การสร้างแบบจำลองการขนส่งและการจราจร

กำไร:

• ความสามารถในการกำหนดบทบาทของ AI ในข้อมูล สถานการณ์ และการรายงานในความต้องการด้านการขนส่ง การสร้างการเดินทาง และเวิร์กโฟลว์การสร้างแบบจำลองการจราจร
• ความสามารถในการพิจารณาความจำเป็นในการสันนิษฐาน การสอบเทียบ และการตรวจสอบ เมื่อวิเคราะห์ข้อมูลการรับส่งข้อมูลและการเข้าถึงด้วย AI
• ความสามารถในการทำความเข้าใจว่าผลลัพธ์ของแบบจำลองการขนส่งจะต้องได้รับการตรวจสอบโดยวิธีการอย่างเป็นทางการ การสำรวจสำมะโนภาคสนาม และผู้เชี่ยวชาญด้านการขนส่งที่มีความสามารถ

การเคลื่อนตัวของเมืองเป็นกระจกสะท้อนถึงการวางแผนเมือง ผู้คนเดินทางจากที่ไหนไปที่ไหนเวลาไหนด้วยยานพาหนะใด สี่แยกใดจะบล็อกการพัฒนาที่อยู่อาศัยใหม่? ควรวาดรถไฟใต้ดินสายไหน? การสร้างแบบจำลองความต้องการด้านการขนส่งตอบคำถามเหล่านี้ แนวทางคลาสสิกคือแบบจำลองสี่ขั้นตอน ได้แก่ การสร้างการเดินทาง (จำนวนการเดินทางที่แต่ละภูมิภาคสร้าง/ดึงดูด) การกระจาย (ระหว่างการเดินทางของภูมิภาคใด) การเลือกรูปแบบ (ยานพาหนะ/การขนส่งสาธารณะ/คนเดินเท้า) และการกำหนด (เส้นทางใดที่ใช้เดินทาง) AI เป็นตัวช่วยที่ทรงพลังในการเตรียมข้อมูล การสร้างสถานการณ์ การตีความผลลัพธ์ และขั้นตอนการรายงานของกระบวนการนี้ แต่โมเดลการรับส่งข้อมูลแสดงถึงระบบทางกายภาพและไม่น่าเชื่อถือหากไม่มีการสอบเทียบ (จับคู่โมเดลกับจำนวนไซต์จริง) AI ไม่ได้ทำการคำนวณการมอบหมายงานเอง ตีความผลลัพธ์ของแบบจำลองที่ปรับเทียบแล้ว การประเมินขั้นสุดท้ายเป็นของผู้เชี่ยวชาญด้านการขนส่งที่มีความสามารถ

ตรรกะของแบบจำลองสี่ขั้นตอน

การสร้างการเดินทาง: แต่ละโซนการวิเคราะห์การจราจรจะสร้างและดึงดูดการเดินทางโดยอิงตามข้อมูล เช่น ประชากร งาน และโรงเรียน พื้นที่อยู่อาศัยทำให้เกิดการสัญจรในตอนเช้า ศูนย์ธุรกิจดึงดูด

การกระจาย: การเดินทางที่สร้างขึ้นจะถูกแชร์ระหว่างภูมิภาค โดยทั่วไปพื้นที่ใกล้เคียงและน่าดึงดูดจะมีการเดินทางมากขึ้น (รูปแบบคล้ายแรงโน้มถ่วง)

การเลือกโหมด: การเดินทางจะเดินทางด้วยรถยนต์ส่วนตัว รถบัส หรือเดินเท้า? ต้นทุนเป็นตัวกำหนดเวลาและการเข้าถึง

การมอบหมาย: มีการกระจายการเดินทางข้ามเครือข่ายถนน ชัดเจนว่าเส้นทางใดและทางแยกใดที่จะบรรทุกและจำนวนเท่าไร

