هوش مصنوعی به کمک صفر شدن ترافیک می‌آید

به گزارش خبرنگار اقتصاد معاصر؛ حتما تابه‌حال بار‌ها در جاده‌ها طعم ناخوشایند گرفتارشدن در راه‌بندان (ترافیک سنگین) بین‌شهری را چشیده‌اید. این موضوع، یکی از چالش‌های جدی مسافرت بین‌شهری است که در کیفیت مسافرت‌ها در ایران ما تاثیرات منفی عمیقی برجای گذاشته است.

از سوی دیگر، این چالش بر دوش نیرو‌های راهور، راهداران، نیرو‌های امدادی و سایر عناصری که خدمات جاده‌ای را برعهده دارند، فشار بسیار سنگینی را تحمیل می‌کند. 

برای سبک‌شدن این اختلالات، تدابیر متنوعی اندیشیده شده اما با وجود تمام این تدابیر و تلاش‌ها، چالش ترافیک‌های سنگین هر روز دشوارتر، پیچیده‌تر، غیرقابل پیش‌بینی‌تر و پرهزینه‌تر می‌شود.

الگوی «سامانه تصمیم‌یار متکی به هوش مصنوعی» مفاهیم و الزامات ضروری برای حل این مسئله را فراهم می‌کند. برای روشن شدن موضوع، حل عینی مسئله راه‌بندان جاده تهران-چالوس را بررسی خواهیم کرد.

 
سامانه‌های تصمیم‌یار

این سامانه‌ها، به کمک هوش مصنوعی می‌تواند در حل این چالش به ما کمک کند. سامانه‌های تصمیم‌یار یا دی‌اس‌اس که مبتنی بر هوش مصنوعی باشند، از چند جز اساسی تشکیل شده است.

بانک داده

این بانک، حاوی داده‌های گوناگون برای اتخاذ تصمیم درست است. این داده‌ها از انواع گوناگونی تشکیل می‌شوند تا بتواند با دقت و کارآمدی به تصمیمات ما کمک کنند. در مثال خاص ما، داده‌های گوناگونی مانند دما، آب‌وهوا، میزان تردد در جاده‌های همجوار یا مکمل یا جانشین، نوع خودرو‌های عبوری (سبک، سنگین، وانت، اتوبوس و...)، سرعت متوسط خودروها، داده‌های گوناگون تقویمی (مانند فواصل و حجم تعطیلات، نوع تعطیلات و ...)، داده‌های گوناگون جاده (مانند کیفیت جاده، شیب‌ها، پیچ‌ها، خرابی‌ها، تعمیرات و...)، جانمایی‌های گوناگون (مانند ایستگاه‌های پلیس، رستوران‌ها، محلات، پمپ‌بنزین‌ها و مجتمع‌های خدمات رفاهی، مساجد و نمازخانه‌ها، ایستگاه‌های راهداری، ایستگاه‌های بیمارستانی و هلال احمر، محل‌های ریزش کوه، محل‌های پرتصادف، محل‌های پرخطر، شیب‌های تند، راه‌های فرار و ...) و نهایتا نوع داده‌های شخصی که از شبکه‌های اجتماعی استحصال می‌شوند (البته به صورت انبوه و بی‌نام و با رعایت حریم خصوصی افراد) مانند تعداد رانندگان زن و مرد یا سن رانندگان یا سطح درآمد خانواده‌های مسافر یا روحیات رانندگان یا الگو‌های سفر خانوادگی یا غیر از آن و سایر الگو‌های رفتاری مستخرج از شبکه‌های اجتماعی، همگی می‌توانند تعیین‌کننده و دخیل باشند.

 در مواردی سطح‌داده‌ها می‌توانند اهمیت زیادی داشته باشند. به عنوان مثال دما یکی از این موارد است. طبعا شرایط و میزان ترددها در دمای زیر صفر و یخبندان‌های مداوم برخی نقاط جاده در زمستان، با شرایط در هوای نسبتا گرم تابستان متفاوت خواهد بود.همچنین آب‌وهوا نیز اینچنین است. شرایط در هوای برفی و آفتابی با یکدیگر متفاوت هستند.

یکی دیگر از این موارد، میزان تردد در جاده‌های همجوار یا مکمل یا جانشین است، این موارد می‌تواند در تصمیمات دقیق در شرایط بحرانی به ما کمک کند. همچنین نوع خودرو‌های عبوری نیز از این موارد تلقی می‌شوند. مثلا برنامه‌ریزی برای یک جاده ترانزیتی با یک جاده محلی متفاوت است.

سرعت متوسط خودروها، یکی دیگر از این موارد است. سرعت عبور و تردد خودروها، حتما در نوع برنامه‌ریزی‌ها مؤثر است. اقتضائات منطقه‌ای از جاده‌ای که خودرو‌ها با سرعت ۳۰ کیلومتر بر ساعت از آن عبور می‌کنند با اقتضائات بخش‌هایی که سرعت متوسط خودرو‌ها در آن مناطق ۹۰ کیلومتر بر ساعت است، متفاوت خواهد بود.

