نقش داده در فرآیند برنامه‌ریزی حمل‌ونقل

باسمه تعالی

سیستم حمل‌و‌نقل به عنوان حلقه واسط زندگی مدنی نقش مهمی در زندگی روزمره انسان‌­ها ایفا می‌کند. انسان مادی قهرا در حصار مکان و زمان محصور است و برای تغییر مکان خود(جهت انجام دادن کاری یا بدست آوردن چیزی) نیاز به جابه‌­جایی دارد. بنابراین لازم است سیستمی وجود داشته باشد تا این مهم (نیاز به جابه‌جایی ) را امکان پذیر کرده و با ویژگی های اصیل انسانی سازگار باشد.

به سیستم حمل و نقل می‌توان با رویکردی بازارگونه نگریست. همانند هر بازاری این سیستم از دو مولفه اساسی تشکیل شده است. یک مولفه آن تقاضا و مولفه دیگر آن عرضه است. در سمت تقاضا مردم(انسان ها) ایستاده اند که متقاضی استفاده از سیستم حمل‌و‌نقل هستند و در سمت دیگر سیستم حمل‌ونقل، "عرضه" ( زیرساخت جابه­‌جایی) وجود دارد که انسان ها به دنبال استفاده از آن هستند. این بازار در صورتی خوب و مناسب ارزیابی میشود که نقطه تعادل آن (تقابل عرضه و تقاضا) مورد رضایت اکثریت افراد جامعه باشد.

پیشرفت سریع تکنولوژی و فناوری‌­های انتقال اطلاعات موجب شده است که روزانه حجم انبوهی از داده به صورت خودکار در بخش­‌های مختلف اجتماع تولید شود. داده‌­ها به صورت خام ارزش چندانی ندارند. به تعبیر معروف این داده ها همانند خاک‌های به ظاهر بی ارزشی هستند که قابلیت تبدیل شدن به طلا دارند. در طول سال‌های اخیر الگوریتم های یادگیری ماشین و همچنین ابزارهای قدرتمند علم آمار ارزش بسیار زیادی به داده‌ها داده است. به زبان ساده، کامپیوترها و الگوریتم‌های یادگیری ماشین کیمیاگران داده‌ها هستند.

سیستم حمل و نقل همچون تمامی عرصه­‌ها مستثنی از این روند نبوده و به صورت روزانه در بسیاری از بخش­های آن حجم انبوهی از داده تولید می­شود. استفاده و پردازش مناسب داده‌­ها می­‌تواند نقش مهمی در بهبود و ارتقای عملکرد کیفی و کمی سیستم حمل‌و‌نقل ایفا کند. گردانندگان سیستم حمل‌و‌نقل می‌توانند با بهره‌گیری از داده‌ها هزینه اداره سیستم را کاهش و به تبع آن برنامه‌ریزی بهتر و کارآمدتری برای آن صورت دهند. در واقع این داده‌ها به گردانندگان سیستم حمل و نقل کمک می‌کند تا به صورت کنشگرانه و پویا الگوهای رفتاری مسافران را ادراک کرده و به صورت همزمان جهت نیاز موجود سیاست مناسب اتخاذ نمایند.

فرآیند برنامه ریزی حمل و نقل

در فرآیند برنامه‌ریزی حمل‌ونقل منطقه شهری را به تعدادی ناحیه (zone) تقسیم بندی می‌کنند. به طور سنتی این فرآیند در چهار مرحله تعریف شده است. هر یک از این چهارمرحله از مبانی نظری خاصی برخوردار است که شرح و جزئیات آن در این نوشتار نخواهد آمد. به طور خلاصه این چهار مرحله به شرح زیر است:

• · تولید و جذب سفر: در این مرحله سعی می­‌شود با استفاده از ابزارهای علم آمار و علم اقتصاد سنجی و همچنین پارامترهای اثرگذار بر میزان جذب و تولید سفر(همچون جمعیت و متغیرهای اقتصادی-اجتماعی)، برآوردی بلند مدت از میزان تولید و جذب سفر هر یک از نواحی ترافیکی بدست آید.
• · توزیع سفر: در این مرحله سعی میشود با ساختن ماتریس تقاضا میزان جذب و تولید سفر از هر ناحیه به هر ناحیه ترافیکی بدست آید.
• · انتخاب وسیله: در این مرحله عموما با استفاده از مدلهای انتخاب سهم هر یک از وسایل حمل و نقل(
  همچون خودروی شخصی، مترو، اتوبوس، تاکسی، دو چرخه و ...) می­‌شود.
• · تخصیص مسیر : در این مرحله مسیر مورد انتخاب برای سفر هر یک از استفاده کنندگان اعم از استفاده
  کنندگان خودروهای شخصی و حمل و نقل عمومی تعیین میشود.

بدیهی است که جهت طی روند بالا به داده نیاز است. به صورت سنتی، در فرآیند چهارمرحله ای جهت بدست آوردن داده‌ها از پرسشنامه ها و آمارگیری استفاده شده است. همواره این فرآیند هزینه بر بوده و زمان انجام و اجرای آن بسیار طولانی بوده است. امروزه با استفاده از انبوه داده‌ها می‌توان تمامی اطلاعاتی که برای برنامه‌ریزی مناسب مورد نیاز است را بدست آورد.

در کنار برنامه ریزی بلند مدت می‌توان با استفاده از داده­‌ها رویکرد فعالانه‌تری نیز اتخاذ نمود. در این رویکرد وضعیت شبکه به صورت لحظه‌ای پایش شده و همزمان تصمیمات و تغییرات لازم جهت بهره‌­وری و عملکرد مناسب شبکه اتخاذ می‌شود.

منابع داده

داده‌­های مورد نیاز بجهت فرآیند برنامه‌ریزی حمل و نقل را می‌توان از منابع متعددی به دست آورد. به عنوان مثال تعدادی از منابع تولید داده در سیستم حمل و نقل زیر به آنها اشاره شده است:

• کارت های هوشمند
• سیستم موقعیت یاب جهانی
• تلفن های همراه
• دوربین های ضبط تصویر
• شناساگرهای حلقه ای(loop detector)
• خودروهای خودران
• سنسورهای شبکه زیرساخت
• بلوتوث
• و .....

فرصت ها و چالش ها

هر روش و تکنولوژی نوظهوری، در کنار محاسن منحصر بفرد خود، معایب خاص خود را نیز دارد. به صورت خلاصه محاسن و معایب کاربرد دیتا در فرآیند برنامه­ریزی حمل و نقل در زیر آورده شده است:

محاسن:

• بهنگام سازی لحظه ای زیرساخت متناسب با تقاضا.
• کاهش دخالت عامل انسانی.
• مشاهدات بلند مدت و ادراک تغییرات الگوهای رفتاری متناسب با شرایط زمانی مکانی.

چالش­ها :

• روش های جمع‌­آوری، تحلیل و پردازش داده.
• پاکسازی داده­‌ها.
• نبود برخی جزئیات به صورت مستقیم( همچون هدف سفر و اطلاعات اقتصادی-اجتماعی)