Χρήση Μηχανικής Μάθησης για την Ενθάρρυνση της Βιώσιμης Μεταφοράς

Η μηχανική μάθηση αποτελεί κλάδο της τεχνητής νοημοσύνης που εντοπίζει σχέσεις στα δεδομένα και παράγει προβλέψεις. Μπορεί να συμβάλει στην αντιμετώπιση σύνθετων προβλημάτων, μεταξύ άλλων στον σχεδιασμό δικτύων βιώσιμων μεταφορών και κινήτρων για τη χρήση τους.

Αλγόριθμοι Μηχανικής Μάθησης

Υπάρχουν διαφορετικές μέθοδοι μηχανικής μάθησης, κατάλληλες για διαφορετικές απαιτήσεις. Παραδείγματα είναι τα τεχνητά νευρωνικά δίκτυα, τα δέντρα αποφάσεων και οι μηχανές διανυσμάτων υποστήριξης. Η απόδοσή τους εξαρτάται από τα δεδομένα, την εκπαίδευση και την εφαρμογή.
Οι προτάσεις του Netflix (NFLX ), οι ροές κοινωνικών δικτύων, ορισμένα chatbot και συστήματα αυτόνομης οδήγησης χρησιμοποιούν μηχανική μάθηση. Οι μέθοδοι αυτές μπορούν να προσφέρουν χρήσιμες εκτιμήσεις, αλλά δεν είναι όλες ταχείες, οικονομικές ή αλάνθαστες. Η χρησιμότητά τους στις μεταφορές χρειάζεται αξιολόγηση για κάθε περίπτωση.

Στόχοι Βιώσιμης Μεταφοράς

Η ανάγκη περιορισμού της ρύπανσης ενισχύει το ενδιαφέρον για βιώσιμες μετακινήσεις. Το περπάτημα, το ποδήλατο, οι δημόσιες συγκοινωνίες και τα ηλεκτρικά οχήματα προσφέρουν διαφορετικές επιλογές. Το περιβαλλοντικό όφελος εξαρτάται από την ενέργεια, την υποδομή και τον τρόπο χρήσης.

Απαιτείται Καίρια Αλλαγή

Η κυκλοφοριακή συμφόρηση επιβαρύνει πολλές πόλεις και επηρεάζει το περιβάλλον και την καθημερινότητα. Καλύτερα δίκτυα μεταφορών μπορούν να μειώσουν αυτές τις επιβαρύνσεις. Η μηχανική μάθηση μπορεί να υποστηρίξει τον σχεδιασμό, χωρίς να εγγυάται από μόνη της οικονομικό ή περιβαλλοντικό αποτέλεσμα.
Οι αλγόριθμοι χρειάζεται να λαμβάνουν υπόψη πολλούς παράγοντες. Το ζητούμενο δεν περιορίζεται σε αυτοκίνητα που εξοικονομούν καύσιμα, αλλά περιλαμβάνει πόλεις όπου οι κάτοικοι έχουν ασφαλείς και προσβάσιμες εναλλακτικές μετακίνησης.

Προς πιο βιώσιμες μετακινήσεις

Πολλές πόλεις επεκτείνουν τις ποδηλατικές διαδρομές. Η σωστή χωροθέτηση μπορεί να διευκολύνει τη μετακίνηση, την τοπική δραστηριότητα και τη σωματική άσκηση. Τα αποτελέσματα εξαρτώνται από την ασφάλεια, τη συνέχεια του δικτύου και την πρόσβαση στους προορισμούς.
Το Τορόντο αποτελεί παράδειγμα πόλης με εκτεταμένο δίκτυο ποδηλατικών υποδομών. Τέτοιες παρεμβάσεις μπορούν να ενθαρρύνουν τη χρήση συμβατικών και ηλεκτρικών ποδηλάτων. Η μείωση ατυχημάτων ή η αύξηση χρήσης πρέπει να αξιολογείται με συγκεκριμένα δεδομένα και όχι να θεωρείται αυτόματη.

Προβλήματα πολεοδομικού σχεδιασμού όπου μπορεί να βοηθήσει η μηχανική μάθηση

Ένα βασικό εμπόδιο για τους σχεδιαστές είναι η έλλειψη κατάλληλων δεδομένων υποδομής και μετακινήσεων. Πριν προστεθεί ένας ποδηλατόδρομος, χρειάζεται να εξεταστούν οι επιπτώσεις στην κυκλοφορία και η σύνδεσή του με το υπόλοιπο δίκτυο. Απομονωμένα τμήματα μπορεί να εξυπηρετούν λιγότερους χρήστες.
Η μηχανική μάθηση μπορεί να συνδυάσει δεδομένα κυκλοφορίας με τη γεωγραφία και τη διάταξη μιας πόλης. Οι προσομοιώσεις βοηθούν στη σύγκριση εναλλακτικών διαδρομών, αλλά η επιλογή εξαρτάται και από ασφάλεια, πρόσβαση, κόστος και κοινωνικές ανάγκες.

