دبی چگونه با هوش مصنوعی و داده‌ها شهر را حرکت می‌دهد؟
۲۰ اردیبهشت ۱۴۰۴
کپی لینک
منابع
42
نمایش منابع در متن
Google
En Wikipedia
Damacproperties
M Youtube
Careem
Help Careem
Codeflashinfotech
Arabianbusiness
Thestrategystory
Bornintheuae
Paisabazaar
Help Careem
Specials Priceless
Travtalkmiddleeast
Edgemiddleeast
Canvasbusinessmodel
English Alarabiya
Rakuten
Circlemena
Expertappdevs
Travelsdubai
Engineering Careem
Appsrhino
Arkasoftwares
Way2smile
Carbonsifr
Oyelabs
Dxbapps
Techigator
Mckinsey
Khaleejtimes
Help Careem
Timeoutdubai
Zawya
Lucidityinsights
Help Careem
Appverticals
Drivemond
Kiltons
Play Google
Globenewswire
Cabsdriver
خط افق درخشان دبی و شهرت آن در زیرساخت‌های پیشرفته، قطعاً به شبکه حمل و نقل آن نیز گسترش یافته است. اما راز عملکرد روان آن چیست؟ حمل و نقل هوشمند به شدت به جریان‌های داده متنوعی متکی است که دائماً اطلاعات را به سیستم‌های پیچیده وارد می‌کنند
[6]
[7]
[15]
[28]
[32]. سازمان راه و حمل و نقل دبی (RTA) در راس امور قرار دارد و از قدرت هوش مصنوعی (AI) و داده‌های بزرگ (Big Data) برای هماهنگ‌سازی این رقص پیچیده بهره می‌برد
[3]
[5]
[12]. این مطلب به بررسی منابع داده خاصی می‌پردازد که RTA برای ایجاد یک اکوسیستم حمل و نقل یکپارچه، کارآمد و واقعاً داده‌محور برای همه افراد در شهر استفاده می‌کند[3][5]
[10][12]
[14]
[18].
چشم‌انداز RTA: چرا داده‌ها برای حمل و نقل هوشمند حیاتی هستند
RTA فقط مدیریت جاده‌ها را بر عهده ندارد؛ بلکه با یک هدف استراتژیک بلندپروازانه در حرکت است: «پیشرو جهانی در حمل و نقل یکپارچه و پایدار»[3][5][12]. دستیابی به این چشم‌انداز بلندپروازانه به طور قابل توجهی به هوش مصنوعی و داده‌های بزرگ بستگی دارد[3][5][10][12][14][18]. این فناوری‌ها سنگ بنای افزایش کارایی، ارتقای ایمنی و بهبود تجربه کلی کاربر در سراسر شبکه حمل و نقل دبی هستند[3][5][10][12][14][18]. این تمرکز کاملاً با ابتکار گسترده‌تر دبی هوشمند (Smart Dubai) همسو است که هدف آن تبدیل دبی به یکی از هوشمندترین و شادترین شهرهای جهان است[6]
[39]
[41]
[36]. استراتژی دیجیتال RTA برای سال‌های 2023-2030 بر این تعهد تأکید می‌کند و به شدت بر توسعه هوش مصنوعی و تجزیه و تحلیل داده‌ها تمرکز دارد[14].
رونمایی از منابع: RTA داده‌های خود را از کجا دریافت می‌کند؟
خب، این همه اطلاعات حیاتی از کجا می‌آید؟ آن را مانند یک شبکه گسترده از چشم‌ها و گوش‌های دیجیتالی در نظر بگیر که دائماً نبض حرکت شهر را رصد می‌کنند. RTA از طیف وسیعی از منابع برای تغذیه سیستم‌های حمل و نقل هوشمند خود استفاده می‌کند.
حسگرها و نظارت بر شبکه راه‌ها
پایه و اساس مدیریت ترافیک در لحظه، حسگرهای تعبیه‌شده در خود شبکه راه‌ها است. حسگرها و آشکارسازهای ترافیک، با استفاده از فناوری‌هایی مانند حلقه‌های القایی (loops) و رادار، به طور مداوم حجم خودرو، سرعت و اشغال مسیر را اندازه‌گیری می‌کنند[3][15][18][28]
[29]
[31]. تکمیل‌کننده این‌ها، صدها دوربین مداربسته (CCTV) هستند که نظارت بصری را فراهم می‌کنند و هوش مصنوعی به طور فزاینده‌ای برای تشخیص خودکار حوادث مستقیماً از فیدهای ویدیویی استفاده می‌شود
[8][15][18][28][31]
[34]. ایستگاه‌های هواشناسی لایه دیگری را اضافه می‌کنند و زمینه محیطی را فراهم می‌کنند که می‌تواند بر شرایط ترافیکی تأثیر بگذارد[15][28][34]. حتی خود جاده‌ها نیز تحت نظارت هستند و وسایل نقلیه بازرسی مجهز به هوش مصنوعی، داده‌هایی در مورد شرایطی مانند چاله‌ها یا ترک‌ها جمع‌آوری می‌کنند[8][10][12]
[17]
[21].
