Lợi nhuận:
- Khả năng xác định vai trò của AI trong dữ liệu, kịch bản và báo cáo về nhu cầu vận tải, tạo chuyến đi và quy trình lập mô hình giao thông
- Khả năng xem xét nhu cầu giả định, hiệu chỉnh và xác minh khi phân tích dữ liệu lưu lượng truy cập và khả năng tiếp cận bằng AI
- Có khả năng hiểu rằng kết quả mô hình giao thông vận tải phải được kiểm chứng bằng phương pháp chính thức, điều tra thực địa và chuyên gia giao thông vận tải có thẩm quyền.
Cách một thành phố di chuyển phản ánh cách nó được quy hoạch. Người ta đi từ đâu đến đâu, vào lúc nào, bằng phương tiện nào; Giao lộ nào sẽ là khu phát triển nhà ở mới? Đường tàu điện ngầm nên được vẽ ở đâu? Mô hình nhu cầu vận tải trả lời những câu hỏi này. Cách tiếp cận cổ điển là mô hình bốn giai đoạn: tạo chuyến đi (mỗi khu vực tạo ra/thu hút bao nhiêu chuyến đi), phân bổ (giữa các khu vực mà chuyến đi đi lại), lựa chọn phương thức (phương tiện/phương tiện công cộng/người đi bộ) và phân công (các chuyến đi đi theo tuyến đường nào). AI là một công cụ hỗ trợ mạnh mẽ trong việc chuẩn bị dữ liệu, xây dựng kịch bản, giải thích kết quả và báo cáo các giai đoạn của quy trình này. Tuy nhiên, mô hình lưu lượng truy cập đại diện cho một hệ thống vật lý và không đáng tin cậy nếu không hiệu chỉnh (khớp mô hình với số lượng trang web thực tế). AI không tự mình thực hiện phép tính bài tập; diễn giải đầu ra của một mô hình đã hiệu chỉnh. Đánh giá cuối cùng thuộc về chuyên gia vận tải có thẩm quyền.
Logic của mô hình bốn giai đoạn
Tạo chuyến đi: Mỗi khu vực phân tích giao thông tạo ra và thu hút các chuyến đi dựa trên dữ liệu như dân số, việc làm và trường học. Khu dân cư thuận tiện đi lại buổi sáng, trung tâm thương mại thu hút.
Phân phối: Các chuyến đi được tạo ra được chia sẻ giữa các vùng; nhìn chung các khu vực gần gũi và hấp dẫn nhận được nhiều chuyến đi hơn (mô hình giống như trọng lực).
Lựa chọn phương thức: Hành trình sẽ được thực hiện bằng phương tiện cá nhân, xe buýt hay đi bộ? Chi phí quyết định thời gian và khả năng tiếp cận.
Nhiệm vụ: Các chuyến đi được phân bổ trên mạng lưới đường bộ; Nó trở nên rõ ràng tuyến đường nào và giao lộ nào sẽ được tải và bao nhiêu.
Mỗi liên kết trong chuỗi này đều dựa trên dữ liệu và giả định. AI rất hữu ích trong việc điều chỉnh các giả định và so sánh các kịch bản, nhưng chính mô hình đã hiệu chỉnh mới tạo ra cốt lõi số của chuỗi.
Thận trọng: Mô hình lưu lượng truy cập chưa được hiệu chỉnh có thể tạo ra khối lượng không liên quan đến thực tế. Chỉ vì giao lộ trông "liền mạch" có thể có nghĩa là mô hình không khớp với số lượng thực tế. Luôn truy vấn trạng thái hiệu chuẩn và xác nhận trước khi sử dụng đầu ra mô hình.
Ngoài mô hình bốn giai đoạn trong quy hoạch giao thông hiện đại, các nguồn dữ liệu mới ngày càng trở nên quan trọng: dữ liệu chuyển động của điện thoại di động (tín hiệu vị trí ẩn danh), dữ liệu thẻ giao thông công cộng, dữ liệu tốc độ từ các ứng dụng điều hướng. Những nguồn này cung cấp một bức tranh rộng hơn và liên tục hơn nhiều so với các cuộc điều tra thực địa truyền thống. AI có vai trò vô giá trong việc làm sạch dữ liệu lớn và lộn xộn này, trích xuất các mẫu và định hình nó thành đầu vào của mô hình. Nhưng dữ liệu này đặt ra những rủi ro nghiêm trọng về quyền riêng tư: ngay cả khi dữ liệu chuyển động của cá nhân được cho là ẩn danh, khi được tổng hợp, nó có thể khiến các cá nhân có thể nhận dạng được. Do đó, dữ liệu vị trí chỉ nên được sử dụng một cách tổng hợp và ẩn danh một cách thích hợp và phù hợp với luật về quyền riêng tư có liên quan; Dấu vết riêng lẻ thô không bao giờ được phân phối.
Vai trò phù hợp của AI
- Tổ chức dữ liệu: Đếm, GTFS (dữ liệu chuyến đi giao thông công cộng), làm sạch và lập bảng ma trận OD (nguồn-đích).
