی برای درک وضعیت شهر و عملکرد سیستم حمل‌و نقل آن هستند. از این رو ITSهای آینده می‌بایست از این منابع داده‌ای برای نظارت بر سیستمها و مدیریت آنها استفاده کنند. به منظور استخراج اطلاعات معنادار از منابع داده‌ای شبکه‌های اجتماعی (مثلا کامنتهای عمومی در توییتر) پیشنهاد می‌شود که از یک الگوریتم مبتنی-بر-NLP (مبتنی-بر-زبان طبیعی) که ساختارهای معنایی از‌پیش‌تعریف‌شده را به خدمت می‌گیرد استفاده شود.
الگوریتم NLP می‌بایست توانایی آن را داشته باشد که رویدادهای اجتماعی و/یا اظهارنظرها (کامنتهای) عمومی‌ای که ممکن است به مشکلات ترافیکی (نظیر راهبندان پس از یک مسابقه فوتبال) بیانجامند، یا نگرشهای عمومی در قبال سیستم/خط مشی کنونی سیستمهای حملونقل یا تصوراتی که از آن وجود دارد را تشخیص دهد. به علاوه، با توجه به اینکه داده‌های شبکه‌های اجتماعی در گستره‌ای زمانی و فضایی تَگ می‌شوند، می توان شدت و جدیت مسائل ترافیکی را نیز تخمین زد (به عنوان مثال، کامنتهایی که به تاخیر در خدمات ریلی پس از مشکل ایجاد شده در قطار ساعت 8 صبح مربوط می‌شوند).
5-2 مدل‌سازی شبکه ترافیکی CSP
به منظور آنکه داده‌های حاصل از فضاهای CSP و سایر داده‌های نوظهور چند-منبعی به نحو بهتری در کار گنجانده شوند، لازم است یک مدل CSP ساخته شود که مرتبط‌سازی و ترکیب کردن داده‌ها در آن امکان‌پذیر باشد. در آینده می‌بایست ساخت یک مدل شبکه ترافیکی سلسله‌مراتبی را مدنظر قرار داد که شبکه‌های فیزیکی، معنایی، منطقی و ادراکی را در بازسازی دیجیتال فضاهای CSP با یکدیگر ادغام و یکپارچه کند. می توان یک اتصال شبکه‌ای بینالایه‌ای (یعنی میان لایه‌های سایبر، اجتماعی، و فیزیکی) را با رایانش شناختی و/یا مدلهای استنباط احتمالاتی، به منظور به تصویر کشیدن اتصالهای شبکه، میسر ساخت.
کار تحقیق درخصوص قاعده مرتبط‌سازی داده‌های بیناحوزه‌ای را می توان با استفاده از علم آمار و NLP به انجام رساند. به عنوان نمونه، می توان یک قاعده مرتبط‌سازی فضایی-زمانی میان شدت فعالیت بلوتوث و حجم ترافیک، یا میان استفاده از انرژی در ساختمانها و جریان حرکت عابرین پیاده، برقرار ساخت. به خاطر ازدیاد اطلاعات ترافیکی موجود بسیار مهم است که به هنگام فرموله کردن این مدل شبکه ترافیکی سلسله‌مراتبی، آن انواع و مقادیری از اطلاعات (به لحاظ تفکیک‌پذیری زمانی و فضایی) شناسایی و تعریف شوند که برای پیاده‌سازی موثر انواع سرویسها بسنده باشند.
5-3 مدلهای جریان در محیطهای متصل‌به‌شبکه
با توجه به محبوبیت فزاینده VACS، شکی نیست که ITSهای آتی در محیطهای متصل‌به‌شبکه که حاوی مخلوطی از CAVها و RHVها هستند مورد استفاده قرار خواهند گرفت. از آنجا که رفتار/خصوصیات CAVها تفاوت اساسی با RHVها دارد، بسیار مهم است که خصوصیات جریان این قبیل محیطهای وسیله‌نقلیه-مخلوط شناخته شوند. مدل بسط‌یافته جریان وسیله‌نقلیه‌ای در هر دو تراز میکروسکوپی و ماکروسکوپی ضروری خواهند بود.
در تراز میکروسکوپی، مدلهای جدید خودرو-دنبالی (CF) مدنظر قرار خواهند گرفت، به این قصد که خصوصیات مرتبط-با-CAV (نظیر قابل اعتماد نبودن ارتباطات وسیله‌نقلیه‌ای، تاخیر ارتباطات، پروتکلهای رانندگی جوخه‌ای، نرخ نفوذ CAVها و …) در کار گنجانده شوند. سپس می توان از چنین مدل CFای در طراحی کنترل مبتنی-بر-پیوند در ITS استفاده کرد. برخلاف تراز میکروسکوپی، در تراز ماکروسکوپی می‌بایست خصوصیات مرتبط-با-CAV را در توسعه مدل جریان تراز-شبکه مدنظر قرار داد تا به نظارت و برنامه‌ریزی منطقه‌ای (نظیر نظارت بر میزان راهبندان در یک منطقه، طراحی طرح قیمت‌گذاری عوارض راه همراه-با-مانع‌گذاری ، و …) کمک شود.
منبع:www.sciencedirect.com[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][ult_ihover][/ult_ihover][/vc_column][/vc_row]
