نقش هوشمند سازی در آینده حمل و نقل

فناوری ها در گذشته حل کننده مشکلات کسب و کارها بوده اند: حال چه در حوزه خرده فروشی، بانکداری، بیمه، مراقبت های بهداشتی و یا حتی ورزشی باشند. برخی از این راه حل ها از طریق کاهش هزینه های عملیاتی، بهبود و افزایش کارایی و نحوه اداره کسب و کارها را تغییر داده اند. یکی از حوزه های آتی که آخرین فناوری ها با موفقیت در آن پیاده سازی شده اند، صنعت حمل و نقل است که با مسائل مربوط به تراکم ترافیک، تأخیر غیرمنتظره و مشکلات مسیریابی که منجر به زیان های پولی در سازمان ها می شود، دست و پنجه نرم می کند.

به گزارش تین نیوز به نقل از ترابر نیوز، صنعت حمل و نقل سهم عمده ای در جا به جایی افراد و کالاها در مناطق مختلف جغرافیایی داشته است. این صنعت، نقش مهمی در سیستم مدیریت زنجیره تأمین ایفا می کند که در آن کالاها از مکانی به مکان دیگر منتقل می شوند. صنعت، نقش کلیدی در جا به جایی کالاها به مکان مناسب در زمان مناسب در زنجیره لجستیک ایفا می کند. به منظور بهره مندی کامل از یک سرمایه گذاری تجاری، فناوری هایی مانند یادگیری ماشین، هوش مصنوعی، اینترنت اشیا و سایر موارد توسط دولت ها و سازمان ها مورد استفاده قرار گرفته اند.

هوش مصنوعی(AI)

هوش مصنوعی(AI) حوزه وسیعی از علوم کامپیوتر است که باعث می شود ماشین ها مانند مغز انسان عمل کنند. هوش مصنوعی همچنین به عنوان توانایی یک ماشین برای انجام عملکردهای شناختی یک انسان به راحتی تعریف می شود.

عبارت هوش مصنوعی در ابتدا در سال ۱۹۵۶ توسط جان مک کارتی، دانشمند علم کامپیوتر ابداع شد. این مفهوم با قدمت ۶ دهه به دلیل در دسترس بودن حجم زیادی از داده های تولید شده از طریق دستگاه های مختلف و در دسترس بودن سخت افزار، نرم افزار و زیرساخت شبکه کارآمد، اخیراً سر و صدای زیادی کرده است. ظهور هوش مصنوعی امکان اتوماسیون فرآیندها را فراهم کرده است که راه حل های تجاری نوآورانه را ارائه می دهد.

هوش مصنوعی راه حل های قابل اعتماد و مقرون به صرفه ای را ارائه می دهد و در عین حال مشکل عدم اطمینان در فرآیند تصمیم گیری را برطرف می کند. توانایی الگوریتم های پیشرفته برای مدیریت داده های پیچیده، تصمیم گیری سریع تر را با وجود اتوماسیون فرآیند در مشاغل تسهیل کرده است. با توجه به نگرانی های رو به افزایش مربوط به محیط زیست، هوش مصنوعی با تغییر بخش ها و سیستم های سنتی به ارائه دهنده راه حلی برای حل مسائل مربوط به تغییرات آب و هوا تبدیل شده است.

این قابلیت ها به دولت ها کمک کرده است تا شهرهایی پایدار بسازند که به حفاظت از تنوع زیستی و رفاه انسان ها کمک کند.

ایالات متحده آمریکا و چین در حال حاضر بر دنیای هوش مصنوعی تسلط دارند.

گزارش PwC تخمین می زند که هوش مصنوعی تا سال 2023، 15.7 تریلیون دلار به اقتصاد جهانی کمک خواهد کرد – که بیش از مجموع تولید فعلی چین و هند خواهد بود. در ایالات متحده، سیستم دانشگاهی، تحقیقات مرتبط با هوش مصنوعی را تولید کرده است. در حالی که در چین، بودجه و فناوری توسط دولت برای استفاده از پتانسیل هوش مصنوعی ارائه می شود. چین قصد دارد تا سال 2030 حداقل هفت میلیارد دلار در این بخش سرمایه گذاری کند. کانادا و بریتانیا با اعلام قراردادهایی برای تأمین مالی سرمایه گذاری های خصوصی و دولتی هوش مصنوعی، سرمایه گذاری خود را در فناوری افزایش داده اند. کانادا در سال 2017، 125 میلیون دلار برای تحقیقات هوش مصنوعی متعهد شده بود. دولت فرانسه 1.8 میلیارد دلار در تحقیقات هوش مصنوعی تا سال 2022 سرمایه گذاری می کند.

