ترافیک مهرماه در شهرها: تحلیل دادهمحور با هوش مصنوعی
با آغاز مهر الگوی ترافیک صبح تغییر میکند. پژوهشها سهم سفرهای مدرسه را حدود ۲۰ درصد شاخص ازدحام نشان میدهند؛ روش اندازهگیری آن با دادههای موجود شهر.
با آغاز مهر، الگوی رفتوآمد صبحگاهی در همه شهرهای بزرگ تغییر میکند. این تغییر نه تصادفی است و نه غیرقابل پیشبینی؛ یکی از منظمترین و قابلمطالعهترین الگوهای ترافیکی در ادبیات جهانی حملونقل است. نکته مهم این است که چون این الگو تکرارشونده و زمانبندیشده است، دقیقاً همان ویژگیای را دارد که مدلهای دادهمحور و هوش مصنوعی برای بهبودش به آن نیاز دارند.
کرج با جمعیتی نزدیک به دو میلیون نفر و پیوند روزانهاش با تهران، شهری است که هر درصد بهبود در روانی شبکه معابر، به زمان، سوخت و کیفیت هوا ترجمه میشود. شناخت دقیق سهم سفرهای مدرسه در ساعت اوج صبح، اولین گام برای هر برنامه بهبودی است که بخواهد بر پایه عدد تصمیم بگیرد نه بر پایه حدس.
سهم سفر مدرسه چقدر است؟ آنچه دادههای جهانی میگویند
بهترین روش برای اندازهگیری سهم یک عامل در ترافیک، مقایسه دورههایی است که آن عامل حضور دارد با دورههایی که ندارد. تعطیلات مدارس دقیقاً چنین آزمایش طبیعیای فراهم میکند: روزهای کاری در دوران تعطیلی مدارس، از نظر فعالیت اقتصادی و اداری تفاوت چندانی با سایر روزهای کاری ندارند، اما سفرهای مدرسه در آنها غایب است.
پژوهشی که با استفاده از دادههای شاخص ازدحام شهر پکن انجام شد، نشان داد شاخص ازدحام در روزهای کاریِ دوران تعطیلی مدارس حدود ۲۰ درصد پایینتر از روزهای کاری عادی است. این عدد بسیار بزرگتر از سهم عددی خودروهای مدرسه در کل ترافیک است و دلیلش در ادامه روشن میشود.
چرا اثر سفر مدرسه بیش از سهم عددی آن است؟
سه ویژگی باعث میشود سفر مدرسه اثری فراتر از تعداد خودروهایش داشته باشد:
- تمرکز زمانی بسیار بالا. یک سفر اداری ممکن است در بازهای دو ساعته پخش شود، اما سفر مدرسه در پنجرهای بیست تا سی دقیقهای متمرکز است، چون ساعت شروع مدرسه ثابت و غیرقابلمذاکره است.
- تمرکز مکانی. این سفرها به نقاط مشخص و از پیش معلوم ختم میشوند و در خیابانهای محلی اطراف مدارس، که برای چنین حجمی طراحی نشدهاند، جمع میشوند.
- سفر برگشت خالی. خودرویی که دانشآموز را میرساند، معمولاً مسیر برگشت را بدون سرنشین اضافه طی میکند؛ یعنی هر دانشآموز عملاً دو حرکت خودرو تولید میکند.
نتیجه ترکیب این سه ویژگی، همان اثر غیرخطی شبکه است: وقتی حجم ورودی به یک تقاطع از ظرفیت آن عبور میکند، تأخیر دیگر بهصورت خطی رشد نمیکند بلکه بهسرعت بالا میرود. به همین دلیل افزودن درصد کوچکی خودرو در پنجرهای باریک، میتواند تأخیری چند برابر تولید کند — و به همین دلیل هم برداشتن همان درصد کوچک، بهبودی چند برابر میدهد.
از حدس تا اندازهگیری: چه دادهای لازم است؟
بیشتر شهرها میدانند که صبحهای مهر شلوغتر است، اما پاسخ دقیقی برای این پرسشها ندارند: چند درصد؟ کدام تقاطعها؟ کدام مدارس بیشترین اثر را دارند؟ بدون پاسخ عددی، هر مداخلهای آزمونوخطاست.
خبر خوب این است که برای پاسخ دادن، معمولاً نیازی به زیرساخت جدید نیست. دادههای موجود در اغلب شهرها کافیاند:
- شمارشگرهای حجم تردد روی معابر اصلی، که داده تاریخی چند ساله دارند.
- داده دوربینهای نظارت ترافیکی که با بینایی ماشین میتوان از آنها شمارش خودرو و طول صف استخراج کرد، بدون آنکه نیازی به شناسایی هیچ فرد یا پلاکی باشد.
- زمانبندی و موقعیت مدارس، که دادهای عمومی و ثابت است.
- تقویم آموزشی، که همان متغیر کلیدی آزمایش طبیعی را فراهم میکند.
مدل تحلیلی روی این دادهها، تفاوت میانگین شاخصهای ترافیکی را بین روزهای مدرسهدار و بدونمدرسه، به تفکیک تقاطع، محاسبه میکند. خروجی یک عدد کلی نیست؛ نقشهای است که نشان میدهد اثر در کدام نقاط شبکه متمرکز شده است. همین نقشه است که تصمیم بعدی را ممکن میکند.
نقشه اثر، مقدمه انتخاب راهکار است
وقتی مشخص شود که مثلاً بخش عمده اثر در ده تا پانزده تقاطع خاص متمرکز است — که در اغلب شهرها همینطور است — گزینههای عملی روشن میشوند و میتوان با هزینهای محدود، بخش بزرگی از اثر را پوشش داد. دو راهکاری که بیشترین شواهد بینالمللی را پشت خود دارند، موضوع دو مقاله دیگر ماست: ساعت شروع پلکانی مدارس و خیابان امن مدرسه.
