Paggamit ng Machine Learning para Hikayatin ang Napapanatiling Transportasyon

Machine learning ay isa sa pinaka-advanced na anyo ng AI na kasalukuyang magagamit. Ang kakayahan nitong magrehistro, mag-uugnay, at magpahayag ng datos ay ginagawa itong perpektong solusyon para sa maraming pinakamahalagang isyu ngayon. Kamakailan, binigyan ang teknolohiyang ito ng bagong kaso ng paggamit, na tumutulong sa pagpaplano at paghimok ng napapanatiling mga network ng transportasyon.

Mga Algorithm ng Machine Learning

Ang mga algorithm ng machine learning ay maraming anyo ngayon at ginagamit sa paligid mo. Patuloy na pinapabuti ng mga sistemang ito ang kanilang partikular na kakayahan, at ngayon ay may maraming ML algorithm na maaaring gamitin batay sa iyong pangangailangan. Ilan sa mga kilalang halimbawa ay ang artificial neural networks, decision trees, at support vector machines.
Kapag nag-scroll ka sa mga inirerekomendang Netflix (NFLX ) suggestions at social media feeds, nakikipag-ugnayan sa mga chatbot ng kumpanya, o sumasakay sa mga autonomous vehicle, umaasa ka sa mga ML algorithm. Ang tatlong sistemang ito ay mabilis, mababa ang gastos sa pagpapatakbo, epektibo, at nagbibigay ng bagong antas ng kaalaman. Ang lahat ng mga salik na ito ay ginagawang perpekto ang mga ML algorithm para itulak pasulong ang mga napapanatiling network ng transportasyon.

Mga Layunin ng Napapanatiling Transportasyon

Habang tumataas ang polusyon at patuloy na lumalala ang kalagayang pangkapaligiran, patuloy na tumataas ang pangangailangan para sa mga napapanatiling opsyon sa transportasyon kasabay ng pagdami ng mga ito. Ngayon, maraming paraan na para makarating sa destinasyon nang hindi gumagamit ng fossil fuels. Mula sa mga EV hanggang sa pagpedal ng bisikleta, tumataas ang paggamit ng napapanatiling transportasyon.

Kailangan ng Mahalaga na Pagbabago

Wala nang oras na dapat sayangin sa pagpapabuti ng mga network ng napapanatiling transportasyon. Marami nang sobrang sasakyan sa mga kalsada sa mga lungsod sa buong mundo. Ang sitwasyong ito ay nagdudulot ng pagsisikip, pagkabigo, at pinsalang pangkapaligiran. Maaaring makatulong ang machine learning upang mabawasan ang pag-asa ng mundo sa fossil fuels at magdala ng mas kumita at mas berdeng pamumuhay.
Upang maisakatuparan ito, kailangang lumikha ang mga developer ng ML ng mga algorithm na isinasaalang-alang ang napakaraming salik. Ang paggamit ng machine learning upang itulak ang napapanatiling transportasyon ay higit pa sa mga self-driving na sasakyan na nagtitipid ng gasolina; ito ay tungkol sa paglikha ng lungsod na naghihikayat at nagbibigay insentibo sa mga tao na gumamit ng lahat ng anyo ng berdeng transportasyon.

Ang Green Drive

Maaari mo nang makita ang pagnanais para sa napapanatiling transportasyon sa maraming lungsod, kung saan ang mga bike trail at lane ay nagiging mas karaniwan. Ang mga lane na ito, kung maayos ang pagkakalagay, ay tumutulong sa pag-unlad ng ekonomiya, pagpapabuti ng lokal na kapaligiran, at pagpapanatiling malusog ang mga mamamayan. Sa mga lungsod kung saan na-integrate na ang mga bike lane, nag-iba-iba ang mga resulta dahil sa mga susi na salik tulad ng lokasyon ng lane, accessibility, at iba pang logistikal na isyu.
Sa mga lungsod kung saan matagumpay na naipakilala ang mga bike lane, nakaka-inspire ang mga resulta. Ang mga lungsod tulad ng Toronto ay nag-integrate ng mga bike lane at landas na umaabot sa buong lungsod. Ang mga trail ay nagdulot ng mas kaunting aksidente sa bisikleta, mas maraming tao ang nagbibisikleta, at pangkalahatang pagtaas sa paggamit ng e-bikes para maglakbay sa paligid ng lungsod.

