kamalazimi
kamalazimi
خواندن ۶ دقیقه·۴ سال پیش

معرفی Replica، یک ابزار برنامه‌ریزی شهری برای نسل آینده

داده‌های مکانی شناسایی نشده می‌توانند کلید پاسخ به سؤالات اصلی حمل و نقل از مقیاس منطقه گرفته تا یک بلوک شهری باشند.

هرچه برنامه‌ریزان شهری جزئیات بیشتری درباره آنچه در خیابان اتفاق می‌افتد بدانند، می‌توانند به سؤالات بیشتری پاسخ دهند. (جیم مور - فلیکر)
هرچه برنامه‌ریزان شهری جزئیات بیشتری درباره آنچه در خیابان اتفاق می‌افتد بدانند، می‌توانند به سؤالات بیشتری پاسخ دهند. (جیم مور - فلیکر)


چه کسانی، به چه طریقی و چرا از خیابان استفاده می‌کند، اینها سؤالات متداولی است که مؤسسات برنامه‌ریزی هر روز هنگام تلاش برای ساختن شهرهای بهتر در نظر می‌گیرند. پاسخ‌ها می‌تواند به آنها کمک کنند تا ببینند که حمل و نقل، چگونه افراد را به مشاغل متصل می‌کند، تأثیر دریافت عوارض بر روی ترافیک یک معبر به چه صورت است و یا نیاز به مسیرهای دوچرخه‌سواری و پیاده‌روهای گسترده‌تر را مشخص می‌کند.

اما ابزارهای برنامه‌ریزی استاندارد همیشه نمی‌توانند با جزئیات کامل به این سؤالات پاسخ دهند. اغلب اوقات، برنامه‌ریزان باید به نظرسنجی‌ها و پرسش‌نامه‌های خانوار که سال‌ها پیش انجام شده است یا پیشخوان‌های مسافرتی که روی یک حالت حمل و نقل متمرکز شده‌اند، اعتماد کنند. برخی مؤسسات نرم‌افزار مدل‌سازی پیچیده‌ای دارند، اما اغلب با داده‌های قدیمی و رابط کاملاً فنی محدود می‌شود. نتیجه چنین مسائلی، یک شناخت ناقص و ناکافی از الگوی حرکت در شهر بوده و به تبع آن، تصمیمات ناکافی و با دقت کمتری برای حمل و نقل و کاربری اراضی اتخاذ می‌شود.

یک راه‌حل برای یافتن ابزارهای برنامه‌ریزی بهتر، درست در داخل تلفن هوشمندی که ممکن است برای خواندن این مقاله از آن استفاده کنید، وجود دارد. تلفن‌های ما دارای قابلیت نمایش موقعیت مکانی قدرتمند و دقیقی هستند که بسیاری از جنبه‌های زندگی شهری را تغییر می‌دهد، به ما در جهت‌دهی، جلوگیری از ایجاد ترافیک، یافتن رستوران و موارد دیگر کمک می‌کنند. اما این نوع داده‌های مکانی به طور گسترده در خدمت فرآیند برنامه‌ریزی، برای داشتن شهرهای عادلانه‌تر و سازگارتر مورداستفاده واقع نشده است.

معتقدیم که این منبع داده قدرتمند می‌تواند در انجام چنین کاری مفید واقع شود. Replica؛ یک ابزار مدل‌سازی کاربرپسند است که از داده‌های مکانی شناسایی نشده تلفن همراه استفاده می‌کند تا به مؤسسات برنامه‌ریزی یک تصویری جامع از چگونگی، زمان و چرایی سفر مردم در مناطق شهری ارائه دهد.

رپلیکا، مجموعه کاملی از اطلاعات اساسی در سفر را ارائه می‌دهد که امروزه جمع‌آوری و نگهداری آنها بسیار دشوار است، از جمله تعداد کل افراد حاضر در یک بزرگراه یا شبکه خیابانی محلی، نوع وسیله نقلیه مورداستفاده (خودرو، کامیون، اتوبوس، دوچرخه، پیاده و ...) و هدف سفر (رفت‌وآمد به محل کار، رفتن به خرید، رفتن به مدرسه، و غیره) را مشخص می‌نماید. با به‌روزرسانی سه ماه یکبار این اقدامات، Replica همچنین توانایی مداوم برای شناسایی تغییرات در این اقدامات را در طول زمان فراهم می‌کند و به برنامه‌ریزان کمک می‌کند تا به مسائل مربوط به کاربری اراضی و حمل و نقل، از سطح منطقه‌ای تا یک بلوک شهری پاسخ دهند. از همه مهم‌تر، Replica همه کارها را با رعایت حریم شخصی افراد انجام می‌دهد.

