Transpordi ja liikluse modelleerimine

Kasu:

• Võimalus määratleda AI rolli andmetes, stsenaariumides ja aruandluses transpordinõudluses, reiside genereerimises ja liikluse modelleerimise töövoos
• Võimalus arvestada eelduse, kalibreerimise ja kontrollimise vajadust liiklus- ja juurdepääsetavuse andmete analüüsimisel tehisintellektiga
• Oskus aru saada, et transpordimudeli tulemused peavad olema kontrollitud ametliku meetodi, väliloenduse ja pädeva transpordieksperdiga.

See, kuidas linn liigub, on selle planeerimise peegel. Inimesed lähevad kust kuhu, mis ajal, millise sõidukiga; Millisele ristmikule rajatakse uuselamuarendus? Kuhu tuleks tõmmata metrooliin? Transpordinõudluse modelleerimine annab neile küsimustele vastused. Klassikaline lähenemine on neljaastmeline mudel: reisi genereerimine (mitu reise iga piirkond genereerib/meelitab), jaotus (milliste piirkondade vahel reisid reisivad), režiimi valik (sõiduk/ühistransport/jalakäija) ja määramine (millised marsruudid reisid läbivad). AI on võimas abivahend selle protsessi andmete ettevalmistamisel, stsenaariumide koostamisel, tulemuste tõlgendamisel ja aruandlusel. Kuid liiklusmudel esindab füüsilist süsteemi ja on ilma kalibreerimiseta ebausaldusväärne (mudeli vastavusse viimine tegelike saitide arvuga). AI ei tee ülesande arvutamist ise; tõlgendab kalibreeritud mudeli väljundit. Lõplik hinnang kuulub pädevale transpordieksperdile.

Neljaetapilise mudeli loogika

Reisi loomine: iga liiklusanalüüsi tsoon loob ja meelitab ligi reise, mis põhinevad sellistel andmetel nagu rahvaarv, töökohad ja koolid. Elamurajoon genereerib hommikust pendelrännet, ärikeskus meelitab.

Jaotus: loodud reisid jagatakse piirkondade vahel; üldiselt tehakse lähedased ja atraktiivsed alad rohkem väljasõite (gravitatsioonilaadsed mustrid).

Režiivalik: kas reis tehakse erasõidukiga, bussiga või jalgsi? Maksumus määrab aja ja ligipääsetavuse.

Ülesanne: Reisid jaotatakse üle teedevõrgu; Selgub, millist marsruuti ja millist ristmikku ja kui palju koormatakse.

Iga selle ahela lüli põhineb andmetel ja eeldustel. AI on abiks eelduste kohandamisel ja stsenaariumide võrdlemisel, kuid see on kalibreeritud mudel, mis toodab ahela numbrilise tuuma.

Ettevaatust. Kalibreerimata liiklusmudel võib tekitada tegelikkuses ebaolulisi mahtusid. Lihtsalt sellepärast, et ristmik näeb välja "õmblusteta", võib see tähendada, et mudel ei vasta tegelikele arvudele. Enne mudeli väljundi kasutamist küsige alati kalibreerimise ja valideerimise olekut.

Lisaks neljaetapilisele mudelile kaasaegses transpordiplaneerimises muutuvad üha olulisemaks uued andmeallikad: mobiiltelefoni liikumisandmed (anonüümsed asukohasignaalid), ühistranspordi kaardi andmed, kiirusandmed navigatsioonirakendustest. Need allikad annavad palju laiema ja pidevama pildi kui traditsioonilised väliloendused. AI on hindamatu väärtus nende suurte ja segaste andmete puhastamisel, mustrite eraldamisel ja mudeli sisendiks kujundamisel. Kuid need andmed kujutavad endast tõsist privaatsusriski: isegi kui arvatakse, et üksikisiku liikumisandmed on anonüümsed, võivad need koondamisel muuta isikud tuvastatavaks. Seetõttu tuleks asukohaandmeid kasutada ainult asjakohaselt koondatuna ja anonüümselt ning kooskõlas asjakohaste eraelu puutumatust käsitlevate õigusaktidega; Toorest individuaalset jälge ei tohiks kunagi levitada.