Mga Suliranin na Hinarap ng mga Tagaplano ng Lungsod na Maaaring Lutasin ng mga Sistema ng Machine Learning

Isa sa mga pangunahing suliranin na kinahaharap ng mga tagaplano ng lungsod ay ang kakulangan ng datos sa imprastruktura. Maaaring nais ng iyong lungsod na mag-integrate ng bike lane sa lalong madaling panahon. Gayunpaman, kailangan nilang magsagawa ng maraming pananaliksik upang makita kung paano ito makakaapekto sa trapiko at iba pang mahahalagang salik. Dapat i-optimize ng mga tagaplano ang lokasyon ng mga bike pathway upang matiyak ang pagkakaugnay-ugnay sa halip na magkalat at hindi konektadong mga ruta na walang tunay na layunin.
Maaaring kunin ng Machine Learning ang napakalaking dami ng datos at i-cross-reference ito sa lokasyon-specific na impormasyon tulad ng layout ng lungsod. Ang estratehiyang ito ay nagbibigay-daan sa AI na magsagawa ng mga simulation gamit ang aktwal na datos mula sa mga lokasyon na may katulad na kondisyon upang matukoy ang pinakamainam na ruta. Mahalaga, ang pagtukoy ng pinakamainam na ruta ay nangangailangan ng mas maraming konsiderasyon kaysa kung ang isang pathway ay akma at kung ito ay dumadaan sa mahahalagang sentro ng komunidad.

Utilitarian vs. Equity

Isang pag-aaral na maaaring magbigay ng mahalagang datos sa mga ML system sa hinaharap ay sinuri ang mga metodong utilitarian vs. equity-driven na pag-route ng mga pathway. Ang mga mananaliksik ay nagrepaso ng tatlong modelo, isang city-wide utilitarian model, isang region-based utilitarian model, at isang equity-driven model. Natuklasan ng mga mananaliksik na ang pagpaplano ng pinakamainam na bike pathways ay mas kumplikado kaysa inaasahan dahil sa maraming pagkakataon, ang pinakamalaking benepisyo sa isang rehiyon ay madalas na nasa labas ng nasabing lugar. Dahil dito, maaaring gamitin ang mga algorithm ng machine learning upang matukoy kung paano magdisenyo ng maaasahang access sa mga napapanatiling network ng transportasyon na nakikinabang sa buong komunidad.

Kakulangan ng Insentibo para sa Napapanatiling Transportasyon

Maaari ring gumanap ang machine learning ng mahalagang papel sa pagpapasigla ng pag-aampon ng napapanatiling transportasyon. Sa nakaraang 2 dekada, mabagal ang pag-usbong ng EVs sa Kanluran. Sa loob ng maraming taon, bumababa ang interes sa teknolohiyang ito kung bumaba ang presyo ng gasolina.

Hindi ito nangyari hanggang kamakailan lamang na ang mga bansang Kanluranin ay nagsimulang bumuo ng mga kwantitatibong pamamaraan upang mas mahusay na bigyang prayoridad ang imprastruktura para itulak ang pag-aampon. Kamakailan, lumipat ang mga developer patungo sa isa pang umuusbong na teknolohiya na maaaring magkasabay sa ML system upang hikayatin ang mga pasahero na gumamit ng napapanatiling opsyon sa transportasyon, ang blockchain.

