ಸಾರಿಗೆ ಮತ್ತು ಸಂಚಾರ ಮಾಡೆಲಿಂಗ್

ಲಾಭಗಳು:

• ಡೇಟಾ, ಸನ್ನಿವೇಶಗಳು ಮತ್ತು ಸಾರಿಗೆ ಬೇಡಿಕೆ, ಟ್ರಿಪ್ ಉತ್ಪಾದನೆ ಮತ್ತು ಟ್ರಾಫಿಕ್ ಮಾಡೆಲಿಂಗ್ ವರ್ಕ್‌ಫ್ಲೋನಲ್ಲಿ AI ಪಾತ್ರವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ಸಾಮರ್ಥ್ಯ
• AI ನೊಂದಿಗೆ ಸಂಚಾರ ಮತ್ತು ಪ್ರವೇಶಿಸುವಿಕೆ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವಾಗ ಊಹೆ, ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವನ್ನು ಪರಿಗಣಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಸಾರಿಗೆ ಮಾದರಿ ಫಲಿತಾಂಶಗಳನ್ನು ಅಧಿಕೃತ ವಿಧಾನ, ಕ್ಷೇತ್ರ ಜನಗಣತಿ ಮತ್ತು ಸಮರ್ಥ ಸಾರಿಗೆ ತಜ್ಞರ ಮೂಲಕ ಪರಿಶೀಲಿಸಬೇಕು ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ.

ನಗರವು ಹೇಗೆ ಚಲಿಸುತ್ತದೆ ಎಂಬುದು ಅದರ ಯೋಜನೆಗೆ ಕನ್ನಡಿಯಾಗಿದೆ. ಜನರು ಎಲ್ಲಿಂದ ಎಲ್ಲಿಗೆ, ಯಾವ ಸಮಯದಲ್ಲಿ, ಯಾವ ವಾಹನದೊಂದಿಗೆ ಹೋಗುತ್ತಾರೆ; ಯಾವ ಛೇದಕವು ಹೊಸ ವಸತಿ ಅಭಿವೃದ್ಧಿಯನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತದೆ? ಮೆಟ್ರೋ ಮಾರ್ಗವನ್ನು ಎಲ್ಲಿ ಎಳೆಯಬೇಕು? ಸಾರಿಗೆ ಬೇಡಿಕೆ ಮಾಡೆಲಿಂಗ್ ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುತ್ತದೆ. ಕ್ಲಾಸಿಕ್ ವಿಧಾನವು ನಾಲ್ಕು-ಹಂತದ ಮಾದರಿಯಾಗಿದೆ: ಟ್ರಿಪ್ ಜನರೇಷನ್ (ಪ್ರತಿ ಪ್ರದೇಶವು ಎಷ್ಟು ಟ್ರಿಪ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ/ಆಕರ್ಷಿಸುತ್ತದೆ), ವಿತರಣೆ (ಯಾವ ಪ್ರದೇಶಗಳ ನಡುವೆ ಪ್ರಯಾಣಿಸುತ್ತದೆ), ಮೋಡ್ ಆಯ್ಕೆ (ವಾಹನ/ಸಾರ್ವಜನಿಕ ಸಾರಿಗೆ/ಪಾದಚಾರಿ), ಮತ್ತು ನಿಯೋಜನೆ (ಯಾವ ಮಾರ್ಗಗಳು ಪ್ರಯಾಣಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ). ಈ ಪ್ರಕ್ರಿಯೆಯ ದತ್ತಾಂಶ ತಯಾರಿಕೆ, ಸನ್ನಿವೇಶ ನಿರ್ಮಾಣ, ಫಲಿತಾಂಶದ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವರದಿ ಮಾಡುವ ಹಂತಗಳಲ್ಲಿ AI ಶಕ್ತಿಯುತವಾದ ಸಹಾಯವಾಗಿದೆ. ಆದರೆ ಟ್ರಾಫಿಕ್ ಮಾದರಿಯು ಭೌತಿಕ ವ್ಯವಸ್ಥೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಮತ್ತು ಮಾಪನಾಂಕ ನಿರ್ಣಯವಿಲ್ಲದೆ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ (ನಿಜವಾದ ಸೈಟ್ ಎಣಿಕೆಗಳಿಗೆ ಮಾದರಿಯನ್ನು ಹೊಂದಿಸುವುದು). AI ನಿಯೋಜನೆ ಲೆಕ್ಕಾಚಾರವನ್ನು ಸ್ವತಃ ಮಾಡುವುದಿಲ್ಲ; ಮಾಪನಾಂಕ ಮಾಡಲಾದ ಮಾದರಿಯ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಅರ್ಥೈಸುತ್ತದೆ. ಅಂತಿಮ ಮೌಲ್ಯಮಾಪನವು ಸಮರ್ಥ ಸಾರಿಗೆ ತಜ್ಞರಿಗೆ ಸೇರಿದೆ.