Tehisintellekti sobivad rollid

• Andmete korraldamine: loendamine, GTFS (ühistranspordi reisi andmed), OD (allikas-sihtkoht) maatriksi puhastamine ja tabelite koostamine.
• Stsenaariumi seadistamine: stsenaariumide konfigureerimine, nagu "uus sild", "busiliin lisatud", "sõidukipiirang".
• Tulemuse kommentaar: lihtsas keeles kokkuvõte mudeli väljundi mahust, latentsusest ja teenusetasemest.
• Juurdepääsetavusanalüüsi mustand: analüüside redigeerimine, näiteks "15-minutiline linn" (taas reaalsete võrguandmetega).
• Aruandlus: järelduste muutmine sidusrühmadele ja nõukogule arusaadavaks.

Samm-sammult: AI-toega transpordianalüüs

1. Määratlege küsimus. "Kuidas mõjutab uus eluase ristmikku X?"
2. Koguge andmeid. Väliloendus, rahvastiku/töökohtade andmed, võrk, ühistransport.
3. Valige mudel/analüüs. Neli etappi või lihtne juurdepääsetavus?
4. Kontrollige kalibreerimist. Kas mudel vastab tegelikele arvudele?
5. Seadistage AI abil stsenaariumid. Iga stsenaariumi eeldus on selge.
6. Kommenteerige tulemust. Tehke tehisintellektiga kokkuvõte, kuid jätke otsustamine eksperdi teha.
7. Kinnitage ja teatage. Kirjutage üles kalibreerimine, eeldus ja määramatus.

Nõrk viip / Tugev viip

Nõrk viip: "Kas see ristmik on blokeeritud?"

AI ei tea andmeid ega mudelit; annab alusetu vastuse, mis on oletus.

Tugev viip: "Ma tõlgendan kalibreeritud transpordimudeli väljundit. Allpool on tipptundide mahu ja teenindustaseme (LOS) väärtused kahe stsenaariumi (olemasoleva / uue eluaseme järgselt) jaoks ristmiku jaoks

Teine viip hoiab AI-d tõlgi rollis; Mudel toodab numbri, AI lihtsustab seda.

Neli kopeeritavat malli

Ülesanne: Tehke parlamendile sobivas lihtsas memos kokkuvõtlikult järgmised liiklustulemused (kalibreeritud mudeli väljund). Selgitage teenuse taset, viivitust ja helitugevust. Seisu eeldused (stsenaariumi aasta, nõudlus, kalibreerimise olek) ja määramatus. Ärge genereerige ise numbreid. Väljund: [...]

Ülesanne: Konfigureerige järgmine transpordistsenaarium: eesmärk, muudetud sisend(id), hoitakse konstantsena, mõõdikud (maht, viivitus, saadavus). Kirjutage, millist "baasstsenaariumit" võrdluseks vajate. Stsenaariumi idee: [...]

Ülesanne: Järgmiste liiklus-/transpordiandmete kvaliteedikontroll. Loetlege puuduvad, ebajärjekindlad või aegunud punktid. Määrake, milliseid andmeid on kalibreerimiseks vaja põldude loenduse abil. Otsuste tegemine.Andmed: [...]

Ülesanne: Selgitage sõnastikus mõisteid neljaastmeline mudel, kalibreerimine, teenuse tase (LOS), OD maatriks ja juurdepääsetavus lihtsas türgi keeles. Tõstke ühe lausega esile, miks igaüks nõuab tõelisi andmeid.

Tabel: analüüsi tüüp ja valideerimine

Analüüs

mis annab

AI roll

kriitiline kontrollimine

Neljaastmeline mudel

võrgumahud

Stsenaarium + kommentaar

Väljade loenduse kalibreerimine

Juurdepääsetavus (15 min)

Lähedus/katvus

Ilukirjandus + reportaaž

Võrgu- ja ajaandmed on ajakohased

ristmiku analüüs

Latentsus, LOS

Tulemuste kokkuvõte

Tegelik arv + ekspert

Ühistranspordi leviala

Liini/peatuse juurdepääs

Andmete redigeerimine

GTFS-i värskendus

jalakäija/jalgrattaga

Turvalisus, järjepidevus

inventuuri eelnõu

välivaatlus

kolm minikarpi

Juhtum 1 – usaldus ilma kalibreerimiseta. Meeskond laseb tehisintellektil teha kokkuvõtte mudeli väljundist ja esitleda nõukogule “ristmikul lõdvestunud” tulemust. Seejärel on põldude loendus tehtud; Mudel arvutas poole tegelikust liiklusest, kuna OD-maatriks on vana. Kuna kalibreerimist ei kontrollitud, tekkis vale usaldus. Õppetund: enne väljundi tõlgendamist küsige kalibreerimist.

