تقديم التنقل الذكاء الاصطناعي: تقدم النقل الحضري

1. القياس: فهم أنماط التنقل

يعد تقييم الوضع الحالي لشبكة النقل وأنماط التنقل بدقة الخطوة الأولى لتحسين التنقل. يتضمن ذلك جمع وتحليل البيانات التاريخية والتاريخية من مصادر مختلفة لفهم كل من الظروف والاتجاهات الحالية والتاريخية. نحتاج إلى تتبع تأثيرات التغييرات أثناء تنفيذه في الشبكة. ML Powers تقديرات والحسابات المترية ، في حين أن الأساليب الإحصائية تقيس التأثير. تشمل المجالات الرئيسية:

وظائف الازدحام

على غرار الرسوم البيانية الأساسية المعروفة لتدفق حركة المرور ، تصف وظائف الازدحام رياضياً كيف يزيد ارتفاع حجم المركبات من الازدحام ويقلل من سرعات السفر ، مما يوفر رؤى حاسمة في سلوك حركة المرور. على عكس الرسوم البيانية الأساسية ، تم بناء وظائف الازدحام بناءً على جزء من المركبات (على سبيل المثال ، بيانات السيارات العائمة) بدلاً من جميع المركبات المتساوية. لقد قمنا بتطوير فهم تكوين الازدحام والانتشار باستخدام نهج ML الذي أنشأ نماذج على مستوى المدينة ، والتي تمكن الاستدلال القوي على الطرق ذات البيانات المحدودة ، ومن خلال الصيغة التحليلية ، تكشف عن كيفية تأثير تعديلات حركة المرور على توزيع التدفق وأنماط الازدحام في المناطق الحضرية.

الفهم الجغرافي المكاني التأسيسي

نقوم بتطوير أطر عمل جديدة ، والاستفادة من تقنيات مثل التعلم الخاضع للإشراف ذاتيا على البيانات الجغرافية المكانية وأنماط الحركة ، لتعلم التضمينات التي تلتقط كل من الخصائص المحلية والعلاقات المكانية الأوسع. تعمل هذه العروض على تحسين فهم أنماط التنقل ويمكن أن تساعد في مهام المصب ، خاصةً عندما تكون البيانات قليلة أو عند استكمال طرائق البيانات الأخرى. يعد التعاون مع جهود بحث Google ذات الصلة في التفكير الجغرافي المكاني باستخدام نماذج الذكاء الاصطناعى والنماذج الأساسية أمرًا بالغ الأهمية لتحقيق هذه القدرات.

رؤى وقوف السيارات

فهم التعقيدات الحضرية يشمل وقوف السيارات. بناءً على عملنا باستخدام ML للتنبؤ بصعوبة مواقف السيارات ، يهدف Mobility AI إلى توفير رؤى أفضل لإدارة توافر مواقف السيارات ، وحاسمة لمختلف الأشخاص ، بما في ذلك المسافرين ، وسائقي تقاسم ركوب الدراجات ، ومركبات التوصيل التجاري ، والاحتياجات الناشئة للمركبات ذاتية القيادة.

الأصل – التقدير تقدير الطلب على السفر

إن الطلب على السفر (OD) الأصل (OD) ، والذي يصف مكان الرحلات – مثل الرحلات اليومية أو عمليات التسليم على السلع أو رحلات التسوق – أمر أساسي ونهاية ، أمر أساسي لفهم التنقل وتحسينه. إن معرفة هذه الأنماط أمر بالغ الأهمية لأنها تكشف بالضبط عن المكان الذي يتم فيه التأكيد على شبكة النقل وحيث تكون هناك حاجة ماسة إلى تحسينات الخدمات أو البنية التحتية. نقوم بمعايرة مصفوفات OD – الجداول التي تحدد هذه الرحلات بين المواقع – لتكرار أنماط المرور المرصودة بدقة ، مما يوفر فهمًا كاملًا مكانيًا أساسيًا لتخطيط شبكات النقل وتحسينه.

مقاييس الأداء: السلامة والانبعاثات وتأثير الازدحام

نحن نستخدم اتجاهات حركة المرور المجمعة والمجهولة مع مجهولة المصدر لتقييم تأثير تدخلات النقل على الازدحام ، وننشئ نماذج لتقييم تأثير السلامة والانبعاثات. لبناء مقاييس السلامة بشكل متوسطة ، نتجاوز بيانات التعطل التفاعلي عن طريق استخدام أحداث الكبح الصلبة (HBEs). تُظهر أن HBEs مرتبطة بقوة بالاصطدام ويمكن استخدامها لخدمات السلامة على الطرق لتحديد المواقع عالية الخطورة والتنبؤ بمخاطر التصادم المستقبلية.

لقياس التأثير البيئي ، قمنا بتطوير نماذج الذكاء الاصطناعى بالشراكة مع مختبر الطاقة المتجددة الوطني (NREL) الذي يتوقع استهلاك الطاقة (سواء كان الغاز أو الديزل أو الهجين أو الكهربائي). تعمل هذه التوجيهات الموفرة للوقود في خرائط Google ، والتي تقدر أنها ساعدت في تجنب 2.9 مليون طن متري من انبعاثات غازات الدفيئة في الولايات المتحدة وحدها ، وهو ما يعادل الحصول على 650،000 سيارة تقريبًا من الطريق لمدة عام. هذه القدرة أساسية لمراقبة الآثار الصحية والمناخ المتعلقة بخيارات النقل.

تقييم التأثير

غالبًا ما تكون التجارب العشوائية غير ممكنة لتقييم تغييرات سياسة النقل. لتقييم تأثير التغيير ، نحتاج إلى تقدير النتائج في غيابه. يمكن القيام بذلك عن طريق العثور على مدن أو مناطق ذات أنماط تنقل مماثلة لتكون بمثابة “مجموعة مراقبة”. يوضح تحليلنا لتسعير الازدحام في مدينة نيويورك هذه الطريقة من خلال استخدام تقنيات إحصائية متطورة مثل الضوابط الاصطناعية لتقدير تأثير السياسة بدقة وتوفير رؤى قيمة للوكالات التي تقوم بتقييم التدخلات.