ನಾಲ್ಕು ಹಂತದ ಮಾದರಿಯ ತರ್ಕ

ಟ್ರಿಪ್ ಜನರೇಷನ್: ಪ್ರತಿಯೊಂದು ಟ್ರಾಫಿಕ್ ವಿಶ್ಲೇಷಣೆ ವಲಯವು ಜನಸಂಖ್ಯೆ, ಉದ್ಯೋಗಗಳು ಮತ್ತು ಶಾಲೆಗಳಂತಹ ಡೇಟಾವನ್ನು ಆಧರಿಸಿ ಪ್ರವಾಸಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಆಕರ್ಷಿಸುತ್ತದೆ. ವಸತಿ ಪ್ರದೇಶವು ಬೆಳಗಿನ ಪ್ರಯಾಣವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ, ವ್ಯಾಪಾರ ಕೇಂದ್ರವು ಆಕರ್ಷಿಸುತ್ತದೆ.

ವಿತರಣೆ: ರಚಿಸಲಾದ ಪ್ರವಾಸಗಳನ್ನು ಪ್ರದೇಶಗಳ ನಡುವೆ ಹಂಚಿಕೊಳ್ಳಲಾಗುತ್ತದೆ; ಸಾಮಾನ್ಯವಾಗಿ ನಿಕಟ ಮತ್ತು ಆಕರ್ಷಕ ಪ್ರದೇಶಗಳು ಹೆಚ್ಚಿನ ಪ್ರವಾಸಗಳನ್ನು ಪಡೆಯುತ್ತವೆ (ಗುರುತ್ವಾಕರ್ಷಣೆಯ ಮಾದರಿಗಳು).

ಮೋಡ್ ಆಯ್ಕೆ: ಪ್ರಯಾಣವನ್ನು ಖಾಸಗಿ ವಾಹನ, ಬಸ್ ಅಥವಾ ಕಾಲ್ನಡಿಗೆಯಲ್ಲಿ ಮಾಡಲಾಗುತ್ತದೆಯೇ? ವೆಚ್ಚವು ಸಮಯ ಮತ್ತು ಪ್ರವೇಶವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

ನಿಯೋಜನೆ: ರಸ್ತೆ ಜಾಲದಾದ್ಯಂತ ಪ್ರವಾಸಗಳನ್ನು ವಿತರಿಸಲಾಗುತ್ತದೆ; ಯಾವ ಮಾರ್ಗ ಮತ್ತು ಯಾವ ಛೇದಕವನ್ನು ಲೋಡ್ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಎಷ್ಟು ಎಂದು ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ.

ಈ ಸರಪಳಿಯ ಪ್ರತಿಯೊಂದು ಲಿಂಕ್ ಡೇಟಾ ಮತ್ತು ಊಹೆಗಳನ್ನು ಆಧರಿಸಿದೆ. ಊಹೆಗಳನ್ನು ಸರಿಹೊಂದಿಸಲು ಮತ್ತು ಸನ್ನಿವೇಶಗಳನ್ನು ಹೋಲಿಸಲು AI ಸಹಾಯಕವಾಗಿದೆ, ಆದರೆ ಇದು ಸರಪಳಿಯ ಸಂಖ್ಯಾತ್ಮಕ ಕೋರ್ ಅನ್ನು ಉತ್ಪಾದಿಸುವ ಮಾಪನಾಂಕ ಮಾಡಲಾದ ಮಾದರಿಯಾಗಿದೆ.

ಎಚ್ಚರಿಕೆ: ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸದ ಟ್ರಾಫಿಕ್ ಮಾದರಿಯು ವಾಸ್ತವಕ್ಕೆ ಅಪ್ರಸ್ತುತವಾದ ಸಂಪುಟಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು. ಒಂದು ಛೇದಕವು "ತಡೆಯಿಲ್ಲದೆ" ಕಾಣುವುದರಿಂದ ಮಾದರಿಯು ನಿಜವಾದ ಎಣಿಕೆಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ ಎಂದರ್ಥ. ಮಾದರಿ ಔಟ್‌ಪುಟ್ ಬಳಸುವ ಮೊದಲು ಯಾವಾಗಲೂ ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು ಮೌಲ್ಯೀಕರಣ ಸ್ಥಿತಿಯನ್ನು ಪ್ರಶ್ನಿಸಿ.