دنیایی مجازی با خصوصیات واقعی

برنامه‌ها و شرکت‌های زیادی وجود دارند که داده‌های مربوط به تاریخچه موقعیت مکانی و الگوهای سفر شما را از طریق تلفن هوشمند شما جمع‌آوری می‌کنند. مشکل این است که این داده‌ها اغلب حاوی اطلاعات شخصی هستند. Replica با داده‌هایی که قبلاً شناسایی نشده‌اند شروع می‌شود، به این معنی که ما هرگز اطلاعات اصلی و قابل‌شناسایی را کنترل نمی‌کنیم. ما به حرکت فردی افراد علاقه نداریم، بلکه ما به حرکت جمعی از یک مکان خاص علاقه‌مند هستیم.

رپلیکا از این داده‌های شناسایی نشده مربوط به حدود 5 درصد از جمعیت برای یادگیری در مورد الگوهای سفر و ایجاد یک مدل رفتار سفر (مجموعه‌ای از قوانین برای نشان‌دادن اینکه افراد در کجا، چه زمانی، چرا و چگونه جابه‌جا می‌شوند) استفاده می‌کند. اما مدل‌ها کامل نیستند و بنابراین ما می‌توانیم این قوانین را با استفاده از داده‌های روی زمین (مانند شمارش ترافیک دستی یا شبانه‌روزی حمل و نقل) بررسی کنیم تا مطمئن شویم که Replica با الگوهای حرکت در دنیای واقعی سازگار است.

سپس این مدل‌ها را با آنچه برنامه‌ریزان اغلب جمعیت نمونه می‌نامند مطابقت می‌دهیم. این اصطلاح فنی، ایده اصلی آن است که برنامه‌ریزان می‌توانند از نمونه‌های ناقص داده‌های جمعیتی سرشماری استفاده کنند تا یک مجموعه داده جدید گسترده ایجاد کنند که از نظر آماری نماینده کل جمعیت باشد. فرایند آماری همچنین توانایی شناسایی یک فرد خاص در داده‌ها را از بین می‌برد. (سال گذشته این کار را به‌صورت منبع باز (اپن سورس) انجام دادیم و دیگران را ترغیب می‌کنیم تا فرضیات ما را بررسی و کنترل نمایند.) هنگامی‌که مدل‌های رفتار سفر را با جمعیت موردنظر ترکیب می‌کنید، می‌توانید با اطمینان الگوهای سفر را در یک شهر یا منطقه تکرار کنید.

در Replica، کارگران به محل کار خود می‌روند و خانواده‌ها برای صرف شام به بیرون از خانه مراجعه می‌کنند. جاده‌ها در ساعت پیک پرازدحام می‌شوند، پیاده‌روهای مرکز شهر به هنگام ناهار و مسیرهای دوچرخه بعد از مدرسه شلوغ هستند. افراد با تاکسی، پیاده و ... سفر می‌کنند. این جنبش‌ها به فعالیت‌های دنیای واقعی وفادار هستند اما برای افراد واقعی یا سفرهای خاص قابل ردیابی نیستند. برنامه‌ریزان می‌توانند از این دنیای مجازی برای تصمیم‌گیری و مطالعه تأثیرات حمل و نقل یا کاربری اراضی بدون به خطر انداختن حریم شخصی افراد استفاده کنند.

بیایید به سؤالات اولیه برگردیم، چه کسانی، به چه طریقی و چرا از خیابان استفاده می‌کنند و این موضوع را از دریچه یک مؤسسه برنامه‌ریزی شهری که می‌خواهد خیابان‌ها را برای دوچرخه سواران ایمن‌تر و دوستانه‌تر کند، در نظر بگیریم. در اینجا نگاهی داریم به داشبورد Replica که در بخشی از خیابان اصلی در کانزاس سیتی متمرکز شده است.

توانایی درک در زمان واقعی که چه کسی از خیابان استفاده می‌کند و چرا (در بالا، تجزیه و تحلیل Replica از خیابان اصلی در کانزاس سیتی می‌تواند به راهنمایی برنامه‌ریزان شهری کمک کند.)
توانایی درک در زمان واقعی که چه کسی از خیابان استفاده می‌کند و چرا (در بالا، تجزیه و تحلیل Replica از خیابان اصلی در کانزاس سیتی می‌تواند به راهنمایی برنامه‌ریزان شهری کمک کند.)