این کشور قصد دارد داده ها را از شرکت های خصوصی استخراج کند و جهت تحقیق به صورت عمومی در دسترس بقیه قرار دهد. روسیه سالانه ۱۲.۵ میلیون دلار برای هوش مصنوعی عمدتاً در ارتش هزینه می کند. در میان کشورهای در حال توسعه، هند به طور منحصر به کشوری آماده شبیه است که در چند سال آینده در هوش مصنوعی پیشرو خواهد بود. این پیشروی به دلیل قدرت آن در فناوری، جمعیت شناسی مطلوب و مزایای ساختاری است که فقط و فقط به سبب در دسترس بودن داده های تولید شده از تراکنش های دیجیتال است. دولت هند ۴۷۷ میلیون دلار برای پروژه هند دیجیتال اختصاص داده است تا تمرکز بر هوش مصنوعی، اینترنت اشیا و کلان داده در میان سایر فناوری ها را افزایش دهد و این یکی از موارد استفاده قابل توجه مدیریت ترافیک و جمعیت است.

هوش مصنوعی و حمل و نقل

بسیاری از شهرهای بزرگ در سراسر جهان با مسائل مربوط به حمل و نقل، ترافیک و لجستیک مواجه هستند. این به دلیل رشد سریع جمعیت انسانی و همچنین به دلیل افزایش تعداد وسایل نقلیه در جاده ها است.

به منظور ایجاد و مدیریت کارآمد یک سیستم حمل و نقل پایدار، این فناوری می تواند از پشتیبانی بسیار زیادی برخوردار باشد. با توجه به اینکه مناطق شهری با ازدحام ترافیک دست و پنجه نرم می کنند، راه حل های هوش مصنوعی در دسترسی به اطلاعات به موقع از وسایل نقلیه برای مدیریت ترافیک و استفاده از تحرک در برنامه ریزی سفر از طریق یک رابط کاربری منفرد پدیدار شده اند. ادغام ایمن تصمیم گیری مبتنی بر هوش مصنوعی، مدیریت ترافیک، مسیریابی، خدمات شبکه حمل و نقل و سایر ابزارهای بهینه سازی تحرک از دیگر امکانات مدیریت ترافیک کارآمد هستند. هوش مصنوعی به عنوان یکی از فناوری های نوظهور توسط مجمع جهانی اقتصاد در نظر گرفته شده است. روش های هوش مصنوعی که از حمل و نقل پشتیبانی می کنند، عبارتند از: شبکه های عصبی مصنوعی(Artificial Neural Networks)، الگوریتم های ژنتیک(Genetic algorithms)، الگوریتم تبرید شبیه سازی شده(Simulated Annealing)، مدل منطق فازی(Fuzzy Logic Model) و الگوریتم بهینه سازی کلونی مورچگان(Ant Colony Optimizer)

هدف از به کارگیری این تکنیک ها در مدیریت حمل و نقل، رفع ازدحام، قابل اطمینان تر کردن زمان سفر برای مسافران و بهبود اقتصادی و بهره وری کل سیستم است.

وسایل نقلیه ای که از طریق فناوری به هم متصل می شوند، کارایی رانندگی را از طریق پیش بینی شرایط ترافیکی در جاده بهبود می بخشند. این مقاله پژوهشی به سه دیدگاه می پردازد.

۱- ارزیابی مدل های پیش بینی و تشخیصی دقیق با هدف پیش بینی حجم ترافیک، شرایط ترافیکی و حوادث

۲- حمل و نقل عمومی به عنوان یک حالت تحرک پایدار با کاوش در کاربردهای مختلف هوش مصنوعی

۳- وسایل نقلیه متصل با هدف افزایش بهره وری از طریق کاهش تعداد تصادفات در بزرگراه ها

مطالعات متعددی در سراسر جهان برای غلبه بر مسائل مربوط به صنعت حمل و نقل انجام شده است. نتیجه فعالیت های تحقیقاتی با پشتیبانی از فناوری های هوش مصنوعی در این صنعت، موجب شده که به یک حوزه قابل توجه با پیشرفت امیدبخش تبدیل شود.

