استخدام التعلم الآلي لتحفيز النقل المستدام

التعلم الآلي فرع من الذكاء الاصطناعي يستخرج العلاقات من البيانات ويولد التوقعات. ويمكن أن يدعم معالجة مشكلات معقدة، منها تخطيط شبكات النقل المستدام وتصميم حوافز لاستخدامها.

خوارزميات التعلم الآلي

توجد أساليب مختلفة للتعلم الآلي تناسب احتياجات مختلفة، منها الشبكات العصبية الاصطناعية وأشجار القرار وآلات المتجهات الداعمة. وتعتمد نتائجها على البيانات والتدريب وطبيعة التطبيق.

تستخدم توصيات Netflix (NFLX ) وشبكات التواصل وبعض روبوتات المحادثة وأنظمة القيادة الذاتية التعلم الآلي. ويمكن أن توفر هذه الأساليب تحليلات مفيدة، لكنها ليست دائماً سريعة أو قليلة التكلفة أو خالية من الأخطاء. وتحتاج فائدتها في النقل إلى تقييم لكل تطبيق.

أهداف النقل المستدام

تزيد الحاجة إلى خفض التلوث الاهتمام بالنقل المستدام. ويقدم المشي وركوب الدراجات والنقل العام والمركبات الكهربائية خيارات مختلفة. وتعتمد الفائدة البيئية على مصادر الطاقة والبنية التحتية وطريقة الاستخدام.

المصدر: ماركت ووتش — أعلى معدلات استخدام النقل المستدام في الولايات المتحدة

التغيير الحيوي ضروري

تعاني مدن كثيرة الازدحام وآثاره على البيئة والحياة اليومية. وقد تخفف شبكات النقل الأفضل هذه الأعباء. ويمكن للتعلم الآلي دعم التخطيط، لكنه لا يضمن وحده نتيجة اقتصادية أو بيئية محددة.

ينبغي للخوارزميات مراعاة عوامل عديدة. فالهدف يتجاوز سيارات ذاتية القيادة توفر الوقود، ليشمل إتاحة خيارات آمنة ويسهل الوصول إليها طوال الرحلة.

نحو تنقل أكثر استدامة

توسع مدن عديدة مسارات الدراجات. وقد تساعد المواقع المناسبة في النشاط المحلي وتسهيل الحركة البدنية. وتختلف النتائج تبعاً للسلامة وسهولة الوصول وترابط الشبكة.

تمثل تورونتو مثالاً لمدينة ذات بنية واسعة للدراجات. وقد تشجع هذه التدخلات الدراجات التقليدية والكهربائية. لكن تغير أعداد الحوادث أو المستخدمين يجب قياسه ببيانات محددة، لا افتراضه تلقائياً.

مشكلات التخطيط التي قد يساعد التعلم الآلي في معالجتها

يفتقر مخططو المدن أحياناً إلى بيانات كافية عن البنية التحتية وعادات التنقل. وقبل إضافة مسار للدراجات، يجب دراسة أثره على المرور واتصاله بباقي الشبكة. وقد تحقق المقاطع المعزولة فائدة أقل من المسارات المترابطة.

يمكن للتعلم الآلي الجمع بين بيانات المرور وجغرافية المدينة وشبكة شوارعها. وتساعد المحاكاة في مقارنة البدائل، لكن اختيار المسار يعتمد أيضاً على السلامة والتكلفة وإمكانية الوصول واحتياجات السكان.

المنفعة الإجمالية والعدالة في الوصول

قارنت دراسة ثلاث مقاربات: تعظيم المنفعة للمدينة كلها، وتعظيمها داخل كل منطقة، وإعطاء الأولوية للعدالة. وقد تظهر فوائد المسار خارج المنطقة التي يُبنى فيها. ويمكن للنتائج أن تفيد أدوات تحليل مستقبلية؛ ولا تمثل الدراسة نفسها تطبيقاً للتعلم الآلي.

نقص الحوافز للنقل المستدام

قد يساعد التعلم الآلي في فهم عوامل تبني النقل المستدام. وتؤثر أسعار الوقود في الطلب على المركبات الكهربائية إلى جانب سعر الشراء والشحن والسياسات وعوامل أخرى. ولم يكن المسار متماثلاً في جميع الدول الغربية.

يمكن للأساليب الكمية المساعدة في ترتيب أولويات الاستثمار. وتبحث بعض التطبيقات أيضاً المكافآت الرقمية وسلاسل الكتل، لكن هذه التقنيات ليست ضرورية لكل برنامج نقل مستدام.

يمكن لسلسلة الكتل تسجيل المعاملات والمكافآت باستخدام رموز رقمية. لكنها لا تضمن تلقائياً صحة قياسات النشاط أو معالجة كميات هائلة من البيانات فورياً. وقد تتتبع تطبيقات مكافأة الحركة الخطوات وركوب الدراجات، لكنها تحتاج إلى تحقق موثوق ونموذج اقتصادي قابل للاستمرار.