Pinahihintulutan ng teknolohiyang blockchain ang mga sistemang ito na magproseso ng napakalaking dami ng datos sa real-time at magbigay ng tumpak na gantimpala gamit ang mga custom na token upang hikayatin ang mga gumagamit. Ang modelong ito ay ginagamit na sa maraming industriya, kabilang ang umuusbong na move-to-earn sector. Katulad nito, nagrereward ang mga M2E app sa mga gumagamit para manatiling aktibo. Pinapayagan ng mga sistemang ito ang mga gumagamit na subaybayan ang kanilang mga hakbang, aktibidad sa bisikleta, at iba pa, na nagkakamit ng gantimpala batay sa kanilang mga aksyon.

Paano Mapapahusay ng AI ang Pagpaplano ng Lungsod para sa Personal na Napapanatiling Transportasyon?

Pinagsasama ng Machine Learning ang pinakamahusay sa dalawang mundo dahil kaya nitong kunin ang historikal na datos at i-cross-reference ito sa real-time na impormasyon upang makagawa ng mahusay na desisyon. Maaaring gamitin ng mga tagaplano ng lungsod ang impormasyong ito upang bumuo, subukan, isama, at kahit magtayo ng kapaki-pakinabang na mga opsyon sa transportasyon.
Pinahihintulutan ng mga algorithm ng Machine Learning ang mga tagaplano ng lungsod na i-integrate ang mga napapanatiling opsyon sa pangunahing imprastruktura ng komunidad sa bagong antas. Maaari nilang isaalang-alang ang mga panlabas na salik tulad ng napakalaking dami ng historikal at pangkapaligirang datos. Ang kakayahang ito ay nagbibigay-daan sa mga tagaplano na mas tumpak na mahulaan ang daloy ng trapiko.

Nagbibigay ba ng Insentibo ang Pagpapalawak ng Kakayahang Gamitin ang mga Ruta sa mga Praktika ng Napapanatiling Transportasyon?

Ang pagpapalawak ng kakayahang gamitin ng mga ruta ng napapanatiling transportasyon ay tiyak na magpapasigla ng insentibo. Nakikinabang ang mga pasahero at rider sa mas malusog na pamumuhay, mas kaunting ingay na polusyon, mas kaunting pag-asa sa gasolina, at iba pang positibo. Bukod pa rito, maaaring itayo ang mga bagong ruta gamit ang patnubay ng ML na nakakatipid ng oras at nagbibigay ng kahanga-hangang tanawin, habang nagbibigay ng access sa mga sentro ng aktibidad ng lungsod.

Imprastruktura ng Pagcha-charge

Gagampanan ng mga system ng machine learning ang mahalagang papel sa pagtukoy ng layout ng imprastruktura ng pagcha-charge para sa mga EV. May momentum ang mga EV, subalit marami pa ring komunidad na walang kahit isang charging station. Upang mapabuti ang pag-aampon, kailangang lumikha ng isang praktikal at madaling ma-access na imprastruktura ng pagcha-charge.

Tutulungan din ng mga system ng Machine Learning ang pagpapabuti ng kahusayan ng pagcha-charge. Ang kahusayan ng pagcha-charge ng EV ay isang malaking alalahanin habang mas maraming tao ang lumilipat sa ganap na elektrikal na sasakyan. Maaaring tumagal ng oras ang pagcha-charge ng baterya ng EV. Maaaring makatulong ang mga algorithm ng ML na paikliin ang oras habang pinapabuti ang kabuuang buhay ng baterya ng iyong sasakyan.

Bawasan ang Polusyon sa Hangin

Ang hangin na iyong nilalanghap ay may direktang epekto sa iyong kalusugan. Dahil dito, karaniwan para sa mga nakatira malapit sa malalaking highway na makaranas ng ilang anyo ng problema sa baga habang tumatanda. Ito ang naging pangunahing dahilan para sa merkado ng Tsina, na ngayon ay, nang walang duda, ang pinakamalaki at pinaka-aktibong ekonomiya ng EV sa buong mundo.

Hindi naglalabas ng emisyon ang mga sistemang EV, kaya’t perpekto ito para mapanatili ang kalinisan ng hangin at maiwasan ang mapanganib na sitwasyon kung saan ang mga mamamayan ay nalalantad sa nakamamatay na kemikal buong araw nang hindi napapansin. Habang dahan-dahang nagiging karamihan ng mga sasakyan sa kalsada ang mga EV, dapat tumaas nang proporsyonal ang kalidad ng hangin.