Συνολικό όφελος και ισότιμη πρόσβαση

Μια μελέτη συνέκρινε τρεις προσεγγίσεις σχεδιασμού: μεγιστοποίηση του συνολικού οφέλους σε επίπεδο πόλης, αντίστοιχη προσέγγιση ανά περιοχή και προτεραιότητα στην ισότητα. Τα οφέλη μιας διαδρομής μπορεί να εκτείνονται πέρα από την περιοχή κατασκευής της. Τα ευρήματα μπορούν να πληροφορήσουν μελλοντικά υπολογιστικά εργαλεία· η ίδια η μελέτη δεν πρέπει να παρουσιάζεται ως εφαρμογή μηχανικής μάθησης.

Έλλειψη Κινήτρων για Βιώσιμη Μεταφορά

Η μηχανική μάθηση μπορεί επίσης να βοηθήσει στην κατανόηση της υιοθέτησης βιώσιμων επιλογών. Η τιμή των καυσίμων επηρεάζει τη ζήτηση ηλεκτρικών οχημάτων, μαζί με το κόστος αγοράς, τις υποδομές, την πολιτική και άλλους παράγοντες. Η πορεία δεν ήταν ίδια σε όλες τις δυτικές χώρες.

Οι ποσοτικές μέθοδοι βοηθούν στην ιεράρχηση επενδύσεων υποδομής. Ορισμένες εφαρμογές εξετάζουν επίσης ψηφιακά κίνητρα και blockchain, αλλά αυτές οι τεχνολογίες δεν είναι απαραίτητες για κάθε πρόγραμμα βιώσιμων μετακινήσεων.

Το blockchain μπορεί να καταγράφει συναλλαγές και ανταμοιβές μέσω ψηφιακών διακριτικών. Δεν εξασφαλίζει αυτόματα επεξεργασία τεράστιων όγκων δεδομένων σε πραγματικό χρόνο ή ορθότητα των μετρήσεων. Οι εφαρμογές ανταμοιβής κίνησης μπορούν να καταγράφουν βήματα και ποδηλασία, αλλά χρειάζονται αξιόπιστη επαλήθευση και βιώσιμο οικονομικό μοντέλο.

Πώς μπορεί η τεχνητή νοημοσύνη να βοηθήσει στον σχεδιασμό βιώσιμων μετακινήσεων;

Η μηχανική μάθηση μπορεί να συνδυάζει ιστορικά και πρόσφατα δεδομένα. Οι σχεδιαστές μπορούν να χρησιμοποιούν τις εκτιμήσεις για να εξετάζουν και να συγκρίνουν επιλογές υποδομής, διατηρώντας την ανθρώπινη κρίση και τη δημόσια διαβούλευση.
Οι αλγόριθμοι μπορούν να συνεκτιμούν περιβαλλοντικές και κυκλοφοριακές πληροφορίες και να βελτιώνουν ορισμένες προβλέψεις. Η ποιότητα του αποτελέσματος εξαρτάται από την αντιπροσωπευτικότητα των δεδομένων και την επικύρωση του μοντέλου.

Η Αύξηση της Πολυμορφίας των Διαδρομών Ενθαρρύνει τις Πρακτικές Βιώσιμης Μεταφοράς;

Περισσότερες ασφαλείς και συνδεδεμένες διαδρομές μπορούν να κάνουν τις βιώσιμες μετακινήσεις πιο ελκυστικές. Πιθανά οφέλη είναι η άσκηση, ο χαμηλότερος θόρυβος και η μικρότερη εξάρτηση από καύσιμα. Ο σχεδιασμός πρέπει να εξυπηρετεί πραγματικούς προορισμούς και να αξιολογεί την εξοικονόμηση χρόνου.

Υποδομή Φόρτισης

Η μηχανική μάθηση μπορεί να βοηθήσει στη χωροθέτηση σταθμών φόρτισης, εκτιμώντας τη ζήτηση και την προσβασιμότητα. Για ευρύτερη χρήση ηλεκτρικών οχημάτων χρειάζεται αξιόπιστη υποδομή και σε κοινότητες που σήμερα δεν εξυπηρετούνται επαρκώς.

Τα μοντέλα μπορούν επίσης να υποστηρίζουν τον προγραμματισμό φόρτισης και τη διαχείριση μπαταριών. Πιθανή μείωση του χρόνου φόρτισης ή της φθοράς εξαρτάται από τη χημεία της μπαταρίας, τη θερμοκρασία και τον εξοπλισμό· δεν αποτελεί γενική εγγύηση.