แต่ละลิงก์ในห่วงโซ่นี้ขึ้นอยู่กับข้อมูลและสมมติฐาน AI มีประโยชน์ในการปรับสมมติฐานและเปรียบเทียบสถานการณ์ แต่เป็นโมเดลที่ปรับเทียบแล้วซึ่งสร้างแกนตัวเลขของห่วงโซ่

ข้อควรระวัง: โมเดลการรับส่งข้อมูลที่ไม่ได้ปรับเทียบอาจทำให้เกิดปริมาณที่ไม่เกี่ยวข้องกับความเป็นจริง เพียงเพราะทางแยกดู "ไร้รอยต่อ" อาจหมายความว่าโมเดลไม่ตรงกับจำนวนจริง สอบถามสถานะการสอบเทียบและการตรวจสอบก่อนใช้เอาต์พุตโมเดลเสมอ

นอกจากโมเดลสี่ขั้นตอนในการวางแผนการขนส่งสมัยใหม่แล้ว แหล่งข้อมูลใหม่ยังมีความสำคัญมากขึ้นเรื่อยๆ เช่น ข้อมูลการเคลื่อนที่ของโทรศัพท์มือถือ (สัญญาณบอกตำแหน่งที่ไม่ระบุชื่อ) ข้อมูลบัตรขนส่งสาธารณะ ข้อมูลความเร็วจากแอปพลิเคชันนำทาง แหล่งข้อมูลเหล่านี้ให้ภาพกว้างและต่อเนื่องมากกว่าการสำรวจสำมะโนภาคสนามแบบดั้งเดิม AI มีคุณค่าอย่างยิ่งในการทำความสะอาดข้อมูลขนาดใหญ่และยุ่งเหยิงนี้ โดยแยกรูปแบบและจัดรูปแบบให้เป็นอินพุตลงในแบบจำลอง แต่ข้อมูลนี้ก่อให้เกิดความเสี่ยงด้านความเป็นส่วนตัวอย่างร้ายแรง แม้ว่าข้อมูลการเคลื่อนไหวส่วนบุคคลจะถือว่าไม่เปิดเผยตัวตน แต่เมื่อรวมเข้าด้วยกันแล้ว ข้อมูลดังกล่าวจะทำให้สามารถระบุตัวบุคคลได้ ดังนั้น ข้อมูลตำแหน่งจึงควรใช้แบบรวมและไม่ระบุชื่ออย่างเหมาะสมเท่านั้น และเป็นไปตามกฎหมายว่าด้วยความเป็นส่วนตัวที่เกี่ยวข้อง ไม่ควรกระจายการติดตามดิบแต่ละรายการ

บทบาทที่เหมาะสมของ AI

• การจัดระเบียบข้อมูล: การนับ, GTFS (ข้อมูลการเดินทางด้วยระบบขนส่งสาธารณะ), การทำความสะอาดเมทริกซ์ OD (ต้นทาง-ปลายทาง) และการจัดตาราง
• การตั้งค่าสถานการณ์: การกำหนดค่าสถานการณ์เช่น "สะพานใหม่" "เพิ่มสายรถประจำทาง" "ข้อจำกัดของยานพาหนะ"
• ความคิดเห็นเกี่ยวกับผลลัพธ์: การสรุปภาษาธรรมดาเกี่ยวกับปริมาณ เวลาแฝง และระดับการบริการในเอาต์พุตโมเดล
• ร่างการวิเคราะห์การเข้าถึง: การแก้ไขการวิเคราะห์ เช่น "เมือง 15 นาที" (อีกครั้งด้วยข้อมูลเครือข่ายจริง)
• การรายงาน: ทำให้ผู้มีส่วนได้ส่วนเสียและสภาสามารถเข้าใจข้อค้นพบได้