Juhtum 2 – selge stsenaarium. Planeerija struktureerib „uue bussiliini” stsenaariumi AI abil: on selge, mida ta muudab (liin + reis), mida ta hoiab konstantsena (rahvaarv, muud liinid), mida mõõdab (juurdepääsetavus, reisiaeg). Mudel käivitab selle selge stsenaariumi ja tulemus on tõlgendatav. Hästi struktureeritud stsenaarium on pool heast analüüsist.

3. juhtum – juurdepääsetavuse eelarvamus. "15-minutilise linna" analüüsis kasutab AI ainult erasõiduki aega ja näitab keskseid linnaosasid kui "juurdepääsetavaid". Kui planeerija lisab jalgsi ja transiidi aja, selgub, et ilma autota majapidamistel on tegelikult palju kehvem juurdepääs. See, millist transpordiliiki mõõdate, määrab, kelle häält kuulete.

Levinud vead

• Kalibreerimise vahelejätmine. Mudeli väljund, mida väljade loendamisega ei kinnitata, on ebausaldusväärne.
• AI panemine tootma numbreid. Helitugevus ja latentsus pärinevad kalibreeritud mudelist, mitte AI-st.
• Põhistsenaariumi määratlemata jätmine. "Praegune olukord" on võrdluseks hädavajalik.
• Vaadeldes ühte transpordiliiki. Ainult autode aeg on autovabade leibkondade suhtes ebaõiglane.
• Eelduste varjamine. Stsenaariumiaasta ja nõudluse eeldus peaksid olema selged.
• Ajab ligipääsetavuse segamini tihedusega. Üks asi on lähedus, teine ​​asi.

Kokkuvõttes

Transpordi ja liikluse modelleerimine esindab linna liikumist läbi neljaetapilise ahela (tootmine, levitamine, tüübi valik, määramine). AI on võimas abivahend andmete vaidlustamisel, stsenaariumide redigeerimisel, tulemuste tõlgendamisel ja aruandlusel; Kuid digitaalne tuum toodab kalibreeritud mudelit, mitte AI-d. Ilma kalibreerimiseta (vastavate väljade arvuta) ei saa ühtegi väljundit usaldada. Stsenaariumid peaksid olema algstsenaariumiga võrreldes selgelt struktureeritud ja arvesse tuleks võtta kõiki transpordiliike (jalakäija, ühistransport, sõiduk). Lõplik hinnang kuulub pädevale transpordieksperdile.

Rakenduse ülesanne

Valige transpordiküsimus (nt uuselamuarenduse mõju ristmikule). (1) Struktureerige stsenaarium teise malliga: mis muutub, mis on konstantne, mida mõõdetakse, milline on baasstsenaarium? (2) Kontrollige oma olemasolevaid andmeid kolmanda malliga ja loendage kalibreerimiseks puuduvad andmed. (3) Tehke kokkuvõte hüpoteetilise mudeli väljundist koos esimese malliga koostemärkusesse ja kontrollige mõõtemääramatuse väidet. (4) Kirjutage põhjendus, millist juurdepääsu (jalakäija/ühistransport/sõidukid) peaksite otsima.

kontrollnimekiri

• [ ] Uurisin kalibreerimise olekut enne mudeli väljundi kasutamist.
• [ ] Helitugevuse/latentsuse numbrid sain kalibreeritud mudelist, mitte AI-st.
• [ ] Struktureerisin stsenaariumi selgelt ja võrdlesin seda baasstsenaariumiga.
• [ ] Hindasin koos jalakäijate, ühistranspordi ja sõidukitüüpe.
• [ ] Olen eeldused selgelt välja öelnud (stsenaariumiaasta, nõudlusmaatriks).
• [ ] Lõpliku hindamise jätsin pädevale transpordieksperdile.
• [ ] Kirjutasin aruandesse kalibreerimise ja määramatuse.