چهارشنبه ۲۳ اردیبهشت ۱۴۰۵
فقدان سیستمهای هوشمند و هوش مصنوعی، مانع بهینهسازی زمان سفر و کیفیت شبکه حملونقل عمومی است.
مهدی خاکی فیروز: اسفند پارسال و در نخستین روزهای شروع جنگ رمضان، وقتی حضور کارکنان ادارههای دولتی به شیوه درصدی تغییر یافت، ترافیک تهران به شدت کم شد. کابوس ترافیک هفته پایانی اسفند برای نخستین بار در چند سال اخیر تکرار نشد و تا چهارشنبه هفته گذشته که کارکنان دولت ترکیبی از کار حضوری و دورکاری را تجربه میکردند، ترافیک تهران نسبتا حال و هوای تعطیلات نوروزی خود را حفظ کرد.
در هفتههای اخیر، موضوع ترافیک به دلیل سایه سنگین اخبار جنگ و تحولات امنیتی، کمتر مورد توجه قرار گرفت. گزارشهای ترافیکی، دیگر تیتر اول رسانهها نبودند و تحلیلهای مدیریتی، عمدتاً روی مسائل فوری متمرکز شده بودند.اما شنبه این هفته و با پایان طرح حضور درصدی کارکنان دولت، یادآوری شد که مشکل ترافیک هنوز پابرجاست و حل نشده است.
درصدبندی حضور کارکنان، اگرچه هدفش امنیت بود، نشان داد که کاهش حجم خودروها در ساعات اوج، مسیرهای پرترافیک را آرامتر کرده و کیفیت سفر را بهبود بخشیده است. این تجربه، تأکید میکند که سیاستها میتوانند اثرات جانبی غیرمنتظره داشته باشند و ارزش تحلیل و استفاده برای تصمیمات آینده را دارند. ترافیک سنگین تهران، ناشی از ترکیبی از توسعه افقی و ناهمگونی سکونتگاهها، جمعیت بالا، خودروهای شخصی متعدد و ناکارآمدی حملونقل عمومی است. شهر با بیش از ده میلیون نفر جمعیت و میلیونها خودروی شخصی به مدیریتی فعال و استراتژیک نیاز دارد.
برای رسیدن به شهری با ترافیک بهتر، لازم است مجموعهای از سیاستها همزمان اجرا شوند. تمرکز مدیریت شهری در ایران تاکنون بیشتر بر شیوههای سلبی مدیریت ترافیک بهویژه طرح ترافیک و جریمهها متمرکز بوده است و شیوههای ایجابی در اولویت فرعی بودهاند. حملونقل عمومی تهران در مقایسه با شهرهای بزرگ جهان، وضعیت نسبتاً متوسطی دارد.
با نگاهی دقیقتر، نقاط ضعف و فرصتهای بهبود روشن میشوند. شبکه مترو تهران حدود ۳۱۰ کیلومتر طول دارد که از نظر طول، مشابه شبکه مترو لندن یا نیویورک با ۴۰۰ و ۳۸۰ کیلومتر است. با این حال، تعداد ایستگاهها در تهران کمتر از نصف تعداد ایستگاههای نیویورک و لندن است. به عبارتی فاصله بین ایستگاهها در تهران طولانیتر است و بسیاری از شهروندان، دسترسی آسان به شبکه مترو ندارند.
این امر باعث میشود که مترو تهران، باوجود طول قابل توجه، نتواند تمام نیازهای حملونقل شهری را پوشش دهد. شبکه اتوبوس تهران حدود ۳هزار کیلومتر طول دارد، اما در مقایسه با لندن و پاریس که شبکههای اتوبوس آنها بیش از ۶ هزار کیلومتر است، پوشش کافی برای همه مناطق شهر فراهم نمیکند. این محدودیت باعث شده بسیاری از شهروندان به خودرو شخصی روی بیاورند و ترافیک خیابانها همچنان سنگین باقی بماند.
از نظر جابهجایی مسافر، مترو تهران روزانه حدود ۳میلیون نفر را جابهجا میکند، در حالی که مترو توکیو و شانگهای به ترتیب حدود ۸.۷ و ۹ میلیون نفر مسافر جابهجا میکنند. نسبت استفاده از وسایل نقلیه عمومی در تهران حدود ۳۵ درصد است، در حالی که در شهرهایی مانند لندن، نیویورک، توکیو و پاریس این نسبت معمولاً بین ۵۰ تا ۷۰ درصد است. پایین بودن این شاخص نشان میدهد که جمعیت تهران هنوز به حملونقل عمومی دسترسی و اعتماد کامل ندارد و بسیاری ترجیح میدهند از خودرو شخصی استفاده کنند.