این تحلیل همچنین ورودی مستقیمی برای سامانههای کنترل هوشمند چراغ فراهم میکند. در مقاله مدیریت هوشمند ترافیک در کرج توضیح دادهایم که چراغهای تطبیقی چگونه بر اساس تقاضای واقعی زمانبندی میشوند؛ داده سهم سفر مدرسه به چنین سامانهای میگوید کدام برنامه زمانی برای کدام روز از تقویم مناسب است. در سطحی بالاتر، این لایه داده یکی از اجزای طبیعی دوقلوی دیجیتال شهری است که امکان میدهد اثر هر تغییر پیش از اجرا شبیهسازی شود.
نقشه راه اجرای یک مطالعه سهمسنجی
گام یک: تعیین دامنه و شاخص
پیش از هر چیز باید مشخص شود چه چیزی اندازهگیری میشود: زمان سفر، طول صف، یا شاخص ترکیبی ازدحام. انتخاب شاخص، بقیه طراحی مطالعه را تعیین میکند.
گام دو: گردآوری داده تاریخی
حداقل دو سال داده لازم است تا بتوان دورههای مدرسهدار و تعطیل را با هم مقایسه کرد و اثر فصل، آبوهوا و روز هفته را از اثر مدرسه جدا کرد.
گام سه: مدلسازی و کنترل متغیرها
مدل باید عوامل همزمان را کنترل کند. دمای هوا، بارش، ماه سال و رویدادهای خاص همگی بر ترافیک اثر دارند و بدون کنترل آنها، عدد بهدستآمده قابل اتکا نیست.
گام چهار: اعتبارسنجی میدانی
خروجی مدل باید با مشاهده مستقیم در چند نقطه نمونه مقایسه شود. مدلی که با واقعیت میدان جور درنیاید، هر قدر هم دقیق به نظر برسد، مبنای تصمیم نیست.
گام پنج: توانمندسازی تیم داخلی
سامانهای که فقط پیمانکار میتواند آن را اجرا کند، پس از پایان قرارداد رها میشود. تیم داخلی باید بتواند مدل را دوباره اجرا کند، خروجی را بخواند و آن را سال به سال بهروز نگه دارد. به همین دلیل یک دوره آموزشی هوش مصنوعی متناسب با سطح تیم و همراهی یک مشاور هوش مصنوعی برای آموزش، بخشی از پروژه است، نه افزودهای اختیاری. همین رویکرد در حوزه آموزش نیز کاربرد دارد؛ در مقاله روباتیک آموزشی در مدارس به آن پرداختهایم.
گام شش: تکرار سالانه
تقویم آموزشی، جمعیت دانشآموزی و شبکه معابر تغییر میکنند. مطالعهای که یکبار انجام و بایگانی شود، پس از دو سال دیگر توصیفکننده واقعیت نیست.
پرسشهای متداول
سهم سفرهای مدرسه در ترافیک ساعت اوج چقدر است؟
پژوهش انجامشده روی دادههای شهر پکن نشان داد شاخص ازدحام در روزهای کاریِ تعطیلی مدارس حدود ۲۰ درصد کمتر از روزهای کاری عادی است. این عدد برای هر شهر متفاوت است و باید بهصورت محلی اندازهگیری شود.
برای چنین تحلیلی چه دادهای لازم است؟
داده حجم تردد یا زمان سفر با تفکیک ساعتی، تقویم آموزشی، و موقعیت مدارس. در اغلب شهرها این دادهها از پیش وجود دارند و نیازی به نصب تجهیزات جدید نیست.
حداقل بازه زمانی داده چقدر است؟
حداقل دو سال داده تاریخی، تا امکان مقایسه دورههای مدرسهدار و تعطیل و کنترل اثر فصل و آبوهوا فراهم شود.
آیا این تحلیل به داده شخصی نیاز دارد؟
خیر. تمام شاخصها در سطح تجمیعی محاسبه میشوند: تعداد خودرو، زمان سفر و طول صف. شناسایی افراد یا پلاکها نه لازم است و نه در طراحی چنین سامانهای جایی دارد.
خروجی نهایی چیست؟
نقشهای از اثر سفرهای مدرسه به تفکیک تقاطع، به همراه برآورد عددی سهم آنها در شاخص انتخابی. این خروجی ورودی مستقیم انتخاب و اولویتبندی راهکارهاست.
خدمات مرتبط قطره
- علم داده و مدلسازی آماری برای تحلیل الگوهای تردد شهری
- بینایی ماشین برای استخراج شمارش و طول صف از تصاویر دوربینهای موجود، در سطح تجمیعی
- مشاوره هوش مصنوعی در کسبوکار برای طراحی مطالعه و تعریف شاخصها
- دوره آموزشی هوش مصنوعی ویژه تیمهای فنی سازمانها
- مشاور هوش مصنوعی برای آموزش جهت طراحی مسیر یادگیری تیم داخلی
- اتوماسیون هوش مصنوعی برای اجرای دورهای گزارشها بدون دخالت دستی
- چتبات پاسخگو برای انتشار عمومی نتایج و راهنمای شهروندان
- روباتیک و سامانههای خودکار پایش میدانی
قطره در پارک علم و فناوری البرز مستقر است و این خدمات را بهعنوان مکمل برنامههای جاری سازمانها ارائه میکند.
منابع
- School runs and urban traffic congestion: evidence from China — پژوهش مبتنی بر داده شاخص ازدحام شهری
- مطالعات بهینهسازی زمانبندی ساعت شروع مدارس، منتشرشده در arXiv