داده‌های گوناگون تقویمی هم به نوعی از آن موارد محسوب می‌شود. روز‌های میانی هفته در یک هفته بدون تعطیلی در وسط زمستان، با روز‌های آغازین بهار متفاوت خواهد بود. همچنین داده‌های گوناگون جاده نیز در این مورد دخیل است. شرایط جاده، اثر عمیق و جدی در برنامه‌ریزی ما دارد. برای مثال شرایط در یک جاده باکیفیت و مستقیم، با شرایط در یک جاده فرعی مخروبه و پرپیچ و خم کاملا متفاوت است.

یکی دیگر از مواردی که می‌توان نام برد، نوع داده‌های شخصی در شبکه‌های اجتماعی است. برای مثال مقتضیات تصمیم برای یک جاده در هنگامی که ۴۰ درصد رانندگان خودرو‌ها در آن را خانم‌ها به همراه خانواده تشکیل می‌دهند با جاده‌ای که ۴۰ درصد رانندگان آن پسران تنهای ۱۸ تا ۲۵ سال هستند، متفاوت بوده و هردوی اینها با جاده‌ای که ۴۰ درصد از رانندگان آن، افراد جا افتاده با سن حداقل ۵۵ سال هستند تفاوت می‌کند. باید توجه کرد که انواع داده‌هایی که نیاز است مورد تجزیه و تحلیل قرار گیرد، با توجه به تجربیات مشابه، علی‌القاعده باید چند هزار مورد یا حتی بیشتر باشد. چندی پیش یک فروشگاه ژاپنی که مایل بود سطح خوش‌رفتاری کارکنانش با مشتریان را با سامانه هوش مصنوعی مورد پایش قرار دهد، از ۴۵۰ تنوع داده، استفاده کرده بود! داده‌های مربوط به جاده چالوس، حتما بسیار بیشتر از این رقم است.

گفتنی است که ایمنی حداکثری خودرو‌ها و تصادفات صفر نیز از دیگر موارد تلقی می‌شود. ممکن است به هوش مصنوعی بگویید که تمامی متغیر‌ها را طوری محدود کن (مثلا تعداد تردد را طوری کاهش بده) که احتمال هرگونه تصادف، به صفر میل کند. به نظر می‌رسد این استاندارد سختگیرانه باشد! با این حساب پلیس می‌تواند با دستیاری هوش مصنوعی، تردد‌ها را طوری تنظیم کند که روزانه مثلا ۲۰ تصادف غیرجرحی رخ دهد یا تصادفات به نصف تقلیل پیدا کند. 

همچنین تنظیم سرعت تردد نیز مهم خواهد بود. ممکن است افزایش سرعت تردد تا محدوده سرعت مجاز در هر منطقه از جاده برای شما مطلوب باشد و برای این هدف، تعداد تردد‌ها را کمتر کنید. ممکن است به دلایلی و در شرایطی، ۸۰ درصد سرعت مجاز برای شما مطلوب باشد.

تابع هدف، به همراه محدودیت‌ها

اینکه متغیر‌ها چگونه لحاظ شوند و با یکدیگر با چه درجه اهمیت و ضریب و محدودیتی تعامل داشته باشند، در تابع هدف تعیین می‌شود. مدل‌های تحقیق در عملیات و اقتصادسنجی، شبیه این الگو‌ها را به دست می‌دهد. یک پروژه می‌تواند میانگین موزون و خطی یا موزون با توان‌های بیشتر از یک، از حاصل‌جمع متغیر‌های گوناگون باشد. مثلا در یک پروژه گودبرداری، ممکن است صرف کمترین هزینه به میزان ۷۰ درصد و سرعت انجام پروژه به اندازه ۳۰ درصد مطلوبیت ما را تامین کند (یعنی با لحاظ این ضرایب با همدیگر به صورت خطی جمع شوند) یا در ساخت یک پل ممکن است توان سوم متغیر استحکام پل به اندازه ۸۰ درصد و توان دوم متغیر سود به اندازه ۱۵ درصد و متغیر سرعت‌عمل به اندازه ۵ درصد در تابع هدف گنجانده شود. در کنار توابع هدف، محدودیت‌های گوناگون شما، قرار خواهد گرفت. حال پلیس این امکان را دارد که با زیاد و کم کردن متغیر‌های تصمیم، به صورت پویا و دینامیک با هوش مصنوعی وارد یک بازی (Gamification) فعال شود.

به کار‌گیری فناوری‌

به‌کارگیری فناوری‌های شناختی روزآمد، حتی نسخه‌های کهنه‌شده و نسل‌های پیشین آن‌ها می‌تواند در مدیریت چالش‌هایی که با ابزار‌های سخت و سنتی، راهکار‌های قابل اتکا، محکم، سریع و کم‌هزینه‌ای برای آن‌ها یافت نمی‌شود، ارائه کند. مهمترین چالش در به‌کارگیری این روش‌ها، فهم عمیق از فناوری و مدلسازی کارا برای استفاده از این فناوری‌ها است.