زمان سفر متوسط روزانه در تهران حدود ۶۵ دقیقه است که کمی بیشتر از شهرهای بزرگ جهان است. این موضوع نشان میدهد ازدحام، زمان انتظار در ایستگاهها و کیفیت خدمات هنوز در تهران به سطح ایدهآل نرسیده است. در مقایسه، زمان سفر متوسط در لندن یا توکیو حدود ۵۵ تا ۶۰ دقیقه است و شهروندان تجربه سفر روانتر و سریعتری دارند.
در چند شهر پیشرفته جهان، هوش مصنوعی نقش واقعی در مدیریت حمل و نقل عمومی دارد و نتایج ملموسی ایجاد کرده است. برای مثال در سنگاپور به عنوان پرتراکمترین بافت جمعیتی، سیستمهای هوشمند با تحلیل دادههای ترافیکی و جریان مسافر، زمانبندی اتوبوسها و قطارها را لحظهای تنظیم میکنند و ازدحام در ساعات اوج سفر، به شکل قابل توجهی کاهش یافته است.
تجربه این شهرها نشان میدهد هوش مصنوعی بهرهوری کل سیستم حمل و نقل عمومی را افزایش میدهد، مصرف انرژی و آلودگی هوا را کاهش میدهد و امکان مدیریت منعطف و پویا برای مسئولان شهری فراهم میآورد. هوش مصنوعی نقش بسیار مهمی در مدیریت ترافیک و بهبود بهرهوری حملونقل عمومی دارد و این ظرفیت در شهری مانند تهران، با جمعیت بالا و ازدحام همیشگی، اهمیت دوچندانی پیدا میکند.
در بسیاری از شهرهای جهان، الگوریتمها و سیستمهای هوشمند به شکل روزانه جریان خودروها و مسافران را تحلیل میکنند، نقاط پرترافیک را پیشبینی میکنند و با تصمیمات لحظهای، زمان سفر و کیفیت حملونقل را بهبود میبخشند. اما آنچه برای تهران بیشترین اهمیت را دارد، بهرهبرداری حداکثری از ظرفیتهای موجود حملونقل عمومی است که تأثیر مستقیم و فوری بر کاهش ازدحام خیابانها دارد. تمرکز هوش مصنوعی در این حوزه، روی تحلیل دقیق جریان مسافر، پیشبینی حجم استفاده از مترو و اتوبوس، و مدیریت هوشمند ناوگان است.
سیستمهای هوشمند قادرند با استفاده از دادههای تاریخی، اطلاعات لحظهای و الگوریتمهای یادگیری ماشینی، تعداد مسافران هر خط و هر ساعت را پیشبینی کنند. این پیشبینیها امکان تنظیم تعداد واگنهای مترو یا اتوبوسها را فراهم میکند تا ظرفیت شبکه نه کمتر از نیاز باشد و نه منابع اضافی هدر رود. برای مثال، در ساعات اوج صبحگاهی، سیستم هوش مصنوعی پیشبینی میکند که یک خط خاص مترو با چه تعداد واگن نیاز دارد و اتوبوسها به چه تعداد و در کدام مسیرها باید حرکت کنند تا همزمان ازدحام کاهش یابد و سفر مسافران روانتر شود.
همچنین، تحلیل دادهها به اپراتورها اجازه میدهد مسیرهای کمبهره و پرترافیک را شناسایی کرده و بهینهسازی کنند. این به این معنی است که خطوطی که اغلب نیمهخالی حرکت میکنند یا مسیرهایی که به دلایل طراحی ناکارآمد کم استفاده هستند، با تغییر زمانبندی یا بازتعریف مسیرها، به بهرهوری بیشتری برسند. هوش مصنوعی میتواند اطلاعات لحظهای و پیشبینیشده را در اختیار مسافران قرار دهد و این بخش، مکمل مستقیم بهرهوری شبکه است.
مسافر باید بداند که چه زمانی اتوبوس یا قطار کمتر شلوغ است، زمان تقریبی رسیدن آنها چقدر است و کدام مسیر سریعتر و خلوتتر است؟ با دسترسی به این اطلاعات، مردم بهتر میتوانند برنامهریزی کنند و تمایل بیشتری به استفاده از حملونقل عمومی پیدا میکنند. اما متاسفانه این روزها که جی.پی.اس دچار اختلال وسیع است و رانندگان تاکسیهای اینترنتی برای رفت و آمد در مناطق مختلف شهر، زمان زیادی را از دست میدهند،
تمام حقوق برای پایگاه خبری سرمایه فردا محفوظ می باشد کپی برداری از مطالب با ذکر منبع بلامانع می باشد.
سرمایه فردا