ಆಧುನಿಕ ಸಾರಿಗೆ ಯೋಜನೆಯಲ್ಲಿ ನಾಲ್ಕು-ಹಂತದ ಮಾದರಿಯ ಜೊತೆಗೆ, ಹೊಸ ಡೇಟಾ ಮೂಲಗಳು ಹೆಚ್ಚು ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಪಡೆಯುತ್ತಿವೆ: ಮೊಬೈಲ್ ಫೋನ್ ಚಲನೆ ಡೇಟಾ (ಅನಾಮಧೇಯ ಸ್ಥಳ ಸಂಕೇತಗಳು), ಸಾರ್ವಜನಿಕ ಸಾರಿಗೆ ಕಾರ್ಡ್ ಡೇಟಾ, ನ್ಯಾವಿಗೇಷನ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಂದ ವೇಗ ಡೇಟಾ. ಈ ಮೂಲಗಳು ಸಾಂಪ್ರದಾಯಿಕ ಕ್ಷೇತ್ರ ಗಣತಿಗಳಿಗಿಂತ ಹೆಚ್ಚು ವಿಶಾಲವಾದ ಮತ್ತು ನಿರಂತರವಾದ ಚಿತ್ರವನ್ನು ಒದಗಿಸುತ್ತವೆ. ಈ ದೊಡ್ಡ ಮತ್ತು ಗೊಂದಲಮಯ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು, ಮಾದರಿಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಮತ್ತು ಮಾದರಿಗೆ ಇನ್ಪುಟ್ ಆಗಿ ರೂಪಿಸುವಲ್ಲಿ AI ಅಮೂಲ್ಯವಾಗಿದೆ. ಆದರೆ ಈ ಡೇಟಾವು ಗಂಭೀರವಾದ ಗೌಪ್ಯತೆ ಅಪಾಯಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ: ವೈಯಕ್ತಿಕ ಚಲನೆಯ ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯವೆಂದು ಭಾವಿಸಿದರೂ, ಒಟ್ಟುಗೂಡಿಸಿದಾಗ ಅದು ವ್ಯಕ್ತಿಗಳನ್ನು ಗುರುತಿಸುವಂತೆ ಮಾಡುತ್ತದೆ. ಆದ್ದರಿಂದ, ಸ್ಥಳ ಡೇಟಾವನ್ನು ಸೂಕ್ತವಾಗಿ ಒಟ್ಟುಗೂಡಿಸಿ ಮತ್ತು ಅನಾಮಧೇಯವಾಗಿ ಮತ್ತು ಸಂಬಂಧಿತ ಗೌಪ್ಯತೆ ಶಾಸನಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಮಾತ್ರ ಬಳಸಬೇಕು; ಕಚ್ಚಾ ವೈಯಕ್ತಿಕ ಜಾಡನ್ನು ಎಂದಿಗೂ ವಿತರಿಸಬಾರದು.

AI ಯ ಸೂಕ್ತ ಪಾತ್ರಗಳು

• ಡೇಟಾ ಸಂಘಟನೆ: ಎಣಿಕೆ, GTFS (ಸಾರ್ವಜನಿಕ ಸಾರಿಗೆ ಟ್ರಿಪ್ ಡೇಟಾ), OD (ಮೂಲ-ಗಮ್ಯಸ್ಥಾನ) ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಕ್ಲೀನಿಂಗ್ ಮತ್ತು ಟ್ಯಾಬ್ಯುಲೇಶನ್.
• ಸನ್ನಿವೇಶ ಸೆಟಪ್: "ಹೊಸ ಸೇತುವೆ", "ಬಸ್ ಲೈನ್ ಸೇರಿಸಲಾಗಿದೆ", "ವಾಹನ ನಿರ್ಬಂಧ" ದಂತಹ ಸನ್ನಿವೇಶಗಳನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾಗುತ್ತಿದೆ.
• ಫಲಿತಾಂಶದ ಕಾಮೆಂಟ್: ಮಾದರಿ ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ ಪರಿಮಾಣ, ಸುಪ್ತತೆ ಮತ್ತು ಸೇವಾ ಮಟ್ಟದ ಸರಳ ಭಾಷೆಯ ಸಾರಾಂಶ.
• ಪ್ರವೇಶಿಸುವಿಕೆ ವಿಶ್ಲೇಷಣೆ ಕರಡು: "15-ನಿಮಿಷದ ನಗರ" (ಮತ್ತೆ ನೈಜ ನೆಟ್ವರ್ಕ್ ಡೇಟಾದೊಂದಿಗೆ) ನಂತಹ ವಿಶ್ಲೇಷಣೆಗಳ ಸಂಪಾದನೆ.
• ವರದಿ ಮಾಡುವಿಕೆ: ಸಂಶೋಧನೆಗಳನ್ನು ಮಧ್ಯಸ್ಥಗಾರರಿಗೆ ಮತ್ತು ಮಂಡಳಿಗೆ ಅರ್ಥವಾಗುವಂತೆ ಮಾಡುವುದು.