Μείωση της Ατμοσφαιρικής Ρύπανσης

Η ατμοσφαιρική ρύπανση επηρεάζει την υγεία και η έκθεση κοντά σε δρόμους μεγάλης κυκλοφορίας μπορεί να αυξήσει κινδύνους. Η ποιότητα του αέρα αποτελεί έναν από πολλούς παράγοντες ανάπτυξης της ηλεκτροκίνησης, μεταξύ άλλων στην Κίνα.

Τα αμιγώς ηλεκτρικά οχήματα δεν εκπέμπουν καυσαέρια από εξάτμιση. Παραμένουν όμως εκπομπές από παραγωγή ενέργειας και οχημάτων, καθώς και σωματίδια από ελαστικά και δρόμους. Συνεπώς, η βελτίωση της ποιότητας του αέρα δεν είναι αυτομάτως ανάλογη με το ποσοστό ηλεκτρικών οχημάτων.

Υποστήριξη για Κοινότητες EV

Συστήματα μηχανικής μάθησης μπορούν να υποστηρίζουν την εξυπηρέτηση πελατών και την αναζήτηση πληροφοριών. Εφαρμογές σύνδεσης ιδιοκτητών ηλεκτρικών οχημάτων ή σκούτερ μπορούν να διευκολύνουν την ανταλλαγή εμπειριών, με κατάλληλη προστασία προσωπικών δεδομένων.

Εταιρείες με πιθανές εφαρμογές μηχανικής μάθησης στις μεταφορές

Στην αγορά ηλεκτρικών αυτοκινήτων και ποδηλάτων δραστηριοποιούνται πολλοί κατασκευαστές. Ακολουθεί ένα ιστορικό εταιρικό παράδειγμα. Η ενσωμάτωση μηχανικής μάθησης δεν συνεπάγεται αυτόματα αύξηση εσόδων ή επενδυτική απόδοση.

Vista Outdoor

Η Vista Outdoor έγινε ανεξάρτητη αμερικανική εταιρεία το 2015, με δραστηριότητα στον εξοπλισμό υπαίθριων δραστηριοτήτων. Το 2021 απέκτησε την QuietKat, κατασκευάστρια ηλεκτρικών ποδηλάτων εκτός δρόμου.

Τα ηλεκτρικά ποδήλατα QuietKat περιλαμβάνουν μοντέλα με κινητήρες 750–1.000 W, ανάλογα με τη διαμόρφωση. Είναι σχεδιασμένα για χρήση εκτός δρόμου. Η τεχνολογία VPO επιτρέπει επιλογή διαμορφώσεων λειτουργίας και ισχύος· δεν είναι απλώς σύστημα παρακολούθησης του πεταλαρίσματος.

Η πανδημία επηρέασε τις μετακινήσεις και τις συνθήκες της αγοράς ηλεκτρικών ποδηλάτων. Δεν τεκμηριώνεται εδώ ότι η QuietKat υπέστη συγκεκριμένες μεγάλες απώλειες ή ότι η μεταγενέστερη ζήτηση προκάλεσε άμεσα βελτίωση των συνολικών αποτελεσμάτων της Vista Outdoor.

Τον Οκτώβριο 2024, η Vista Outdoor ανακοίνωσε συμφωνίες για την πώληση των δύο δραστηριοτήτων της μέσω ξεχωριστών συναλλαγών, με συνολική επιχειρηματική αξία περίπου $3,35 δισ., συμπεριλαμβανομένου χρέους. Δεν επρόκειτο για έναν ήδη ολοκληρωμένο διαχωρισμό με ενιαίο τίμημα. Η χρηματιστηριακή αξία $2,58 δισ. που αναφέρεται στο άρθρο είναι διαφορετικό μέγεθος και ιστορικό στιγμιότυπο. Η προσέγγιση της VSTO ως «αγοράς» αποτελεί επενδυτική άποψη, όχι εγγύηση απόδοσης ή καθαρή έκθεση στην ηλεκτροκίνηση.

Μια Νέα Εποχή Βιώσιμης Μεταφοράς

Ο σχεδιασμός βιώσιμων μεταφορών απαιτεί συνεργασία δημόσιων φορέων, κατασκευαστών και κατοίκων. Η μηχανική μάθηση μπορεί να βοηθήσει στην ανάλυση και στην αξιολόγηση επιλογών. Τα περιβαλλοντικά και κοινωνικά οφέλη εξαρτώνται από την υλοποίηση, την πρόσβαση και τη χρήση των υποδομών.
Μάθετε για άλλα έργα τεχνητής νοημοσύνης.