- Thiết lập kịch bản: Cấu hình các kịch bản như “cầu mới”, “thêm tuyến xe buýt”, “hạn chế phương tiện”.
- Nhận xét kết quả: Bản tóm tắt bằng ngôn ngữ đơn giản về khối lượng, độ trễ và mức dịch vụ trong đầu ra của mô hình.
- Dự thảo phân tích khả năng tiếp cận: Chỉnh sửa các phân tích như "thành phố 15 phút" (một lần nữa với dữ liệu mạng thực).
- Báo cáo: Làm cho các phát hiện trở nên dễ hiểu đối với các bên liên quan và hội đồng.
Từng bước: Phân tích giao thông vận tải được hỗ trợ bởi AI
- Xác định câu hỏi. “Nhà ở mới sẽ ảnh hưởng đến ngã tư X như thế nào?”
- Thu thập dữ liệu. Điều tra dân số hiện trường, dữ liệu dân số/việc làm, mạng lưới, giao thông công cộng.
- Chọn mô hình/phân tích. Bốn giai đoạn hay khả năng tiếp cận đơn giản?
- Xác minh hiệu chuẩn. Mô hình có khớp với số lượng thực tế không?
- Thiết lập kịch bản với AI. Giả định của từng kịch bản là rõ ràng.
- Bình luận kết quả. Tóm tắt bằng AI, nhưng hãy để chuyên gia quyết định.
- Xác minh và báo cáo. Viết ra sự hiệu chuẩn, giả định và độ không đảm bảo.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu: "Ngã tư này có bị chặn không?"
AI không biết dữ liệu cũng như mô hình; đưa ra một câu trả lời vô căn cứ đó là một phỏng đoán.
Lời nhắc mạnh mẽ: "Tôi đang diễn giải kết quả đầu ra của một mô hình vận tải đã được hiệu chỉnh. Dưới đây là các giá trị về lưu lượng giờ cao điểm và mức độ dịch vụ (LOS) cho hai kịch bản (sau nhà ở hiện có / nhà ở mới) cho nút giao thông
Lời nhắc thứ hai giữ AI ở vai trò thông dịch viên; Mô hình tạo ra con số, AI đơn giản hóa nó.
Bốn mẫu có thể sao chép
Nhiệm vụ: Tóm tắt kết quả giao thông sau đây (đầu ra từ mô hình đã hiệu chỉnh) trong một bản ghi nhớ đơn giản phù hợp với quốc hội. Giải thích mức độ dịch vụ, độ trễ và khối lượng. Các giả định của trạng thái (năm kịch bản, nhu cầu, trạng thái hiệu chỉnh) và sự không chắc chắn. Đừng tự tạo ra số. Đầu ra: […]
Nhiệm vụ: Định cấu hình kịch bản vận chuyển sau: mục đích, (các) đầu vào đã thay đổi, được giữ không đổi, các chỉ số cần đo lường (khối lượng, độ trễ, tính khả dụng). Viết "kịch bản cơ sở" nào bạn cần để so sánh. Ý tưởng kịch bản: […]
Nhiệm vụ: Kiểm soát chất lượng dữ liệu giao thông/vận chuyển sau đây. Liệt kê các điểm còn thiếu, không nhất quán hoặc lỗi thời. Chỉ định dữ liệu nào cần thiết để hiệu chuẩn bằng cách đếm trường. Ra quyết định.Dữ liệu: […]
Nhiệm vụ: Giải thích các thuật ngữ mô hình bốn giai đoạn, hiệu chuẩn, mức dịch vụ (LOS), ma trận OD và khả năng truy cập bằng tiếng Thổ Nhĩ Kỳ đơn giản trong bảng thuật ngữ. Đánh dấu trong một câu tại sao mỗi câu lại yêu cầu dữ liệu thực.
Một bảng: loại phân tích và xác nhận
Phân tích
những gì mang lại
Vai trò của AI
xác minh quan trọng
Mô hình bốn giai đoạn
khối lượng mạng
Kịch bản + bình luận
Hiệu chuẩn số trường
Khả năng tiếp cận (15 phút)
Vùng lân cận/phạm vi phủ sóng
Tiểu thuyết + báo cáo
Cập nhật dữ liệu mạng và thời gian
phân tích giao lộ
Độ trễ, LOS
Tóm tắt kết quả
Số lượng thực tế + chuyên gia
Bảo hiểm giao thông công cộng
Truy cập đường dây/dừng
Chỉnh sửa dữ liệu
cập nhật GTFS
người đi bộ/xe đạp
An ninh, liên tục
dự thảo hàng tồn kho
quan sát hiện trường
ba trường hợp nhỏ
Trường hợp 1 - Tin cậy mà không hiệu chuẩn. Một nhóm có AI tóm tắt đầu ra của một mô hình và trình bày kết quả “nới lỏng giao lộ” trước hội đồng. Sau đó việc đếm trường được thực hiện; Mô hình tính toán một nửa lưu lượng thực do ma trận OD đã cũ. Bởi vì việc hiệu chuẩn không được xác minh nên sự tin cậy sai lệch đã được tạo ra. Bài học: đặt câu hỏi về việc hiệu chuẩn trước khi diễn giải kết quả đầu ra.
