Menggunakan Pembelajaran Mesin untuk Mendorong Transportasi Berkelanjutan

Pembelajaran mesin merupakan cabang kecerdasan buatan yang mengenali pola dalam data untuk membantu klasifikasi dan prediksi. Salah satu penerapannya adalah mendukung perencanaan jaringan transportasi berkelanjutan dan merancang insentif penggunaannya.

Algoritma Pembelajaran Mesin

Algoritma pembelajaran mesin hadir dalam berbagai bentuk, termasuk jaringan saraf tiruan, pohon keputusan, dan mesin vektor pendukung. Pemilihan metode bergantung pada tugas, data, serta kebutuhan pengembang.

Rekomendasi Netflix (NFLX ), linimasa media sosial, chatbot, dan sebagian fungsi kendaraan otonom menggunakan pembelajaran mesin. Sistem tersebut dapat mengolah pola yang sulit dianalisis secara manual. Kecepatan, biaya, dan keakuratannya bergantung pada penerapan, tetapi kemampuannya berpotensi membantu perencanaan transportasi.

Tujuan Transportasi Berkelanjutan

Kebutuhan mengurangi polusi dan dampak lingkungan mendorong pengembangan transportasi berkelanjutan. Pilihannya mencakup kendaraan listrik, angkutan umum, berjalan kaki, dan bersepeda. Kendaraan listrik tidak membakar bahan bakar di mesin saat berjalan, tetapi dampak keseluruhannya tetap bergantung pada sumber listrik dan proses produksinya.

Sumber: MarketWatch — Tingkat adopsi transportasi berkelanjutan tertinggi di Amerika Serikat

Perubahan Penting Diperlukan

Banyak kota menghadapi kemacetan, polusi, dan keterbatasan ruang jalan. Pembelajaran mesin dapat membantu mengevaluasi pilihan untuk mengurangi ketergantungan pada bahan bakar fosil, asalkan didukung data dan kebijakan yang tepat.

Pengembang perlu mempertimbangkan banyak faktor, bukan hanya penghematan bahan bakar kendaraan otonom. Tujuannya adalah membantu menciptakan kota yang memudahkan dan mendorong penggunaan berbagai moda transportasi yang lebih ramah lingkungan.

Gerakan Hijau

Jalur sepeda semakin umum di banyak kota. Penempatan dan desain yang tepat dapat mendukung kegiatan ekonomi, kesehatan, dan lingkungan. Hasilnya berbeda-beda menurut keterhubungan jaringan, aksesibilitas, keselamatan, dan kondisi setempat.

Toronto, misalnya, telah memperluas jaringan jalur sepeda di berbagai bagian kota. Infrastruktur yang aman dan terhubung dapat mendorong lebih banyak orang bersepeda, termasuk menggunakan sepeda listrik. Dampak terhadap kecelakaan dan pola perjalanan perlu dinilai dengan data setempat.

Masalah yang Dihadapi Perencana Kota yang Dapat Dipecahkan oleh Sistem Pembelajaran Mesin

Salah satu tantangan perencana kota adalah keterbatasan data infrastruktur. Sebelum menambahkan jalur sepeda, mereka perlu menilai dampaknya terhadap lalu lintas dan akses. Jalur yang saling terhubung umumnya lebih berguna daripada ruas terpisah yang tidak membentuk jaringan.

Pembelajaran mesin dapat menggabungkan data perjalanan dengan informasi tata ruang dan kondisi setempat. Analisis serta simulasi dapat membantu membandingkan rute. Penilaian rute terbaik juga perlu mencakup keselamatan, akses, pemerataan manfaat, dan hubungan dengan pusat kegiatan masyarakat.

Manfaat Total versus Pemerataan

Sebuah studi membandingkan perencanaan jalur sepeda yang memaksimalkan manfaat total dengan perencanaan yang mengutamakan pemerataan geografis. Tiga pendekatannya adalah model manfaat total tingkat kota, model tingkat wilayah, dan model berbasis pemerataan. Manfaat suatu rute dapat meluas ke luar wilayah pembangunannya. Temuan tersebut dapat membantu perencanaan jaringan, meskipun studi perencanaan itu sendiri tidak otomatis merupakan penerapan pembelajaran mesin.

Kurangnya Insentif untuk Transportasi Berkelanjutan

Pembelajaran mesin juga dapat membantu memahami faktor yang memengaruhi penggunaan transportasi berkelanjutan. Selama dua dekade terakhir, adopsi kendaraan listrik dipengaruhi oleh harga kendaraan, bahan bakar, infrastruktur pengisian, dan kebijakan. Pengaruh masing-masing faktor berbeda menurut wilayah dan waktu.

Pendekatan kuantitatif dapat membantu menentukan prioritas infrastruktur dan menguji insentif perjalanan. Sebagian pengembang juga mengeksplorasi blockchain untuk mencatat aktivitas atau memberikan imbalan digital, tetapi manfaatnya perlu dibandingkan dengan sistem biasa.

Blockchain dapat mencatat transaksi dan mendistribusikan token sebagai imbalan, tetapi tidak dengan sendirinya menjamin pemrosesan data besar secara cepat atau akurat. Aplikasi bergerak-untuk-mendapatkan-imbalan, atau move-to-earn, memberi contoh insentif untuk berjalan atau bersepeda. Keandalan pengukuran, nilai token, biaya, dan privasi tetap perlu diperhatikan.