حمل و نقل هوشمند

در سال های اخیر، حجم عظیمی از داده ها با تکثیر دستگاه های متعدد فناوری در بخش های مختلف تولید می شوند. این داده ها در فرآیند تصمیم گیری کسب و کارها، دولت ها و جوامع ارزشمند شده اند. صنعت حمل و نقل که خط حیاتی یک مجموعه شهری است را نمی توان در تولید و استفاده از داده ها نادیده گرفت. این بخش نقش مهمی در توسعه شهری ایفا می کند، زیرا بر افراد، فرآیندها و سود تأثیر می گذارد. برای فعال کردن تولید داده ها، خودروسازان این قسمت را به صورت دستگاه هایی در وسایل نقلیه مورد استفاده برای حمل و نقل افراد و کالاها قرار می دهند. داده های تولید شده توسط این دستگاه ها توسط کارشناسان از راه دور نظارت می شود. دولت ها و کسب و کارها می توانند بر اساس داده های تولید شده از طریق استفاده از برنامه های کاربردی مختلف، تصمیمات به موقع بگیرند. در سال های اخیر برنامه های نوآورانه مختلفی در ارتباط با حمل و نقل و فناوری، در حال ساخت هستند. توسعه دهندگان برنامه بر روی یک رویکرد سیستمی فرآیندگرا با هدف روشن و مکانیزم بازخورد جهت اندازه گیری نتیجه راه حل های مرتبط با صنعت حمل و نقل تمرکز کرده اند.

سیستم های مدیریت حمل و نقل(TMS) به حوزه مدیریت حمل و نقل به ویژه عملیات حمل و نقل تعلق دارد. هدف این سیستم ها، راه اندازی برنامه ریزی مسیر مؤثر، بهینه سازی بار، بهبود انعطاف پذیری و شفافیت با استفاده از داده ها است. طبق گفته گارتنر، انتظار می رود این بخش با سرعتی سریع رشد کند. استراتژی های حمل و نقل یک شهر به یک سیستم اطلاعاتی برای مدیریت بهتر مرتبط هستند که بر ضبط، پردازش، انتقال و مدیریت داده های تولید شده تمرکز دارد.

از چند دهه گذشته، به دلیل ظهور فناوری های هوشمند، سیستم های اطلاعاتی مختلفی برای لجستیک، مسیریابی، نقشه برداری و برنامه ریزی در حال توسعه هستند. این سیستم ها قابلیت های پردازش داده ها را برای برنامه ریزی بهتر فرآیند حمل و نقل منتهی به سیستم های حمل و نقل هوشمند(ITS) فراهم می کنند.

داده های تولید شده از کاربران و وسایل نقلیه برای ساخت کارآمد ITS استفاده می شوند. ایجاد ITS در سیستم های حمل و نقل به دلیل کسب اطلاعات، تبادل و ادغام بین وسایل نقلیه، زیرساخت های شهری و سایر فعالیت های مرتبط، افزایش عملکرد را تضمین می کند. شایان ذکر است که ITS از فرآیند تصمیم گیری برای مقامات شهری و کاربران وسایل نقلیه پشتیبانی می کند.

این مقاله بر روی سیستم های حمل و نقل هوشمند متمرکز است که بخشی از سیستم های مدیریت حمل و نقل را تشکیل می دهد. این روش برای جمع آوری تکنیک های هوش مصنوعی و حل مشکلات صنعت حمل و نقل و به منظور ایجاد یک سیستم حمل و نقل پایدار کاربرد دارد. مزایای زیرسیستم های مختلف ITS همراه با کاربردهای هوش مصنوعی که بر صنعت حمل و نقل تأثیر مثبت گذاشته است، شناسایی و مورد بحث قرار می گیرد. داده های به دست آمده از مقالات تحقیقاتی، گزارش های دولتی، مقالات مجلات و گزارش های آژانس های مشاوره ای جمع آوری می شوند. برخی از چارچوب های اتخاذ شده در مطالعات قبلی به عنوان معیاری جهت شناسایی زیرسیستم ها در این مقاله در نظر گرفته شده است. این کار به کسب و کارها و دولت ها کمک می کند تا فناوری ها را بپذیرند و راه حل های مربوطه را طبق یک سناریوی خاص ارائه دهند.