حمل و نقل عمومی و داده‌های کاربران
درک چگونگی جابجایی مردم با وسایل حمل و نقل عمومی حیاتی است. کارت نول (Nol Card) که برای پرداخت در مترو، تراموا، اتوبوس‌ها و حمل و نقل دریایی استفاده می‌شود، داده‌های ارزشمندی را در مورد الگوهای سفر مسافران از طریق سوابق ورود و خروج (tap-in و tap-out) تولید می‌کند[6]
[11]
[25]
[40]
[33]. داده‌های GPS از ناوگان خود RTA، شامل اتوبوس‌ها و تاکسی‌ها، موقعیت مکانی خودرو، سرعت و پایبندی به مسیرها را ردیابی می‌کند[6][25][31][33]. برنامه‌های آینده شامل سیستم‌های شمارش خودکار مسافر (Automated Passenger Counting - APC) در اتوبوس‌ها برای دریافت داده‌های ظرفیت لحظه‌ای است
[30]. ورودی‌های کیفی را فراموش نکنیم؛ کانال‌های بازخورد عمومی، مانند ویژگی‌های موجود در اپلیکیشن سهیل (S'hail)، به کاربران امکان می‌دهد مشکلات را گزارش دهند یا بهبودهایی را پیشنهاد کنند[6].
تلماتیک خودرو و سیستم
دارایی‌های حمل و نقل مدرن مملو از حسگرها هستند. سیستم‌های تلماتیک در اتوبوس‌ها و قطارهای مترو به طور مداوم داده‌های عملیاتی را ارسال می‌کنند
[13]
[16][25][33][36]
[38]. این اطلاعات برای نظارت بر عملکرد در لحظه و مهم‌تر از آن، برای فعال کردن هشدارهای نگهداری پیش‌بینانه قبل از اینکه مشکلات باعث اختلال شوند، حیاتی است[13][16][25][33][36][38].
داده‌های خارجی و شرکا
RTA در یک سیلوی داده عمل نمی‌کند. این سازمان از منابع داده خارجی، به ویژه اطلاعات ترافیک و تصادفات در لحظه از Google Maps استفاده می‌کند
[2]. همکاری با شرکت‌های تاکسی اینترنتی نیز پتانسیل ارائه بینش‌های تکمیلی در مورد ترافیک و تقاضا را فراهم می‌کند و قطعه دیگری به پازل پیچیده حمل و نقل اضافه می‌کند[6].
قدرت پردازش: چگونه داده‌ها به هوشمندی تبدیل می‌شوند
داشتن کوهی از داده‌های خام یک چیز است؛ تبدیل آن به هوشمندی قابل اقدام، چالش کاملاً متفاوتی است. اینجاست که فناوری‌های قدرتمندی مانند هوش مصنوعی و تجزیه و تحلیل داده‌های بزرگ وارد عمل می‌شوند[2]
[4][7][39][29]. RTA سرمایه‌گذاری قابل توجهی در زیرساخت‌های مورد نیاز برای این منظور انجام داده است، از جمله یک پلتفرم سازمانی (Enterprise Platform) اختصاصی که به طور خاص برای راه‌حل‌های هوش مصنوعی و علم داده طراحی شده است[2][39]. این پلتفرم مجموعه داده‌های وسیعی را پردازش می‌کند و از مدل‌های یادگیری ماشین برای کشف بینش‌ها استفاده می‌کند[2]. یک مرکز اصلی برای پردازش داده‌های شبکه راه‌ها، مرکز سیستم‌های ترافیک هوشمند دبی (Dubai Intelligent Traffic Systems - ITS Centre) است، یک مرکز در سطح جهانی که از هوش مصنوعی و اینترنت اشیا (IoT) بهره می‌برد[7][15][28][32][34]. علاوه بر این، تلاش‌های داده‌ای RTA به پلتفرم شهری دبی پالس (Dubai Pulse) متصل است که ستون فقرات تحول هوشمند امارت محسوب می‌شود و اشتراک‌گذاری داده‌ها را بین نهادهای دولتی و فراتر از آن تسهیل می‌کند[6]
[9]
[19]
[24]
[35].
داده‌ها در عمل: تحول در حمل و نقل دبی
بسیار خب، می‌دانیم داده‌ها از کجا می‌آیند و چگونه پردازش می‌شوند. اما چگونه در عمل تفاوت ایجاد می‌کنند؟ در اینجا نحوه تحول فعالانه چشم‌انداز حمل و نقل دبی توسط این جریان‌های داده آمده است.