ทีละขั้นตอน: การวิเคราะห์การขนส่งที่ขับเคลื่อนด้วย AI

1. กำหนดคำถาม “ที่อยู่อาศัยใหม่จะส่งผลต่อสี่แยก X อย่างไร”
2. รวบรวมข้อมูล การสำรวจสำมะโนภาคสนาม ข้อมูลประชากร/งาน เครือข่าย การขนส่งสาธารณะ
3. เลือกรูปแบบ/การวิเคราะห์ สี่ขั้นตอนหรือการเข้าถึงแบบง่าย?
4. ตรวจสอบการสอบเทียบ โมเดลตรงกับจำนวนจริงหรือไม่
5. ตั้งค่าสถานการณ์ด้วย AI สมมติฐานของแต่ละสถานการณ์มีความชัดเจน
6. แสดงความคิดเห็นเกี่ยวกับผลลัพธ์ สรุปด้วย AI แต่ปล่อยให้การตัดสินใจเป็นของผู้เชี่ยวชาญ
7. ตรวจสอบและรายงาน เขียนการสอบเทียบ ข้อสันนิษฐาน และความไม่แน่นอน

พรอมต์อ่อน / พรอมต์แข็งแกร่ง

ข้อความเตือนที่อ่อนแอ: "ทางแยกนี้ถูกบล็อกหรือเปล่า"

AI ไม่ทราบข้อมูลหรือแบบจำลอง ให้คำตอบที่ไม่มีมูลซึ่งเป็นการเดา

พร้อมท์ที่แข็งแกร่ง: "ฉันกำลังตีความผลลัพธ์ของโมเดลการขนส่งที่ปรับเทียบแล้ว ด้านล่างนี้คือค่าปริมาณชั่วโมงเร่งด่วนและระดับการบริการ (LOS) สำหรับสองสถานการณ์ (หลังที่มีอยู่ / ที่อยู่อาศัยใหม่) สำหรับทางแยก

พรอมต์ที่สองทำให้ AI อยู่ในบทบาทล่าม แบบจำลองสร้างตัวเลข ส่วน AI จะทำให้ง่ายขึ้น

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

ภารกิจ: สรุปผลการจราจรต่อไปนี้ (เอาท์พุตจากแบบจำลองที่ปรับเทียบแล้ว) ในบันทึกช่วยจำง่ายๆ ที่เหมาะสำหรับรัฐสภา อธิบายระดับการให้บริการ ความล่าช้า และปริมาณ สมมติฐานของรัฐ (ปีสถานการณ์ ความต้องการ สถานะการสอบเทียบ) และความไม่แน่นอน อย่าสร้างตัวเลขด้วยตัวเอง เอาท์พุต: [...]

งาน: กำหนดค่าสถานการณ์การขนส่งต่อไปนี้: วัตถุประสงค์ ข้อมูลนำเข้าที่เปลี่ยนแปลง การรักษาให้คงที่ ตัวบ่งชี้ในการวัด (ปริมาณ ความล่าช้า ความพร้อมใช้งาน) เขียนว่า "สถานการณ์พื้นฐาน" ใดที่คุณต้องการเปรียบเทียบ แนวคิดสถานการณ์: [...]

ภารกิจ: ควบคุมคุณภาพข้อมูลการจราจร/การขนส่งต่อไปนี้ รายการจุดที่ขาดหายไป ไม่สอดคล้องกัน หรือล้าสมัย ระบุข้อมูลที่จำเป็นสำหรับการสอบเทียบโดยการนับภาคสนาม การตัดสินใจข้อมูล: [...]