ಹಂತ ಹಂತವಾಗಿ: AI ಚಾಲಿತ ಸಾರಿಗೆ ವಿಶ್ಲೇಷಣೆ

1. ಪ್ರಶ್ನೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ. "ಹೊಸ ವಸತಿ X ಛೇದನದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ?"
2. ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿ. ಕ್ಷೇತ್ರ ಜನಗಣತಿ, ಜನಸಂಖ್ಯೆ/ಉದ್ಯೋಗದ ಡೇಟಾ, ನೆಟ್‌ವರ್ಕ್, ಸಾರ್ವಜನಿಕ ಸಾರಿಗೆ.
3. ಮಾದರಿ/ವಿಶ್ಲೇಷಣೆ ಆಯ್ಕೆಮಾಡಿ. ನಾಲ್ಕು ಹಂತಗಳು ಅಥವಾ ಸರಳ ಪ್ರವೇಶ?
4. ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಪರಿಶೀಲಿಸಿ. ಮಾದರಿಯು ನಿಜವಾದ ಎಣಿಕೆಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆಯೇ?
5. AI ಜೊತೆಗೆ ಸನ್ನಿವೇಶಗಳನ್ನು ಹೊಂದಿಸಿ. ಪ್ರತಿ ಸನ್ನಿವೇಶದ ಊಹೆಯು ಸ್ಪಷ್ಟವಾಗಿದೆ.
6. ಫಲಿತಾಂಶವನ್ನು ಕಾಮೆಂಟ್ ಮಾಡಿ. AI ಜೊತೆಗೆ ಸಾರಾಂಶ, ಆದರೆ ನಿರ್ಧಾರವನ್ನು ತಜ್ಞರಿಗೆ ಬಿಡಿ.
7. ಪರಿಶೀಲಿಸಿ ಮತ್ತು ವರದಿ ಮಾಡಿ. ಮಾಪನಾಂಕ ನಿರ್ಣಯ, ಊಹೆ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಬರೆಯಿರಿ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ಈ ಛೇದಕವನ್ನು ನಿರ್ಬಂಧಿಸಲಾಗಿದೆಯೇ?"

AI ಗೆ ಡೇಟಾ ಅಥವಾ ಮಾದರಿ ತಿಳಿದಿಲ್ಲ; ಊಹೆ ಎಂಬ ಆಧಾರರಹಿತ ಉತ್ತರವನ್ನು ನೀಡುತ್ತದೆ.

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್: "ನಾನು ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಲಾದ ಸಾರಿಗೆ ಮಾದರಿಯ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಅರ್ಥೈಸುತ್ತಿದ್ದೇನೆ. ಜಂಕ್ಷನ್‌ಗಾಗಿ ಎರಡು ಸನ್ನಿವೇಶಗಳಿಗೆ (ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ / ಹೊಸ ವಸತಿಗಳ ನಂತರ) ಪೀಕ್ ಅವರ್ ಪರಿಮಾಣ ಮತ್ತು ಸೇವೆಯ ಮಟ್ಟ (LOS) ಮೌಲ್ಯಗಳನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ

ಎರಡನೇ ಪ್ರಾಂಪ್ಟ್ AI ಅನ್ನು ಇಂಟರ್ಪ್ರಿಟರ್ ಪಾತ್ರದಲ್ಲಿ ಇರಿಸುತ್ತದೆ; ಮಾದರಿಯು ಸಂಖ್ಯೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, AI ಅದನ್ನು ಸರಳಗೊಳಿಸುತ್ತದೆ.

ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಕಾರ್ಯ: ಸಂಸತ್ತಿಗೆ ಸೂಕ್ತವಾದ ಸರಳ ಜ್ಞಾಪಕದಲ್ಲಿ ಕೆಳಗಿನ ಟ್ರಾಫಿಕ್ ಫಲಿತಾಂಶಗಳನ್ನು (ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ಮಾದರಿಯಿಂದ ಔಟ್‌ಪುಟ್) ಸಾರಾಂಶಗೊಳಿಸಿ. ಸೇವೆಯ ಮಟ್ಟ, ವಿಳಂಬ ಮತ್ತು ಪರಿಮಾಣವನ್ನು ವಿವರಿಸಿ. ರಾಜ್ಯದ ಊಹೆಗಳು (ಸನ್ನಿವೇಶ ವರ್ಷ, ಬೇಡಿಕೆ, ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಸ್ಥಿತಿ) ಮತ್ತು ಅನಿಶ್ಚಿತತೆ. ನೀವೇ ಸಂಖ್ಯೆಗಳನ್ನು ರಚಿಸಬೇಡಿ. ಔಟ್ಪುಟ್: [...]

ಕಾರ್ಯ: ಈ ಕೆಳಗಿನ ಸಾರಿಗೆ ಸನ್ನಿವೇಶವನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಿ: ಉದ್ದೇಶ, ಬದಲಾದ ಇನ್‌ಪುಟ್(ಗಳು), ಸ್ಥಿರವಾಗಿರುವುದು, ಅಳೆಯಲು ಸೂಚಕಗಳು (ಪರಿಮಾಣ, ವಿಳಂಬ, ಲಭ್ಯತೆ). ಹೋಲಿಕೆಗಾಗಿ ನಿಮಗೆ ಯಾವ "ಮೂಲ ಸನ್ನಿವೇಶ" ಬೇಕು ಎಂದು ಬರೆಯಿರಿ. ಸನ್ನಿವೇಶ ಕಲ್ಪನೆ: [...]

ಕಾರ್ಯ: ಕೆಳಗಿನ ಟ್ರಾಫಿಕ್/ಸಾರಿಗೆ ಡೇಟಾದ ಗುಣಮಟ್ಟವನ್ನು ನಿಯಂತ್ರಿಸಿ. ಕಾಣೆಯಾದ, ಅಸಮಂಜಸ ಅಥವಾ ಹಳತಾದ ಬಿಂದುಗಳ ಪಟ್ಟಿ. ಕ್ಷೇತ್ರ ಎಣಿಕೆಯ ಮೂಲಕ ಮಾಪನಾಂಕ ನಿರ್ಣಯಕ್ಕೆ ಯಾವ ಡೇಟಾ ಅಗತ್ಯವಿದೆ ಎಂಬುದನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ. ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು.ಡೇಟಾ: [...]

ಕಾರ್ಯ: ಪದಕೋಶದಲ್ಲಿ ನಾಲ್ಕು-ಹಂತದ ಮಾದರಿ, ಮಾಪನಾಂಕ ನಿರ್ಣಯ, ಸೇವೆಯ ಮಟ್ಟ (LOS), OD ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಮತ್ತು ಸರಳ ಟರ್ಕಿಷ್‌ನಲ್ಲಿ ಪ್ರವೇಶಿಸುವಿಕೆ ಎಂಬ ಪದಗಳನ್ನು ವಿವರಿಸಿ. ಪ್ರತಿಯೊಂದಕ್ಕೂ ನೈಜ ಡೇಟಾ ಏಕೆ ಬೇಕು ಎಂಬುದನ್ನು ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಿ.

ಕೋಷ್ಟಕ: ವಿಶ್ಲೇಷಣೆಯ ಪ್ರಕಾರ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ

ವಿಶ್ಲೇಷಣೆ

ಏನು ನೀಡುತ್ತದೆ

AI ನ ಪಾತ್ರ

ನಿರ್ಣಾಯಕ ಪರಿಶೀಲನೆ

ನಾಲ್ಕು ಹಂತದ ಮಾದರಿ

ನೆಟ್ವರ್ಕ್ ಸಂಪುಟಗಳು

ಸ್ಕ್ರಿಪ್ಟ್ + ವ್ಯಾಖ್ಯಾನ

ಕ್ಷೇತ್ರ ಎಣಿಕೆ ಮಾಪನಾಂಕ ನಿರ್ಣಯ

ಪ್ರವೇಶಿಸುವಿಕೆ (15 ನಿಮಿಷ)