مروری بر تحقیقات

هوش مصنوعی موجب ایجاد اختلالات قابل توجهی در صنایع مختلف مانند مراقبت های بهداشتی، خرده فروشی، بانکداری، بیمه، سرگرمی، تولید و حمل و نقل شده است. چندین مورد استفاده از هوش مصنوعی در حمل و نقل آزمایش شده و به تصویب رسیده است که این واقعیت را توجیه می کند که بازار هوش مصنوعی در حال افزایش است. با پیشرفت فناوری مرتبط با هوش مصنوعی، خود صنعت حمل و نقل کار جاسازی دستگاه های کاربرپسند در وسایل نقلیه را انجام می دهد. این کار منجر به ساخت ITS با استفاده از داده های تولید شده از دستگاه ها می شود.

هوش مصنوعی در شکل فعلی، توانایی حل مشکلات در حمل و نقل را دارد و بدین ترتیب امور طراحی، بهره برداری، برنامه زمانی و کنترل سیستم های لجستیکی و حمل و نقل بار را مدیریت می کند. برخی از برنامه های کاربردی دیگر عبارتند از تجزیه و تحلیل تقاضای سفر، سازمان حمل و نقل، تجزیه و تحلیل رفتار عابران پیاده. تکنیک های هوش مصنوعی امکان استفاده از این برنامه ها را برای کل مدیریت حمل و نقل -وسیله نقلیه، راننده، زیرساخت ها و روشی که این مؤلفه ها به طور پویا خدمات حمل و نقل را ارائه می کنند- می دهد. روش های هوش مصنوعی راه حل های هوشمندی را در مناطقی ارائه می کنند که درک کامل روابط پیچیده بین ویژگی های سیستم های حمل و نقل آن دشوار است. این مطالعه تحقیقاتی بر دو زمینه یعنی هوش مصنوعی و حمل و نقل متمرکز است. اگرچه هوش مصنوعی از یک سو فرصت های عظیمی را به ارمغان می آورد، اما از سوی دیگر چالش های مهم امنیتی را نیز به همراه دارد.

خصوصی سازی حمل و نقل مورد استفاده برای مقاصد تجاری از اواسط دهه دو هزار فرصت ها و برنامه های تحقیقاتی جدیدی با پیشرفت قابل توجه در این زمینه ها به ارمغان آورده است.

یک برنامه تحقیقاتی مالی مشترک بین انجمن بین المللی حمل و نقل عمومی(UITP) و سازمان حمل و نقل زمینی (LTA) با نام «هوش مصنوعی در حمل و نقل عمومی انبوه» از طریق مروری بر تحقیقات، بررسی کمی، موارد استفاده، وبلاگ های کارشناسان و کارگاه های ایده پردازی انجام شده است.

این گزارش، موارد استفاده از کاربرد هوش مصنوعی در حمل و نقل عمومی و آنچه که آینده ممکن است برای هوش مصنوعی در سیستم های حمل و نقل عمومی داشته باشد را تشریح می کند. شرکت مشاوره ای PwC یک نظرسنجی در سراسر کشور برای درک اثر هوش مصنوعی در بین تصمیم گیرندگان و کارکنان عادی در طیف گسترده ای از بخش ها مانند خدمات مالی، فناوری و تولیدی به صورت آنلاین انجام داد و مشخص شد که جوانان نسبت به فناوری های مرتبط با حمل و نقل سازگاری بیشتری دارند.

هوش مصنوعی می تواند به رویکردها، روش ها و فناوری های متنوع در درجات مختلف دست یابد که این استدلال منطقی، حل مسئله و یادگیری را نشان می دهد. هوش مصنوعی می تواند مبتنی بر سخت افزار(ربات ها) یا نرم افزار(Google Maps) باشد. هوش مصنوعی مبتنی بر داده، تکنیک های یادگیری ماشینی را با فناوری های مورد استفاده برای جستجو و تجزیه و تحلیل مقادیر زیادی از داده ها ترکیب می کند. هوش مصنوعی به شناسایی روندهای بازار، شناسایی خطرات، کاهش تراکم ترافیک، کاهش انتشار گازهای گلخانه ای و آلاینده های هوا، طراحی و مدیریت حمل و نقل و تحلیل تقاضای سفر و رفتار عابر پیاده کمک می کند. برنامه ها و خدمات مبتنی بر هوش مصنوعی و داده، سنگ بنای اصلی دستیابی به چشم انداز ارائه تحرک مطلوب هستند. به منظور ایجاد یک اکوسیستم محرک مؤثر و کارآمد در یک شهر، یک رویکرد جامع مدیریت تحرک مورد نیاز است. وسایل نقلیه دارنده دستگاه، داده ها را در زمان واقعی ارسال می کند و حجم عظیمی از داده تولید می شود. با ادامه افزایش تقاضای حمل و نقل، رشد داده ها از طریق دستگاه ها نیز رشد می کند، بنابراین، نیاز به مدیریت هوشمندتر ترافیک جاده ای بیشتر احساس می شود.