تجزیه و تحلیل بالا نشان می‌دهد که نزدیک به 14 درصد از کل سفرهای این کریدور توسط دوچرخه سواران و افراد پیاده انجام می‌شود و در حالی که بیشتر این افراد برای کار در حال رفت‌وآمد هستند و سهم قابل توجهی برای خرید است. جمع‌آوری این تعداد پایه از حالت و هدف سفر از نظر تاریخی و در طول زمان بسیار دشوار است، اما می‌تواند به تصمیم‌گیری‌های برنامه‌ریزی پیرامون شواهد تجربی کمک کند. به عنوان مثال، دانستن اینکه دوچرخه سواران و عابران پیاده در این منطقه خرید می‌کنند، ممکن است به صاحبان فروشگاه‌های محلی نشان دهد که در صورت تعویض فضاهای پارکینگ خیابانی با یک خط دوچرخه، کسب و کار آن‌ها مورد تهدید واقع نخواهد شد.

با گذشت زمان، قصد داریم Replica را با توانایی بررسی تغییرات و مداخلات خدمات موردنیاز آینده (مدل‌سازی تأثیر سناریو A در برابر سناریو B) به‌روز کنیم. معتقدیم که این قابلیت می‌تواند به مقامات محلی کمک کند تا از بودجه و فضای فیزیکی محدود نهایت استفاده را ببرند. همچنین می‌تواند به آنها کمک کند تا مردم را به مشارکت در تصمیم‌گیری‌های شفاف‌تر جذب کنند. همان‌طور که ذکر شد، استفاده از مدل‌های واضح و شفاف می‌توانند پایه و اساس کارگاه‌های اجتماعی در مورد مسائلی همچون طراحی معبر شود و به برنامه‌ریزان کمک می‌کند تا تأثیر گزینه‌های مختلف بر جمعیت را توضیح دهند.

در حال حاضر Replica برای حمایت از توسعه برنامه‌های Sidewalk Toronto به کار گرفته شده است و یکی از اهداف اصلی این پروژه، ارائه ابزارهای جدید به جوامع برای تطبیق سریع‌تر به نسبت شهرهای امروزی است و معتقدیم که Replica نه‌تنها می‌تواند به ما در کشف ایده‌های جدید کمک کند بلکه می‌تواند تأثیر بالقوه آنها را به عموم مردم انتقال دهد. به عنوان بخشی از این فرآیند، ما Replica را با محققان محلی تورنتو و آژانس‌های عمومی به اشتراک می‌گذاریم تا بازخورد خود را جمع‌آوری کرده تا برای مفید واقع‌شدن هرچه بیشتر آن را بهبود دهیم.

در اواخر سال جاری، Replica برای اولین بار در ایالات متحده در مناطق کانزاس سیتی و شیکاگو ظاهر می‌شود و در مناطق دیگری نیز ادامه پیدا خواهد کرد.

ما می‌دانیم که مدل‌ها راه‌حل‌های ساده‌ای برای مشکلات برنامه‌ریزی ارائه نمی‌دهند، هرچند که معتقدیم می‌توانند دقیق‌تر و مفیدتر از ابزارهای موجود باشند. تصمیمات برنامه‌ریزی هنوز باید اولویت‌ها و ارزش‌های جامعه محلی را منعکس کند و بسیاری از عوامل فراتر از نتایج مدل‌سازی وارد تصمیمات برنامه‌ریزی شهری می‌شود.

اما همان‌طور که یکی از برنامه‌ریزان کانزاس سیتی در هنگام توسعه Replica به ما گفت: "هرچه جزئیات بیشتری به من بدهید، سؤالات بیشتری می‌توانم پاسخ دهم." با ارائه اطلاعات دقیق‌تر از آنچه که معمولاً در دسترس است، به مؤسسات برنامه‌ریزی کمک می‌کنیم تا سریع‌تر به نیازهای جامعه خود پاسخ دهند و برای آینده آماده شوند.

Replicaرپلیکابرنامه‌ریزی شهریشهرسازیبرنامه‌ریزی حمل و نقل
توسعه‌ دهنده کسب و کار - یه آدم کنجکاو مسلط به برنامه ریزی مالی، اقتصادی و سرمایه گذاری
شاید از این پست‌ها خوشتان بیاید