Suporta para sa mga Komunidad ng EV

Ang mga system ng machine learning ay tumutulong na sagutin na ang mga tanong ng mga kliyente sa mga manufacturer sa panahon ng proseso ng pagbebenta. Sa hinaharap, maaaring gawing mas madali pa ang pagmamay-ari ng scooter gamit ang parehong konsepto. Maaaring tulungan ng mga algorithm ng machine learning na ikonekta ka sa ibang mga may-ari ng EV upang magbahagi ng impormasyon, konsepto, at kwento.

Mga Kumpanya na Maaaring Makikinabang mula sa Mga Sistema ng Machine Learning para sa Angkop na Insentibo sa Transportasyon

Kakaunti lamang ang oras para mapansin na sumasabog ang merkado ng EV. Mula sa mga de-kuryenteng kotse hanggang sa e-bikes, maraming manufacturer ang pumapasok sa sektor na ito, at ang mga opsyon ng produkto ay umabot na sa rekord na bilang. Narito ang isang kumpanya na maaaring mag-integrate ng mga algorithm ng Machine Learning upang agad na mapalago ang kita.

Vista Outdoor

Inilunsad ang Vista Outdoor noong 2015 bilang isang Amerikanong tagagawa at designer ng outdoor gear. Lumago ang kumpanya sa isang napakalaking operasyon na ngayon ay kumokontrol sa maraming subsidiary sa industriya. Isang proyektong nagdala ng malaking tagumpay sa kumpanya ay ang QuietKat e-bikes.

Nag-aalok ang QuietKat e-bikes ng top-notch na performance gamit ang 750w – 1000w mid-drive motors at premium na materyales. Ang mga unit na ito ay dinisenyo para harapin ang off-road na kondisyon at kinikilala bilang all-terrain bicycles. Dagdag pa rito, kasama ang proprietary VPO technology ng kumpanya na nagmo-monitor ng iyong pedal at nagbibigay ng karagdagang puwersa kapag kailangan.
Nagdanas ng kahirapan ang QuietKat noong unang bahagi ng pagkalat ng COVID-19, at walang nakapagbiyahe. Ang kakulangan ng pagbiyahe ay nagdulot ng malaking pagkalugi sa kumpanya. Gayunpaman, tumaas ang demand para sa e-bikes mula nang matapos ang pandemya, at ngayon, ang QuietKat e-bikes ay nangungunang tagapagbigay ng professional-grade na off-roading bikes. Ang paglago na ito ay nagdulot ng direktang pagtaas sa performance ng Vista Outdoor.
Kamakailan, nilagdaan ng Vista Outdoor ang isang sales agreement na hinati ang kumpanya sa dalawang bahagi para sa $3.35 bilyon, kasama ang utang. Ang balita ng pagbebenta ay nagdulot ng kumpiyansa sa mga mamumuhunan habang umabot ang VSTO stock sa $2.58B market cap. Ang balitang ito ay sumunod sa anunsyo na ilalabas ng kumpanya ang pinakabagong financial statement nito sa lalong madaling panahon. Ang mga salik na ito ay ginagawa ang VTSO bilang isang “buy” para sa mga trader na naghahanap ng access sa merkado ng EV.

Isang Bagong Panahon ng Napapanatiling Transportasyon

Narito na ang panahon ng napapanatiling transportasyon. Ngayon, panahon na para magtulungan ang mga tagaplano ng lungsod at mga manufacturer upang gawing mas madali at mas accessible ang paglipat. Dahil dito, maaari mong asahan ang karagdagang integrasyon ng teknolohiyang ito sa sektor ng transportasyon, na maaaring magresulta sa mas malinis at mas ligtas na ruta ng paglalakbay para sa karamihan ng tao sa lalong madaling panahon.
Alamin ang iba pang mga cool na AI Projects.