جریان ترافیک هوشمندتر (ITS)
مرکز ITS نظارت و مدیریت در لحظه شبکه راه‌های دبی را فراهم می‌کند[7][15][28][32][34]. الگوریتم‌های هوش مصنوعی داده‌های حسگرها و دوربین‌ها را تجزیه و تحلیل می‌کنند تا نقاط پرتراکم را پیش‌بینی کرده و جریان ترافیک را به طور فعال مدیریت کنند، که اغلب با ابزارهایی مانند Google Maps یکپارچه می‌شوند[2][4][7][39][29]. تشخیص حوادث اکنون تا حد زیادی خودکار شده است و هوش مصنوعی تصادفات یا خرابی‌ها را بسیار سریع‌تر تشخیص می‌دهد و امکان پاسخ‌گویی سریع‌تر را فراهم می‌کند[7][8][15][28]. یک توسعه کلیدی آتی، سیستم UTC-UX Fusion است که از هوش مصنوعی و دوقلوهای دیجیتال (digital twins) برای بهینه‌سازی پویای زمان‌بندی چراغ‌های راهنمایی بر اساس شرایط و پیش‌بینی‌های لحظه‌ای استفاده خواهد کرد و هدف آن کاهش قابل توجه تأخیرها است
[1][3][5]
[20].
بهینه‌سازی حمل و نقل عمومی
داده‌های کارت نول گنجینه‌ای برای درک تقاضای مسافران است[6][11][25][33]. RTA از هوش مصنوعی برای تجزیه و تحلیل این الگوها استفاده می‌کند که منجر به تصمیمات هوشمندانه‌تر در مورد تنظیم مسیرهای اتوبوس، تغییر برنامه‌های زمانی یا حتی افزودن خدمات جدید در صورت نیاز می‌شود[6][11]. این به مدیریت جمعیت، به ویژه در ایستگاه‌های شلوغ مترو کمک می‌کند و قابلیت اطمینان کلی خدمات را بهبود می‌بخشد[2][6][11][25][33][39]. ابتکاراتی مانند سیستم «مغز شهر» (City Brain) با هدف اصلاح بیشتر برنامه‌ریزی و کاهش زمان انتظار انجام می‌شود[25][33]. حتی پیشنهادات کاربران از طریق اپلیکیشن‌ها نیز به بهبود شبکه کمک می‌کند[6].
نگهداری پیش‌بینانه
روان نگه داشتن عملکرد دارایی‌های حمل و نقل حیاتی است. هوش مصنوعی داده‌های حسگرهای موجود در جاده‌ها، پل‌ها و سیستم مترو را تجزیه و تحلیل می‌کند تا خرابی‌های احتمالی را قبل از وقوع پیش‌بینی کند[2][13][16][36][38][39]. وسایل نقلیه مجهز به هوش مصنوعی، جاده‌ها را برای یافتن نقص‌ها با دقت بالا بازرسی می‌کنند و زمان بازرسی دستی را به طور چشمگیری کاهش می‌دهند[8][10][12][17][21]. به طور مشابه، سیستم‌های نظارتی، نقص در اجزای مترو مانند سوزن‌ها و پله‌های برقی را پیش‌بینی می‌کنند و امکان نگهداری فعال را فراهم می‌آورند[13][16][36][38]. اتوبوس‌های RTA نیز از راه دور برای مشکلات عملکردی نظارت می‌شوند و از برنامه‌ریزی بهتر نگهداری پشتیبانی می‌کنند[25][33].
بهبود برنامه‌ریزی سفر
تمام این داده‌های لحظه‌ای مستقیماً به نفع مسافران است. اپلیکیشن‌های برنامه‌ریزی سفر مانند سهیل (S'hail) با این اطلاعات تغذیه می‌شوند و زمان‌های دقیق سفر، به‌روزرسانی‌های لحظه‌ای در مورد برنامه‌های حمل و نقل عمومی و گزینه‌های مسیر چندوجهی بهینه را ارائه می‌دهند[6][15][28][40][31][34]. این امر مسیریابی در شهر را برای ساکنان و بازدیدکنندگان بسیار آسان‌تر و قابل پیش‌بینی‌تر می‌کند[29][40][31].
اطلاع‌رسانی برای سیاست‌گذاری و برنامه‌ریزی
فراتر از عملیات روزانه، داده‌های تجمیع‌شده بینش‌های ارزشمندی را برای برنامه‌ریزی استراتژیک بلندمدت فراهم می‌کنند[2][6][39]
[26]. تجزیه و تحلیل روندها در جریان ترافیک، استفاده از حمل و نقل عمومی و الگوهای حوادث به RTA کمک می‌کند تا تصمیمات مبتنی بر شواهد در مورد سرمایه‌گذاری‌های زیرساختی آینده و تنظیمات خدمات اتخاذ کند و اطمینان حاصل کند که سیستم حمل و نقل به طور پایدار با رشد شهر تکامل می‌یابد[39][26]. RTA حتی در حال بررسی راه‌هایی برای کسب درآمد از بینش‌های داده‌های ناشناس‌شده با رعایت مقررات حفظ حریم خصوصی است[6]
[42].