งาน: อธิบายคำศัพท์เกี่ยวกับแบบจำลองสี่ขั้นตอน การสอบเทียบ ระดับการบริการ (LOS) เมทริกซ์ OD และการเข้าถึงในภาษาตุรกีธรรมดาในอภิธานศัพท์ เน้นในหนึ่งประโยคว่าเหตุใดแต่ละข้อจึงต้องการข้อมูลจริง

ตาราง: ประเภทการวิเคราะห์และการตรวจสอบ

การวิเคราะห์

ให้อะไร

บทบาทของเอไอ

การตรวจสอบที่สำคัญ

โมเดลสี่ขั้นตอน

ปริมาณเครือข่าย

สคริปต์+ความเห็น

การสอบเทียบการนับภาคสนาม

การเข้าถึง (15 นาที)

ความใกล้ชิด/ความครอบคลุม

นิยาย+รายงาน

ข้อมูลเครือข่ายและเวลาเป็นปัจจุบัน

การวิเคราะห์ทางแยก

เวลาแฝง, LOS

สรุปผล

จำนวนจริง+ผู้เชี่ยวชาญ

ความคุ้มครองการขนส่งสาธารณะ

การเข้าถึงสาย/หยุด

การแก้ไขข้อมูล

อัพเดต GTFS

คนเดินเท้า/จักรยาน

การรักษาความปลอดภัยความต่อเนื่อง

ร่างสินค้าคงคลัง

การสังเกตภาคสนาม

มินิเคสสามอัน

กรณีที่ 1 — เชื่อถือโดยไม่มีการสอบเทียบ ทีมงานให้ AI สรุปผลลัพธ์ของแบบจำลองและนำเสนอผลลัพธ์ “ทางแยกผ่อนคลาย” ต่อสภา จากนั้นการนับฟิลด์จะเสร็จสิ้น โมเดลคำนวณครึ่งหนึ่งของปริมาณการใช้งานจริงเนื่องจากเมทริกซ์ OD เก่า เนื่องจากการสอบเทียบไม่ได้รับการตรวจสอบ จึงสร้างความเชื่อมั่นที่ผิดพลาดขึ้น บทเรียน: ตั้งคำถามกับการสอบเทียบก่อนตีความผลลัพธ์

กรณีที่ 2 — สถานการณ์ที่ชัดเจน ผู้วางแผนจัดโครงสร้างสถานการณ์ "รถประจำทางสายใหม่" ด้วย AI: ชัดเจนว่าเขาเปลี่ยนแปลงอะไร (สาย + การเดินทาง) สิ่งที่เขารักษาไว้คงที่ (จำนวนประชากร สายอื่นๆ) สิ่งที่เขาวัดผล (การเข้าถึง เวลาการเดินทาง) แบบจำลองดำเนินสถานการณ์ที่ชัดเจนนี้ และผลลัพธ์สามารถตีความได้ สถานการณ์ที่มีโครงสร้างที่ดีคือครึ่งหนึ่งของการวิเคราะห์ที่ดี

กรณีที่ 3 — อคติในการเข้าถึง ในการวิเคราะห์ “เมือง 15 นาที” AI ใช้เวลาเพียงยานพาหนะส่วนตัวและแสดงให้เห็นว่าย่านใจกลางเมือง “สามารถเข้าถึงได้” เมื่อผู้วางแผนเพิ่มเวลาในการเดินและต่อเครื่อง จะเห็นได้ชัดว่าครัวเรือนที่ไม่มีรถยนต์จะเข้าถึงได้แย่กว่ามาก ประเภทการขนส่งที่คุณวัดจะเป็นตัวกำหนดว่าคุณได้ยินเสียงของใคร

ข้อผิดพลาดทั่วไป

• กำลังข้ามการสอบเทียบ ผลลัพธ์ของแบบจำลองที่ไม่ได้รับการตรวจสอบโดยการนับฟิลด์ไม่น่าเชื่อถือ
• ทำให้ AI ผลิตตัวเลข ปริมาณและเวลาแฝงมาจากโมเดลที่ปรับเทียบแล้ว ไม่ใช่ AI
• ไม่ได้กำหนดสถานการณ์พื้นฐาน "สถานการณ์ปัจจุบัน" เป็นสิ่งจำเป็นสำหรับการเปรียบเทียบ
• มองที่การขนส่งรูปแบบเดียว เวลาที่ใช้รถยนต์เพียงอย่างเดียวนั้นไม่ยุติธรรมสำหรับครัวเรือนที่ไม่มีรถยนต์
• การซ่อนสมมติฐาน ปีสถานการณ์และสมมติฐานด้านอุปสงค์ควรมีความชัดเจน
• การเข้าถึงที่สับสนกับความหนาแน่น ความใกล้ชิดเป็นเรื่องหนึ่ง ความสามารถเป็นอีกเรื่องหนึ่ง