ಸಾಮೀಪ್ಯ/ವ್ಯಾಪ್ತಿ

ಕಾದಂಬರಿ + ವರದಿ

ನೆಟ್‌ವರ್ಕ್ ಮತ್ತು ಸಮಯದ ಡೇಟಾ ನವೀಕೃತವಾಗಿದೆ

ಛೇದನ ವಿಶ್ಲೇಷಣೆ

ಲೇಟೆನ್ಸಿ, LOS

ಫಲಿತಾಂಶದ ಸಾರಾಂಶ

ನಿಜವಾದ ಎಣಿಕೆ + ತಜ್ಞರು

ಸಾರ್ವಜನಿಕ ಸಾರಿಗೆ ವ್ಯಾಪ್ತಿ

ಲೈನ್/ಸ್ಟಾಪ್ ಪ್ರವೇಶ

ಡೇಟಾ ಸಂಪಾದನೆ

GTFS ನವೀಕರಣ

ಪಾದಚಾರಿ/ಬೈಸಿಕಲ್

ಭದ್ರತೆ, ನಿರಂತರತೆ

ದಾಸ್ತಾನು ಕರಡು

ಕ್ಷೇತ್ರ ವೀಕ್ಷಣೆ

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಮಾಪನಾಂಕ ನಿರ್ಣಯವಿಲ್ಲದೆ ನಂಬಿ. ಒಂದು ತಂಡವು AI ಅನ್ನು ಮಾದರಿಯ ಔಟ್‌ಪುಟ್‌ನ ಸಾರಾಂಶವನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಕೌನ್ಸಿಲ್‌ಗೆ "ಛೇದಕ ಸಡಿಲಗೊಂಡ" ಫಲಿತಾಂಶವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ. ನಂತರ ಕ್ಷೇತ್ರ ಎಣಿಕೆ ಮಾಡಲಾಗುತ್ತದೆ; OD ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಹಳೆಯದಾಗಿರುವ ಕಾರಣ ಮಾದರಿಯು ನೈಜ ದಟ್ಟಣೆಯ ಅರ್ಧದಷ್ಟು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದೆ. ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಪರಿಶೀಲಿಸದ ಕಾರಣ, ತಪ್ಪು ವಿಶ್ವಾಸವನ್ನು ರಚಿಸಲಾಗಿದೆ. ಪಾಠ: ಔಟ್‌ಪುಟ್ ಅನ್ನು ಅರ್ಥೈಸುವ ಮೊದಲು ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಪ್ರಶ್ನಿಸಿ.

ಪ್ರಕರಣ 2 - ಸ್ಪಷ್ಟ ಸನ್ನಿವೇಶ. ಯೋಜಕನು AI ಯೊಂದಿಗೆ "ಹೊಸ ಬಸ್ ಲೈನ್" ಸನ್ನಿವೇಶವನ್ನು ರಚಿಸುತ್ತಾನೆ: ಅವನು ಏನನ್ನು ಬದಲಾಯಿಸುತ್ತಾನೆ (ಸಾಲು + ಟ್ರಿಪ್), ಅವನು ಏನು ಸ್ಥಿರವಾಗಿರುತ್ತಾನೆ (ಜನಸಂಖ್ಯೆ, ಇತರ ಸಾಲುಗಳು), ಅವನು ಏನು ಅಳೆಯುತ್ತಾನೆ (ಪ್ರವೇಶಸಾಧ್ಯತೆ, ಪ್ರಯಾಣದ ಸಮಯ). ಮಾದರಿಯು ಈ ಸ್ಪಷ್ಟ ಸನ್ನಿವೇಶವನ್ನು ನಡೆಸುತ್ತದೆ ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಅರ್ಥೈಸಬಹುದಾಗಿದೆ. ಚೆನ್ನಾಗಿ ರಚನಾತ್ಮಕ ಸನ್ನಿವೇಶವು ಉತ್ತಮ ವಿಶ್ಲೇಷಣೆಯ ಅರ್ಧದಷ್ಟು.