Trường hợp 2 - Kịch bản rõ ràng. Người lập kế hoạch xây dựng kịch bản “tuyến xe buýt mới” bằng AI: rõ ràng những gì anh ta thay đổi (tuyến + chuyến đi), những gì anh ta giữ không đổi (dân số, các tuyến khác), những gì anh ta đo lường (khả năng tiếp cận, thời gian chuyến đi). Mô hình chạy kịch bản rõ ràng này và kết quả có thể hiểu được. Một kịch bản có cấu trúc tốt là một nửa của một bản phân tích tốt.
Trường hợp 3 - Sai lệch về khả năng tiếp cận. Trong phân tích “thành phố 15 phút”, AI chỉ sử dụng thời gian của phương tiện cá nhân và hiển thị các khu vực trung tâm là “có thể tiếp cận được”. Khi người lập kế hoạch cộng thêm thời gian đi bộ và vận chuyển, có thể thấy rõ rằng các hộ gia đình không có ô tô thực sự có khả năng tiếp cận kém hơn nhiều. Loại phương tiện giao thông bạn đo sẽ xác định giọng nói bạn nghe thấy.
Những lỗi thường gặp
- Bỏ qua hiệu chuẩn. Đầu ra của mô hình không được xác thực bằng cách đếm trường là không đáng tin cậy.
- Làm cho AI tạo ra các con số Âm lượng và độ trễ đến từ mô hình đã hiệu chỉnh, không phải AI.
- Không xác định một kịch bản cơ sở. Một "tình hình hiện tại" là điều cần thiết để so sánh.
- Nhìn vào một phương thức vận tải duy nhất. Thời gian chỉ có ô tô là không công bằng đối với các hộ gia đình không có ô tô.
- Ẩn các giả định Năm kịch bản và giả định nhu cầu phải rõ ràng.
- Khả năng tiếp cận khó hiểu với mật độ. Gần gũi là một chuyện, năng lực lại là chuyện khác.
Tóm lại
Mô hình giao thông và giao thông thể hiện sự chuyển động của thành phố thông qua chuỗi bốn giai đoạn (sản xuất, phân phối, lựa chọn loại hình, phân công). AI là một công cụ hỗ trợ mạnh mẽ trong việc sắp xếp dữ liệu, chỉnh sửa kịch bản, giải thích và báo cáo kết quả; Nhưng lõi kỹ thuật số tạo ra một mô hình đã được hiệu chỉnh chứ không phải AI. Nếu không hiệu chuẩn (số trường trùng khớp), mọi đầu ra đều không thể tin cậy được. Các kịch bản cần được cấu trúc rõ ràng, so sánh với kịch bản cơ sở và tất cả các phương thức vận tải (người đi bộ, phương tiện công cộng, xe cộ) cần được tính đến. Đánh giá cuối cùng thuộc về chuyên gia vận tải có thẩm quyền.
Nhiệm vụ ứng dụng
Chọn một câu hỏi về giao thông (ví dụ: tác động của việc phát triển nhà ở mới ở giao lộ). (1) Cấu trúc kịch bản theo mẫu thứ hai: cái gì thay đổi, cái gì không đổi, cái gì đo lường được, cái gì là kịch bản cơ sở? (2) Kiểm tra chất lượng dữ liệu hiện có của bạn bằng mẫu thứ ba và liệt kê dữ liệu còn thiếu để hiệu chỉnh. (3) Tóm tắt đầu ra của mô hình giả định với mẫu đầu tiên vào ghi chú lắp ráp và kiểm tra tuyên bố về độ không chắc chắn. (4) Viết lý do căn bản về loại khả năng tiếp cận (người đi bộ/phương tiện công cộng/xe cộ) mà bạn nên tìm kiếm.
danh sách kiểm tra
- [ ] Tôi đã truy vấn trạng thái hiệu chuẩn trước khi sử dụng đầu ra mô hình.
- [ ] Tôi nhận được số lượng âm lượng/độ trễ từ mô hình đã hiệu chỉnh chứ không phải AI.
- [ ] Tôi đã cấu trúc kịch bản một cách rõ ràng và so sánh nó với một kịch bản cơ bản.
- [ ] Tôi đã đánh giá các loại phương tiện giao thông công cộng, người đi bộ và phương tiện cùng nhau.
- [ ] Tôi đã nêu rõ các giả định (năm kịch bản, ma trận nhu cầu).
- [ ] Tôi để lại đánh giá cuối cùng cho chuyên gia vận tải có thẩm quyền.
- [ ] Tôi đã viết phần hiệu chuẩn và độ không đảm bảo trong báo cáo.