این مقاله بر روی سیستم های پیشرفته و برای نظارت، کنترل و مدیریت سیستم هوشمند خودرو-جاده تمرکز دارد. مطلب مورد بحث در مورد تراکم غیر تکراری در شبکه های پیچیده است. این مطالعه یک راه حل مبتنی بر هوش مصنوعی با چندین سیستم خبره به موقع در مدیریت ترافیک شریانی پیشنهاد می کند. دو پارادایم هوش مصنوعی – رگرسیون بردار پشتیبانی (SVR) و استدلال مبتنی بر مورد (CBR) برای ارزیابی شبکه های مقیاس بزرگ و مدل های شبیه سازی پیچیده استفاده می شوند. این مطالعه نتایج دو نمونه اولیه را با مقایسه پیش بینی های شرایط ترافیکی ارزیابی کرده است.

در این مطالعه، یک سیستم کنترل مبتنی بر عامل، بر ترافیک، جاده در تصادفات و سایر فعالیت های حمل و نقل نظارت می کند. این مقاله دو عامل مستقل یکپارچه را که برای سیستم های مدیریت ترافیک هوشمند مستقر شده اند، مقایسه می کند که کار پشتیبانی تصمیم گیری را برای مدیریت ترافیک در اطراف بارسلونا انجام می دهد.

این مطالعه، کاربرد عوامل هوشمند مستقل در کنترل ترافیک شهری (UTC) را بررسی می کند. سیستم های پیشنهادی این مطالعه می توانند UTC را برای محیط های پویا طراحی، پیاده سازی، بهینه سازی و تنظیم کنند. کاربرد این مدل بر روی چند تقاطع هوشمند عوامل راهنمایی و رانندگی پیشنهاد شده است. این عوامل قادر به پاسخگویی به شرایط ترافیکی در زمان درست و حفظ ثبات و یکپارچگی آن هستند.

فناوری های مربوط به وسایل نقلیه خودران (AVs) پتانسیل تأثیرگذاری بر ایمنی خودرو و رفتار سفر را دارند. آن ها کاهش زمان سفر و افزایش راندمان سوخت را تضمین می کنند. در حال حاضر، این فناوری ها برای سیستم حمل و نقل مزایای آنچنانی ندارند. مقررات مربوط به مسئولیت، امنیت و حریم خصوصی داده ها از سوی دولت ها نامشخص است و این منجر به نفوذ کمتر خودروهای خودران در بازار می شود. مطالعه بر روی ارزیابی اثربخشی سیستم ترمز اضطراری خودکار در سرعت پایین نشان داد که وسایل نقلیه مجهز به این فناوری توانستند تصادفات از عقب را تا حدود 38 درصد کاهش دهند. در سناریوی فعلی، مشکلات عمده در حمل و نقل، ازدحام، ایمنی، آلودگی و افزایش نیاز به تحرک است. یکی از راه حل های بالقوه برای مقابله با همه این چالش ها می تواند در وسایل نقلیه خودران باشد. این وسایل نقلیه از طریق فناوری حسگر و راه حل های اتصالی، داده ها را از محیط فیزیکی و دیجیتالی خود جمع آوری می کنند.

خودروهای دارنده دستگاه قادرند به اینترنت از طریق دستگاه های هوشمند دسترسی پیدا کنند و همچنین می توانند با سایر خودروها و زیرساخت ها ارتباط برقرار کنند. آن ها داده های زمانی را از منابع متعددی که از رانندگان از طریق عملیات استرس زا در حین رانندگی پشتیبانی می کنند، می گیرند. این خودروها ایمنی را تضمین می کنند.