ಪ್ರಕರಣ 3 - ಪ್ರವೇಶಿಸುವಿಕೆ ಪಕ್ಷಪಾತ. "15 ನಿಮಿಷಗಳ ನಗರ" ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ, AI ಖಾಸಗಿ ವಾಹನದ ಸಮಯವನ್ನು ಮಾತ್ರ ಬಳಸುತ್ತದೆ ಮತ್ತು ಕೇಂದ್ರ ನೆರೆಹೊರೆಗಳನ್ನು "ಪ್ರವೇಶಿಸಬಹುದು" ಎಂದು ತೋರಿಸುತ್ತದೆ. ಯೋಜಕರು ವಾಕಿಂಗ್ ಮತ್ತು ಸಾಗಣೆ ಸಮಯವನ್ನು ಸೇರಿಸಿದಾಗ, ಕಾರು ಇಲ್ಲದ ಮನೆಗಳು ವಾಸ್ತವವಾಗಿ ಹೆಚ್ಚು ಕೆಟ್ಟ ಪ್ರವೇಶವನ್ನು ಹೊಂದಿವೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ. ನೀವು ಯಾವ ರೀತಿಯ ಸಾರಿಗೆಯನ್ನು ಅಳೆಯುತ್ತೀರಿ ಎಂಬುದು ನೀವು ಯಾರ ಧ್ವನಿಯನ್ನು ಕೇಳುತ್ತೀರಿ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು. ಕ್ಷೇತ್ರ ಎಣಿಕೆಯ ಮೂಲಕ ಮೌಲ್ಯೀಕರಿಸದ ಮಾದರಿ ಔಟ್‌ಪುಟ್ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.
• AI ಉತ್ಪಾದಿಸುವ ಸಂಖ್ಯೆಗಳನ್ನು ಮಾಡುವುದು. ವಾಲ್ಯೂಮ್ ಮತ್ತು ಲೇಟೆನ್ಸಿ ಮಾಪನಾಂಕ ಮಾಡಲಾದ ಮಾದರಿಯಿಂದ ಬರುತ್ತವೆ, AI ಅಲ್ಲ.
• ಮೂಲ ಸನ್ನಿವೇಶವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತಿಲ್ಲ. ಹೋಲಿಕೆಗಾಗಿ "ಪ್ರಸ್ತುತ ಪರಿಸ್ಥಿತಿ" ಅತ್ಯಗತ್ಯ.
• ಒಂದೇ ರೀತಿಯ ಸಾರಿಗೆಯನ್ನು ನೋಡುವುದು. ಕಾರು-ಮಾತ್ರ ಸಮಯವು ಕಾರ್-ಮುಕ್ತ ಕುಟುಂಬಗಳಿಗೆ ಅನ್ಯಾಯವಾಗಿದೆ.
• ಊಹೆಗಳನ್ನು ಮರೆಮಾಡುವುದು. ಸನ್ನಿವೇಶದ ವರ್ಷ ಮತ್ತು ಬೇಡಿಕೆಯ ಊಹೆಯು ಸ್ಪಷ್ಟವಾಗಿರಬೇಕು.
• ಸಾಂದ್ರತೆಯೊಂದಿಗೆ ಪ್ರವೇಶಿಸುವಿಕೆಯನ್ನು ಗೊಂದಲಗೊಳಿಸುವುದು. ಆಪ್ತತೆ ಒಂದು, ಸಾಮರ್ಥ್ಯ ಇನ್ನೊಂದು.