โดยสรุป

การสร้างแบบจำลองการขนส่งและการจราจรแสดงถึงการเคลื่อนที่ของเมืองผ่านห่วงโซ่สี่ขั้นตอน (การผลิต การจัดจำหน่าย การเลือกประเภท การกำหนด) AI เป็นตัวช่วยที่ทรงพลังในการถกเถียงข้อมูล การแก้ไขสถานการณ์ การตีความผลลัพธ์ และการรายงาน แต่แกนดิจิทัลจะสร้างโมเดลที่ปรับเทียบแล้ว ไม่ใช่ AI หากไม่มีการสอบเทียบ (จำนวนฟิลด์ที่ตรงกัน) เอาต์พุตใดๆ จะไม่สามารถเชื่อถือได้ สถานการณ์ควรมีโครงสร้างที่ชัดเจน เมื่อเทียบกับสถานการณ์พื้นฐาน และควรคำนึงถึงรูปแบบการขนส่งทุกรูปแบบ (คนเดินเท้า การขนส่งสาธารณะ ยานพาหนะ) การประเมินขั้นสุดท้ายเป็นของผู้เชี่ยวชาญด้านการขนส่งที่มีความสามารถ

งานสมัคร

เลือกคำถามเกี่ยวกับการขนส่ง (เช่น ผลกระทบของการพัฒนาที่อยู่อาศัยใหม่บนทางแยก) (1) จัดโครงสร้างสถานการณ์จำลองด้วยเทมเพลตที่สอง: อะไรเปลี่ยนแปลง อะไรคงที่ อะไรวัดได้ สถานการณ์พื้นฐานคืออะไร (2) ตรวจสอบคุณภาพข้อมูลที่มีอยู่ของคุณด้วยเทมเพลตที่สาม และแสดงรายการข้อมูลที่ขาดหายไปเพื่อการสอบเทียบ (3) สรุปผลลัพธ์ของแบบจำลองสมมุติด้วยเทมเพลตแรกลงในบันทึกประกอบและตรวจสอบข้อความความไม่แน่นอน (4) เขียนเหตุผลว่าประเภทของการเข้าถึง (คนเดินเท้า/การขนส่งสาธารณะ/ยานพาหนะ) ที่คุณควรมองหา

รายการตรวจสอบ

• [ ] ฉันสอบถามสถานะการสอบเทียบก่อนที่จะใช้เอาท์พุตโมเดล
• [ ] ฉันได้รับตัวเลขระดับเสียง/เวลาแฝงจากโมเดลที่ปรับเทียบแล้ว ไม่ใช่ AI
• [ ] ฉันวางโครงสร้างสถานการณ์ไว้อย่างชัดเจนและเปรียบเทียบกับสถานการณ์พื้นฐาน
• [ ] ฉันประเมินประเภทคนเดินเท้า การขนส่งสาธารณะ และยานพาหนะร่วมกัน
• [ ] ฉันได้ระบุสมมติฐานไว้อย่างชัดเจน (ปีสถานการณ์, เมตริกซ์อุปสงค์)
• [ ] ฉันฝากการประเมินขั้นสุดท้ายให้กับผู้เชี่ยวชาญด้านการขนส่งที่มีความสามารถ
• [ ] ฉันเขียนการสอบเทียบและความไม่แน่นอนไว้ในรายงาน