Bagaimana AI Dapat Membantu Perencanaan Transportasi Berkelanjutan?

Pembelajaran mesin dapat menggabungkan data historis dan informasi terkini untuk mendukung keputusan. Perencana kota dapat menggunakan hasilnya untuk merancang, membandingkan, dan menguji pilihan transportasi sebelum membangun infrastruktur.

Algoritma dapat mempertimbangkan pola perjalanan, lingkungan, dan karakteristik infrastruktur. Kemampuan tersebut dapat meningkatkan prediksi arus lalu lintas jika kualitas data dan model memadai; hasilnya tetap memerlukan penilaian manusia.

Apakah Meningkatkan Variasi Rute Mendorong Praktik Transportasi Berkelanjutan?

Pilihan rute yang lebih beragam dan saling terhubung dapat meningkatkan daya tarik transportasi berkelanjutan. Pengguna dapat memperoleh manfaat kesehatan dan berkurangnya kebisingan serta ketergantungan pada bahan bakar. Analisis dapat membantu mencari rute yang efisien dan memberi akses ke pusat kegiatan kota.

Infrastruktur Pengisian

Pembelajaran mesin dapat membantu menentukan lokasi infrastruktur pengisian kendaraan listrik. Beberapa komunitas masih memiliki akses terbatas. Perencanaan perlu mempertimbangkan kebutuhan pengguna, jaringan listrik, biaya, dan kemudahan akses.

Algoritma juga dapat membantu mengatur pengisian daya sesuai kondisi baterai dan jaringan. Strategi yang tepat berpotensi menyeimbangkan waktu pengisian, efisiensi, dan umur baterai, tetapi tidak menjamin semuanya membaik dalam setiap kondisi.

Mengurangi Polusi Udara

Polusi udara berdampak pada kesehatan, dan paparan emisi lalu lintas dapat meningkatkan risiko gangguan pernapasan. Pengurangan polusi merupakan salah satu alasan pengembangan kendaraan listrik, termasuk di Tiongkok, selain pertimbangan industri, energi, dan kebijakan.

Kendaraan listrik tidak menghasilkan emisi knalpot saat digunakan, tetapi tetap menimbulkan partikel dari ban dan memiliki emisi terkait pembangkitan listrik serta produksi. Pergantian kendaraan dapat memperbaiki kualitas udara setempat, namun besarnya manfaat tidak selalu berbanding lurus dengan jumlah kendaraan listrik.

Dukungan untuk Komunitas EV

Sistem pembelajaran mesin dapat membantu menjawab pertanyaan calon pembeli. Teknologi serupa berpotensi mendukung pemilik mobil, skuter, atau sepeda listrik dalam mencari informasi dan terhubung dengan komunitas pengguna.

Perusahaan yang Berpotensi Memanfaatkan Pembelajaran Mesin dalam Transportasi

Pasar kendaraan dan sepeda listrik menarik banyak produsen. Sebagian dapat menggunakan pembelajaran mesin untuk pengembangan produk, layanan, atau analisis pengguna. Namun, kemungkinan tersebut tidak membuktikan adanya penerapan tertentu atau kenaikan pendapatan dalam waktu dekat.

Vista Outdoor

Vista Outdoor mulai beroperasi sebagai perusahaan mandiri di Amerika Serikat pada 2015. Perusahaan ini menaungi berbagai merek perlengkapan luar ruang, termasuk QuietKat, produsen sepeda listrik yang diakuisisinya pada 2021.

QuietKat menawarkan sepeda listrik untuk medan luar jalan, termasuk model dengan motor 750–1.000 watt. Spesifikasi bergantung pada model. Teknologi VPO memungkinkan pengguna memilih pengaturan daya dan kelas sepeda; teknologi itu bukan sekadar sensor kayuhan, dan izin penggunaan tetap bergantung pada aturan setempat.

Pandemi mengubah permintaan serta rantai pasok industri sepeda. Namun, data yang disebutkan di sini tidak cukup untuk menyimpulkan bahwa QuietKat kehilangan laba besar karena tidak ada orang yang bepergian, atau bahwa merek itu sendiri secara langsung meningkatkan kinerja Vista Outdoor. Prospek bisnis perlu dinilai dari laporan keuangan dan kondisi pasar yang relevan.

Pada Oktober 2024, Vista Outdoor mengumumkan rencana penjualan The Kinetic Group dan Revelyst melalui transaksi terpisah dengan nilai perusahaan gabungan sekitar US$3,35 miliar, termasuk utang. Angka kapitalisasi pasar US$2,58 miliar yang disebutkan dalam artikel merupakan gambaran pada suatu waktu, bukan nilai transaksi yang sama. Pengumuman transaksi dan laporan keuangan tidak dengan sendirinya menjadikan VSTO pilihan beli untuk memperoleh eksposur kendaraan listrik.

Era Baru Transportasi Berkelanjutan

Pengembangan transportasi berkelanjutan memerlukan kerja sama perencana kota, produsen, dan masyarakat. Pembelajaran mesin dapat membantu memilih serta menguji solusi, sementara manfaat bagi kebersihan, keselamatan, dan akses bergantung pada penerapan nyata dan evaluasi hasilnya.

Pelajari proyek kecerdasan buatan menarik lainnya.