Faida:
- Uwezo wa kufafanua jukumu la AI katika data, hali na kuripoti katika mahitaji ya usafirishaji, kizazi cha safari na utiririshaji wa mfano wa trafiki.
- Uwezo wa kuzingatia hitaji la dhana, urekebishaji na uthibitishaji wakati wa kuchambua trafiki na data ya ufikiaji na AI.
- Uwezo wa kuelewa kuwa matokeo ya muundo wa usafirishaji lazima yadhibitishwe na njia rasmi, sensa ya uwanja na mtaalam anayefaa wa usafirishaji.
Jinsi jiji linavyosonga ni kioo cha jinsi lilivyopangwa. Watu wanatoka wapi kwenda wapi, kwa wakati gani, na gari gani; Je, ujenzi mpya wa nyumba utazuia makutano gani? Je, mstari wa metro unapaswa kuchorwa wapi? Muundo wa mahitaji ya usafiri hujibu maswali haya. Mbinu ya kawaida ni muundo wa hatua nne: kizazi cha safari (safari ngapi ambazo kila eneo huzalisha/huvutia), usambazaji (kati ya maeneo ambayo safari husafiri), uteuzi wa hali (gari/usafiri wa umma/mtembea kwa miguu), na kazi (ambazo safari huchukua). AI ni msaada mkubwa katika utayarishaji wa data, ujenzi wa mazingira, tafsiri ya matokeo na hatua za kuripoti za mchakato huu. Lakini mtindo wa trafiki unawakilisha mfumo halisi na hauwezi kutegemewa bila urekebishaji (kulinganisha mfano na hesabu halisi za tovuti). AI haifanyi hesabu ya mgawo yenyewe; hutafsiri matokeo ya modeli iliyosawazishwa. Tathmini ya mwisho ni ya mtaalam mwenye uwezo wa usafirishaji.
Mantiki ya mfano wa hatua nne
Uzalishaji wa safari: Kila eneo la uchanganuzi wa trafiki hutoa na kuvutia safari kulingana na data kama vile idadi ya watu, kazi na shule. Eneo la makazi hutoa safari za asubuhi, kituo cha biashara kinavutia.
Usambazaji: Safari zinazozalishwa zinashirikiwa kati ya mikoa; kwa ujumla maeneo ya karibu na ya kuvutia hupokea safari zaidi (mifumo inayofanana na mvuto).
Uteuzi wa hali: Je, safari itafanywa na gari la kibinafsi, basi au kwa miguu? Gharama huamua wakati na ufikiaji.
Kazi: Safari zinasambazwa kwenye mtandao wa barabara; Inakuwa wazi ni njia gani na makutano gani yatapakiwa na ni kiasi gani.
Kila kiungo katika msururu huu kinatokana na data na mawazo. AI inasaidia katika kurekebisha mawazo na kulinganisha hali, lakini ni kielelezo kilichosawazishwa ambacho hutoa msingi wa nambari wa mnyororo.
Tahadhari: Muundo wa trafiki usio na kipimo unaweza kutoa kiasi ambacho hakina umuhimu kwa ukweli. Kwa sababu tu makutano yanaonekana "isiyo na mshono" inaweza kumaanisha kuwa mfano haulingani na hesabu halisi. Daima uliza urekebishaji na hali ya uthibitishaji kabla ya kutumia toleo la modeli.
Mbali na mtindo wa hatua nne katika upangaji wa kisasa wa usafiri, vyanzo vipya vya data vinazidi kuwa muhimu: data ya harakati ya simu ya mkononi (ishara za eneo zisizojulikana), data ya kadi ya usafiri wa umma, data ya kasi kutoka kwa programu za urambazaji. Vyanzo hivi vinatoa picha pana zaidi na endelevu kuliko sensa za uga wa jadi. AI ni muhimu sana katika kusafisha data hii kubwa na yenye fujo, kutoa ruwaza na kuitengeneza kuwa ingizo kwenye modeli. Lakini data hii inaleta hatari kubwa za faragha: hata kama data ya mtu binafsi ya harakati inadhaniwa kuwa haijulikani, inapojumlishwa inaweza kufanya watu binafsi kutambulika. Kwa hivyo, data ya eneo inapaswa tu kutumiwa ipasavyo kujumlishwa na kuficha jina na kwa mujibu wa sheria husika ya faragha; Ufuatiliaji mbichi wa mtu binafsi haupaswi kamwe kusambazwa.