كيف يمكن للذكاء الاصطناعي دعم تخطيط النقل المستدام؟

يمكن للتعلم الآلي الجمع بين البيانات التاريخية والمعلومات المحدثة. ويستطيع المخططون استخدام التحليلات لاختبار حلول النقل ومقارنتها، مع الإبقاء على التقييم المهني والمشاركة العامة.

قد تراعي الخوارزميات المعلومات البيئية والمرورية وتحسن بعض التوقعات. وتعتمد جودة النتائج على تمثيل البيانات للواقع والتحقق من صلاحية النماذج.

هل يزيد تنوع المسارات من حوافز ممارسات النقل المستدام؟

قد تجعل المسارات الآمنة والمترابطة النقل المستدام أكثر جاذبية. وتشمل الفوائد المحتملة مزيداً من النشاط وضوضاء أقل واعتماداً أقل على الوقود. ويجب أن تربط المسارات وجهات فعلية وأن تُقيّم وفورات الوقت عملياً.

البنية التحتية للشحن

يمكن للتعلم الآلي دعم اختيار مواقع الشحن بتقدير الطلب وسهولة الوصول. ويتطلب توسيع استخدام المركبات الكهربائية بنية موثوقة، بما فيها المجتمعات التي لا تُخدم جيداً حالياً.

يمكن للنماذج أيضاً دعم جدولة الشحن وإدارة البطاريات. ويعتمد تقليل زمن الشحن أو التدهور على كيمياء البطارية وحرارتها والمعدات، ولا يمكن ضمانه لجميع المركبات.

خفض تلوث الهواء

يؤثر تلوث الهواء في الصحة، وقد يزيد التعرض قرب الطرق المزدحمة بعض المخاطر. وجودة الهواء أحد عوامل عديدة تدفع إلى كهربة النقل، بما في ذلك في الصين.

لا تصدر المركبات الكهربائية بالكامل عوادم من أنبوب عادم. لكن إنتاج الكهرباء والمركبات وجسيمات الإطارات والطرق تظل مصادر للأثر البيئي. ولذلك لا تتحسن جودة الهواء تلقائياً بنسبة مساوية لحصة المركبات الكهربائية.

دعم مجتمعات السيارات الكهربائية

يمكن للتعلم الآلي دعم خدمة العملاء والبحث عن المعلومات. وقد تربط التطبيقات ملاك السيارات أو السكوترات الكهربائية لتبادل الخبرات، مع حماية مناسبة للبيانات الشخصية.

شركات ذات استخدامات محتملة للتعلم الآلي في النقل

يعمل مصنعون كثيرون في السيارات والدراجات الكهربائية. وفيما يلي مثال تجاري ضمن سياقه التاريخي. ولا يؤدي دمج التعلم الآلي تلقائياً إلى زيادة الإيرادات أو العوائد الاستثمارية.

Vista Outdoor

أصبحت Vista Outdoor شركة أمريكية مستقلة في 2015، تعمل في معدات الأنشطة الخارجية. وفي 2021 استحوذت على QuietKat، المصنعة للدراجات الكهربائية المخصصة للطرق الوعرة.

تشمل دراجات QuietKat الكهربائية طرازات بمحركات بين 750 و1,000 واط، بحسب التكوين. وهي مصممة للاستخدام خارج الطرق المعبدة. وتتيح تقنية VPO اختيار إعدادات تشغيل وقدرة مختلفة؛ وليست مجرد نظام لمراقبة الدواسات.

أثرت الجائحة في عادات التنقل وظروف سوق الدراجات الكهربائية. ولا يثبت هذا العرض خسائر كبيرة محددة لـQuietKat أو أن الطلب اللاحق حسّن مباشرة النتائج الإجمالية لـVista Outdoor.

في أكتوبر 2024، أعلنت Vista Outdoor اتفاقات لبيع نشاطيها عبر معاملتين منفصلتين، بقيمة منشأة إجمالية تقارب 3.35 مليار دولار شاملة الدين. ولم يكن ذلك انقساماً واحداً مكتملاً بسعر موحد. أما القيمة السوقية البالغة 2.58 مليار دولار فهي مقياس مختلف ولقطة تاريخية. ووصف VSTO بأنها فرصة «شراء» رأي استثماري، لا ضمان للعائد أو تعرض خالص لسوق المركبات الكهربائية.

عصر جديد للنقل المستدام

يتطلب النقل المستدام تعاون الجهات العامة والمصنعين والسكان. ويمكن للتعلم الآلي دعم تحليل البدائل ومقارنتها. وتعتمد الفوائد البيئية والاجتماعية على التنفيذ وسهولة الوصول واستخدام البنية التحتية.

تعرّف إلى مشروعات أخرى للذكاء الاصطناعي.