نتایج: مزایای قابل اندازه‌گیری برای دبی
تأثیر این رویکرد داده‌محور ملموس و قابل اندازه‌گیری است. به لطف ابتکاراتی مانند گسترش ITS، دبی شاهد کاهش زمان سفر تا 20 درصد در مناطق تحت پوشش بوده است[15][28][34]. ایمنی بهبودیافته یکی دیگر از نتایج کلیدی است، به طوری که تشخیص سریع‌تر حوادث، زمان پاسخ‌گویی را 30 درصد بهبود بخشیده و نگهداری پیش‌بینانه از تصادفات احتمالی جلوگیری می‌کند[8][10][12][13][15][17][28][34][36]. افزایش کارایی در مسیرهای بهینه حمل و نقل عمومی و کاهش هزینه‌های عملیاتی، مانند صرفه‌جویی 7 درصدی در عملیات خودکار مترو، مشهود است[11][25]
[27][30][33][36][38]. در نهایت، این به معنای تجربه کاربری بهتر با کاهش زمان انتظار و خدمات قابل اطمینان‌تر است[6][13][25][33][36][40][31]. مزایای پایداری نیز وجود دارد، زیرا جریان ترافیک روان‌تر و مسیرهای بهینه، مصرف سوخت و انتشار گازهای گلخانه‌ای را کاهش می‌دهد[1][2][4][11][25][33].
پرداختن به موانع: چالش‌ها در استفاده از داده‌ها
البته، پیاده‌سازی چنین اکوسیستم داده پیچیده‌ای بدون چالش نیست. تضمین حریم خصوصی داده‌ها، به ویژه هنگام کار با داده‌های مکانی از کارت‌های نول و وسایل نقلیه، بسیار مهم است؛ اقدامات قوی ناشناس‌سازی و امنیتی ضروری هستند[6][41][42]. امنیت سایبری یکی دیگر از نگرانی‌های عمده است، زیرا سیستم‌های حمل و نقل متصل می‌توانند اهداف حملات باشند و نیازمند هوشیاری مداوم و دفاع قوی هستند[14]
[22]. هزینه قابل توجه پیاده‌سازی و نگهداری این فناوری‌های پیشرفته نیاز به توجیه از طریق مزایای واضح دارد[7][35]. علاوه بر این، یافتن و حفظ کارکنان با مهارت‌های تخصصی در علم داده و هوش مصنوعی مورد نیاز برای مدیریت این سیستم‌ها، یک نیاز مداوم است[35][39][41].
مسیر پیش رو: یکپارچه‌سازی آینده داده‌ها در حمل و نقل
با نگاه به آینده، داده‌ها و هوش مصنوعی حتی عمیق‌تر در چشم‌انداز حمل و نقل دبی ریشه خواهند دواند. برنامه‌های بلندپروازانه شهر برای وسایل نقلیه خودران (AVs)، با هدف اینکه 25 درصد سفرها تا سال 2030 خودران باشند، کاملاً به داده‌های حسگرهای پیچیده و هوش مصنوعی برای ناوبری و ایمنی متکی هستند[4][13][29]. فناوری‌هایی مانند سیستم‌های حمل و نقل هوشمند مشارکتی (Cooperative ITS - C-ITS / V2X)، که وسایل نقلیه را قادر می‌سازد با یکدیگر و زیرساخت‌ها ارتباط برقرار کنند، در حال حاضر در سیستم‌های جدیدی مانند UTC-UX Fusion ادغام شده‌اند[1][3][5][20][28][34]. شبیه‌سازی پیشرفته با استفاده از دوقلوهای دیجیتال (Digital Twins) برای برنامه‌ریزی و بهینه‌سازی مجازی شبکه قبل از پیاده‌سازی در دنیای واقعی رایج‌تر خواهد شد[1][3][5][14][16][20]. همچنین می‌توانیم انتظار ادغام بیشتر هوش مصنوعی در زمینه‌هایی مانند خدمات مشتری، رباتیک برای نگهداری و حتی به طور بالقوه برنامه‌های کاربردی متاورس (Metaverse) برای برنامه‌ریزی یا آموزش را داشته باشیم[4][6][14][16]
[23][27][29]
[37][39]. منابع داده متنوع، که توسط سیستم‌های هوشمندتر پردازش می‌شوند، واقعاً سوخت محرک آینده حمل و نقل در دبی هستند[3][4][14].
رایگان امتحان کنید