این مقاله، مدل ها، ابزارها و اشکال جدید ساخت وسایل نقلیه با استفاده از فناوری را پیشنهاد می کند. این امر منجر به ساخت وسایل نقلیه هوشمند با فناوری در ساخت خودرو شده است. این مطالعه در مورد میزان تأثیر فناوری هوش مصنوعی بر کسب و کارهای مختلف و اقتصاد یک کشور بحث می کند.

شرکت خودروسازی فورد با موفقیت هوش مصنوعی را در فرآیندهای تولید جریان اصلی ادغام کرده است تا مزیت رقابتی را برای سازمان فراهم کند. این مطالعه بر برنامه ریزی فرآیند و استقرار سیستم های هوشمند برای تولید متمرکز است.

این مطالعه اشاره می کند که نمایش اولیه فناوری های مورد استفاده در وسایل نقلیه خودران به سال ۱۹۳۹ باز می گردد. بیشتر وسایل نقلیه خودران توسعه یافته توسط شرکت گوگل به دوربین های ویدئویی، حسگرهای رادار، فاصله یاب لیزری و نقشه های توسعه یافته متکی هستند. وسایل نقلیه خودران نه تنها بر عملکرد شرکت ها بلکه بر اقتصاد ملی و جهانی نیز تأثیر می گذارند.

تولید و لجستیک به دلیل قابلیت های شبکه ای که با ذینفعان مختلف دارد، حجم عظیمی از داده ها را تولید می کند. با توجه به اینکه حمل و نقل در صنعت نقش عمده ای در لجستیک ایفا می کند، باید داده های تولیدی از فناوری های مختلف در عملیات استفاده شوند.

این مطالعه به این واقعیت می اندیشد که آیا خودروهای بدون راننده با هوش مصنوعی تأثیر نامطلوبی بر انسان دارند یا خیر. این سیستم های هوشمند یکپارچه در برابر خطرات سیستمی مانند فروپاشی شبکه یا هک توسط آژانس های خارجی آسیب پذیر هستند.

مقاله تحقیقاتی ادعا می کند که سیستم حمل و نقل، عنصر کلیدی در یک زنجیره لجستیک است زیرا پیوندهایی را بین فعالیت های لجستیکی جداگانه فراهم می کند. بهبود لجستیک حمل و نقل که در تجارت کلی مشارکت دارد، یکی از اثرات فناوری است.

این تحقیق برای کمک به مدیران لجستیک، محققان و برنامه ریزان حمل و نقل با هدف تعریف و درک دیدگاه های اساسی لجستیک و کاربردهای مختلف آن و رابطه بین لجستیک و حمل و نقل انجام شده است. لجستیک حمل و نقل تنها محدود به جا به جایی کالا در فضا و کاهش زمان و هزینه در طول زنجیره تأمین نیست بلکه دامنه آن گسترش یافته و بخشی از مدیریت استراتژیک نیز شده است. از این رو، ادغام سیستم های اطلاعات کسب و کار اصلی با مجموعه ای از ابزارهای تحلیلی و هوش مصنوعی مدرن بسیار اهمیت دارد.

این مطالعه از فناوری های هوش مصنوعی مختلف برای دستیابی به چهار دیدگاه، یعنی کسب دانش، لجستیک خدمات، اتوماسیون خدمات و اندازه گیری عملکرد استفاده کرده است. حمل و نقل نقش بزرگتری در ساخت سیستم اطلاعات لجستیکی پاسخگو ایفا می کند.

این مطالعه توسعه سیستماتیک سناریوی لجستیک فعلی را نشان می دهد. همان طور که مشاهده می کنیم، سیستم های هوشمند با صنعت حمل و نقل ، نقش بزرگ تری در صنعت لجستیک به عنوان ستون اصلی ایفا کرده اند. عملکرد حمل و نقل دستخوش تغییر ساختاری شده است که بر تکامل لجستیک حمل و نقل تأثیر گذاشته است. از یک طرف، هوش مصنوعی موجب کاهش زیادی از تصادفات و تلفات در جاده ها می شود. از سوی دیگر، می توان انتظار بیکاری تکنولوژیک را داشت.

چارچوب

با استفاده از مطالعات قبلی، آشکار شده است که مزایای هوش مصنوعی در هنگام ساخت سیستم های حمل و نقل هوشمند به اندازه کافی مورد بررسی قرار نگرفته است. مطالعه حاضر به بررسی کاربردهای ITS در صنعت حمل و نقل در کشورهای مختلف می پردازد.