Majukumu yanayofaa ya AI
- Shirika la data: Kuhesabu, GTFS (data ya safari ya usafiri wa umma), OD (chanzo-lengwa) kusafisha matrix na kukokotoa.
- Usanidi wa hali: Kusanidi hali kama vile "daraja jipya", "laini ya basi imeongezwa", "vizuizi vya gari".
- Maoni ya matokeo: Muhtasari wa lugha rahisi wa sauti, muda wa kusubiri, na kiwango cha huduma katika toleo la modeli.
- Rasimu ya uchambuzi wa ufikivu: Uhariri wa uchanganuzi kama vile "mji wa dakika 15" (tena na data halisi ya mtandao).
- Kuripoti: Kufanya matokeo kueleweka kwa wadau na baraza.
Hatua kwa hatua: Uchambuzi wa usafiri unaoendeshwa na AI
- Bainisha swali. "Nyumba mpya zitaathiri vipi makutano ya X?"
- Kusanya data. Sensa ya eneo, data ya idadi ya watu/kazi, mtandao, usafiri wa umma.
- Chagua modeli/uchambuzi. Hatua nne au ufikivu rahisi?
- Thibitisha urekebishaji. Je, mfano unalingana na hesabu halisi?
- Sanidi hali na AI. Dhana ya kila hali iko wazi.
- Toa maoni matokeo. Muhtasari na AI, lakini acha uamuzi kwa mtaalam.
- Thibitisha na uripoti. Andika hesabu, dhana na kutokuwa na uhakika.
Mwongozo dhaifu / Mwongozo thabiti
Kidokezo dhaifu: "Je, makutano haya yamezuiwa?"
AI haijui data wala mfano; inatoa jibu lisilo na msingi ambalo ni nadhani.
Agizo kali: "Ninatafsiri matokeo ya modeli ya usafiri iliyorekebishwa. Chini ni thamani ya saa ya kilele na kiwango cha huduma (LOS) kwa hali mbili (chapisho la nyumba / nyumba mpya) kwa makutano.
Uhakika wa pili huweka AI katika jukumu la mkalimani; Mfano hutoa nambari, AI hurahisisha.
Violezo vinne vinavyoweza kunakiliwa
Kazi: Fanya muhtasari wa matokeo yafuatayo ya trafiki (matokeo kutoka kwa modeli iliyosawazishwa) katika memo rahisi inayofaa kwa bunge. Eleza kiwango cha huduma, ucheleweshaji na kiasi. Mawazo ya serikali (mwaka wa hali, mahitaji, hali ya urekebishaji) na kutokuwa na uhakika. Usitengeneze nambari mwenyewe. Pato: [...]
Jukumu: Sanidi hali ifuatayo ya usafirishaji: madhumuni, pembejeo zilizobadilishwa), zisizobadilika, viashirio vya kupima (kiasi, kuchelewa, upatikanaji). Andika "hali ya msingi" unayohitaji kwa kulinganisha. Wazo la kisa: [...]
Kazi: kudhibiti ubora data ifuatayo ya trafiki/usafiri. Orodhesha pointi zinazokosekana, zisizolingana, au zilizopitwa na wakati. Bainisha ni data gani inahitajika kwa urekebishaji kwa kuhesabu sehemu. Kufanya maamuzi.Data: [...]
Kazi: Eleza masharti modeli ya hatua nne, urekebishaji, kiwango cha huduma (LOS), matrix ya OD, na ufikiaji katika Kituruki safi katika faharasa. Angazia katika sentensi moja kwa nini kila moja inahitaji data halisi.
Jedwali: aina ya uchambuzi na uthibitishaji
Uchambuzi
inatoa nini
Jukumu la AI
uthibitisho muhimu
Mfano wa hatua nne
wingi wa mtandao
Hati + maoni
Urekebishaji wa hesabu ya uwanja
Ufikivu (dakika 15)
Ukaribu/ chanjo
Fiction + ripoti
Data ya mtandao na wakati imesasishwa
uchambuzi wa makutano
Kuchelewa, LOS
Muhtasari wa matokeo
Hesabu halisi + mtaalam
Chanjo ya usafiri wa umma
Ufikiaji wa mstari/acha
Uhariri wa data
Sasisho la GTFS
watembea kwa miguu/baiskeli
Usalama, mwendelezo
rasimu ya hesabu
uchunguzi wa shamba
kesi tatu ndogo
Kesi ya 1 - Kuamini bila urekebishaji. Timu ina AI muhtasari wa matokeo ya modeli na kuwasilisha matokeo ya "makutano yaliyorejeshwa" kwa baraza. Kisha hesabu ya shamba inafanywa; Mfano huo ulihesabu nusu ya trafiki halisi kwa sababu matrix ya OD ni ya zamani. Kwa sababu urekebishaji haukuthibitishwa, imani ya uwongo iliundwa. Somo: uliza urekebishaji kabla ya kutafsiri matokeo.