ಸಾರಾಂಶದಲ್ಲಿ

ಸಾರಿಗೆ ಮತ್ತು ಸಂಚಾರ ಮಾಡೆಲಿಂಗ್ ನಾಲ್ಕು-ಹಂತದ ಸರಪಳಿಯ ಮೂಲಕ ನಗರದ ಚಲನೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ (ಉತ್ಪಾದನೆ, ವಿತರಣೆ, ಪ್ರಕಾರದ ಆಯ್ಕೆ, ನಿಯೋಜನೆ). AI ಎಂಬುದು ಡೇಟಾ ಗ್ರಾಂಗ್ಲಿಂಗ್, ಸನ್ನಿವೇಶ ಸಂಪಾದನೆ, ಫಲಿತಾಂಶದ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವರದಿ ಮಾಡುವಿಕೆಯಲ್ಲಿ ಪ್ರಬಲವಾದ ಸಹಾಯವಾಗಿದೆ; ಆದರೆ ಡಿಜಿಟಲ್ ಕೋರ್ ಮಾಪನಾಂಕ ಮಾಡಲಾದ ಮಾದರಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, AI ಅಲ್ಲ. ಮಾಪನಾಂಕ ನಿರ್ಣಯವಿಲ್ಲದೆ (ಹೊಂದಾಣಿಕೆಯ ಕ್ಷೇತ್ರ ಎಣಿಕೆ) ಯಾವುದೇ ಔಟ್‌ಪುಟ್ ಅನ್ನು ನಂಬಲಾಗುವುದಿಲ್ಲ. ಬೇಸ್‌ಲೈನ್ ಸನ್ನಿವೇಶಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಸನ್ನಿವೇಶಗಳು ಸ್ಪಷ್ಟವಾಗಿ ರಚನೆಯಾಗಿರಬೇಕು ಮತ್ತು ಎಲ್ಲಾ ಸಾರಿಗೆ ವಿಧಾನಗಳನ್ನು (ಪಾದಚಾರಿ, ಸಾರ್ವಜನಿಕ ಸಾರಿಗೆ, ವಾಹನ) ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಬೇಕು. ಅಂತಿಮ ಮೌಲ್ಯಮಾಪನವು ಸಮರ್ಥ ಸಾರಿಗೆ ತಜ್ಞರಿಗೆ ಸೇರಿದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಸಾರಿಗೆ ಪ್ರಶ್ನೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ (ಉದಾ. ಛೇದಕದಲ್ಲಿ ಹೊಸ ವಸತಿ ಅಭಿವೃದ್ಧಿಯ ಪರಿಣಾಮ). (1) ಎರಡನೇ ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಸನ್ನಿವೇಶವನ್ನು ರೂಪಿಸಿ: ಯಾವ ಬದಲಾವಣೆಗಳು, ಯಾವುದು ಸ್ಥಿರವಾಗಿದೆ, ಏನು ಅಳೆಯಲಾಗುತ್ತದೆ, ಮೂಲ ಸನ್ನಿವೇಶ ಯಾವುದು? (2) ಮೂರನೇ ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ನಿಮ್ಮ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಡೇಟಾವನ್ನು ಗುಣಮಟ್ಟವನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಮಾಪನಾಂಕ ನಿರ್ಣಯಕ್ಕಾಗಿ ಕಾಣೆಯಾದ ಡೇಟಾವನ್ನು ಪಟ್ಟಿ ಮಾಡಿ. (3) ಅಸೆಂಬ್ಲಿ ಟಿಪ್ಪಣಿಯಲ್ಲಿ ಮೊದಲ ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಕಾಲ್ಪನಿಕ ಮಾದರಿಯ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಸಾರಾಂಶಗೊಳಿಸಿ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯ ಹೇಳಿಕೆಯನ್ನು ಪರಿಶೀಲಿಸಿ. (4) ನೀವು ಯಾವ ರೀತಿಯ (ಪಾದಚಾರಿ/ಸಾರ್ವಜನಿಕ ಸಾರಿಗೆ/ವಾಹನ) ಪ್ರವೇಶಿಸುವಿಕೆಗಾಗಿ ನೋಡಬೇಕು ಎಂಬುದಕ್ಕೆ ತಾರ್ಕಿಕತೆಯನ್ನು ಬರೆಯಿರಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಮಾಡೆಲ್ ಔಟ್‌ಪುಟ್ ಬಳಸುವ ಮೊದಲು ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಸ್ಥಿತಿಯನ್ನು ಪ್ರಶ್ನಿಸಿದೆ.
• [ ] ನಾನು ವಾಲ್ಯೂಮ್/ಲೇಟೆನ್ಸಿ ಸಂಖ್ಯೆಗಳನ್ನು ಕ್ಯಾಲಿಬ್ರೇಟೆಡ್ ಮಾಡೆಲ್‌ನಿಂದ ಪಡೆದುಕೊಂಡಿದ್ದೇನೆ, AI ಅಲ್ಲ.
• [ ] ನಾನು ಸನ್ನಿವೇಶವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ರಚಿಸಿದ್ದೇನೆ ಮತ್ತು ಅದನ್ನು ಮೂಲ ಸನ್ನಿವೇಶಕ್ಕೆ ಹೋಲಿಸಿದೆ.
• [ ] ನಾನು ಪಾದಚಾರಿ, ಸಾರ್ವಜನಿಕ ಸಾರಿಗೆ ಮತ್ತು ವಾಹನ ಪ್ರಕಾರಗಳನ್ನು ಒಟ್ಟಿಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇನೆ.
• [ ] ನಾನು ಊಹೆಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಹೇಳಿದ್ದೇನೆ (ಸನ್ನಿವೇಶ ವರ್ಷ, ಬೇಡಿಕೆ ಮ್ಯಾಟ್ರಿಕ್ಸ್).
• [ ] ನಾನು ಅಂತಿಮ ಮೌಲ್ಯಮಾಪನವನ್ನು ಸಮರ್ಥ ಸಾರಿಗೆ ತಜ್ಞರಿಗೆ ಬಿಟ್ಟಿದ್ದೇನೆ.
• [ ] ನಾನು ವರದಿಯಲ್ಲಿ ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಬರೆದಿದ್ದೇನೆ.