Kesi ya 2 - Futa mazingira. Mpangaji anaunda hali ya "mstari mpya wa basi" na AI: ni wazi kile anachobadilisha (mstari + wa safari), kile anachoweka mara kwa mara (idadi ya watu, mistari mingine), kile anachopima (upatikanaji, wakati wa safari). Mfano unaendesha hali hii wazi na matokeo yake yanaweza kufasiriwa. Hali iliyopangwa vizuri ni nusu ya uchambuzi mzuri.
Kesi ya 3 - Upendeleo wa ufikiaji. Katika uchanganuzi wa "mji wa dakika 15", AI hutumia wakati wa gari la kibinafsi pekee na inaonyesha vitongoji vya kati kama "kufikiwa." Wakati mpangaji anaongeza muda wa kutembea na usafiri, inakuwa wazi kuwa kaya zisizo na gari zina ufikiaji mbaya zaidi. Ni aina gani ya usafiri unaopima huamua ni sauti ya nani unayosikia.
Makosa ya kawaida
- Kuruka urekebishaji. Toleo la mfano ambalo halijaidhinishwa na kuhesabu sehemu si la kutegemewa.
- Kufanya AI kutoa nambari. Kiasi na muda wa kusubiri hutoka kwa modeli iliyosawazishwa, si AI.
- Sio kufafanua hali ya msingi. "Hali ya sasa" ni muhimu kwa kulinganisha.
- Kuangalia njia moja ya usafiri. Muda wa gari pekee sio haki kwa kaya zisizo na gari.
- Kuficha mawazo. Mwaka wa mazingira na dhana ya mahitaji inapaswa kuwa wazi.
- Inachanganya ufikivu na msongamano. Ukaribu ni jambo moja, uwezo ni jambo lingine.
Kwa muhtasari
Usafiri na mfano wa trafiki unawakilisha harakati za jiji kupitia mlolongo wa hatua nne (uzalishaji, usambazaji, uteuzi wa aina, mgawo). AI ni msaada mkubwa katika ugomvi wa data, uhariri wa hali, tafsiri ya matokeo na kuripoti; Lakini msingi wa dijiti hutoa mfano wa sanifu, sio AI. Bila urekebishaji (hesabu ya sehemu inayolingana) towe lolote haliwezi kuaminiwa. Matukio yanapaswa kupangwa wazi, ikilinganishwa na hali ya msingi, na njia zote za usafiri (watembea kwa miguu, usafiri wa umma, gari) zinapaswa kuzingatiwa. Tathmini ya mwisho ni ya mtaalam mwenye uwezo wa usafirishaji.
Jukumu la maombi
Chagua swali la usafiri (k.m. athari za ujenzi mpya wa nyumba kwenye makutano). (1) Panga hali na kiolezo cha pili: ni mabadiliko gani, ni nini mara kwa mara, ni nini kinachopimwa, hali ya msingi ni nini? (2) Ubora angalia data yako iliyopo kwa kiolezo cha tatu na uorodheshe data inayokosekana kwa ajili ya kurekebishwa. (3) Fanya muhtasari wa matokeo ya kielelezo dhahania na kiolezo cha kwanza kwenye dokezo la mkusanyiko na uangalie taarifa ya kutokuwa na uhakika. (4) Andika sababu ya aina gani ya ufikiaji (wa watembea kwa miguu/usafiri wa umma/gari) unapaswa kutafuta.
orodha ya ukaguzi
- [ ] Niliuliza hali ya urekebishaji kabla ya kutumia pato la modeli.
- [ ] Nilipata nambari za sauti/muda wa kusubiri kutoka kwa modeli iliyosawazishwa, si AI.
- [ ] Nilipanga hali hiyo kwa uwazi na kuilinganisha na hali ya msingi.
- [ ] Nilitathmini watembea kwa miguu, usafiri wa umma na aina za magari pamoja.
- [ ] Nimeeleza kwa uwazi mawazo (mwaka wa matukio, matrix ya mahitaji).
- [ ] Niliacha tathmini ya mwisho kwa mtaalam stadi wa uchukuzi.
- [ ] Niliandika urekebishaji na kutokuwa na uhakika katika ripoti.