به نظر می رسد صنعت حمل و نقل که خط حیات یک اقتصاد است با مسائل عملیاتی مختلفی در سراسر جهان دست و پنجه نرم می کند. مسائل مربوط به صنعت حمل و نقل منجر به کندی پیشرفت یک شهر و به نوبه خود یک کشور شده است. TMS (سیستم های مدیریت حمل و نقل) یک موهبت است که برای غلبه بر مشکلات حمل و نقل با استفاده از فناوری های مختلف ساخته شده است.  TMS به کسب و کارها کمک می کند تا حرکت فیزیکی کالا را برنامه ریزی، اجرا و بهینه کنند.

با توجه به در دسترس بودن داده ها و نظارت از راه دور، TMS تحویل به موقع کالا را تضمین می کند که منجر به رضایت بیشتر مشتری می شود. این امر از طریق افزایش فروش موجب سودهی به کسب و کارها شده است. TMS عملکرد ناوگان را بهبود می بخشد و هزینه های زنجیره تأمین را با استفاده از ابزارهای مناسب مانند بهینه سازی مسیر کاهش می دهد. TMS از فناوری برای برنامه ریزی، اجرا و بهینه سازی جا به جایی کالا استفاده می کند تا به رونق کسب و کارها کمک کند.

این برنامه ها توسط تولیدکنندگان، توزیع کنندگان، کسب و کارهای خرده فروشی و شرکت هایی که در تجارت لجستیک هستند، مورد استفاده قرار می گیرند. کارکردهای اصلی TMS شامل تعیین مسیر، فرآیندهای لجستیکی خروجی/ ورودی، برنامه ریزی مسیر، حمل و نقل کالا، نمایندگی های خدمات، ردیابی حمل و نقل و پردازش انبوه برنامه ریزی مسیر و حمل و نقل است. عملکردهای مربوط به TMS مربوط به حمل و نقل کالا است. TMS برنامه های حمل و نقل متعدد را برای سهولت استفاده در یک بسته واحد ادغام می کند.

TMS با استفاده از هوش مصنوعی و یادگیری ماشینی برای ارائه پیش بینی های دقیق و هوشمندتر ساخته شده است. برخی از فناوری هایی که در حال حاضر مورد استفاده قرار می گیرند عبارتند از: دستگاه ها و حسگرهای اینترنت اشیا (IoT)، دستیارهای دیجیتال، راه حل های پیش بینی زمان تحویل، راه حل های برنامه ریزی حمل و نقل، بلاک چین و غیره. مطالعات گذشته نشان داده است که رویکرد یکپارچه برای ITS شامل زیرساخت های حمل و نقل و مدیریت حمل و نقل است. ITS همچنین بر عملکرد کارآمد سیستم حمل و نقل از طریق جمع آوری خودکار داده ها در این محیط پویا تأثیر گذاشته است.

یک ITS معمولی به داده های ورودی از دستگاه ها و حسگرهای مختلف نیاز دارد. این داده ها از راه دور نظارت و پردازش می شوند. بینش به دست آمده از داده های پردازش شده به عنوان یک ورودی ارزشمند برای تصمیم گیری دولت ها و کسب و کارها در نظر گرفته می شود. داده های ورودی برگرفته از دستگاه های مختلف نصب شده در زیرساخت مدیریت ترافیک، وسایل نقلیه و زیرساخت جاده است. مقامات این داده ها را نظارت می کنند و اطمینان می دهند که داده ها به موقع برای مسافران، رانندگان و عابران پیاده منتشر می شود و در نتیجه به نفع ذینفعان است.

یک سیستم حمل و نقل هوشمند شامل مجموعه ای از زیرسیستم ها در حوزه حمل و نقل عمومی، اطلاعات ترافیک، مدیریت پارکینگ، کنترل ترافیک، مدیریت ایمنی و مدیریت روسازی است. این سیستم برای شهرهای هوشمند بسیار خاص است. به منظور ایجاد یک شهر هوشمند مؤثر از طریق ITS، فعال سازی سیستم در فعالیت های عملیاتی مختلف یک شهر مهم است.

برخی از فعالیت های یک شهر عبارتند از: حمل و نقل عمومی، مدیریت ترافیک، مدیریت پارکینگ، مدیریت روسازی و مدیریت ایمنی. مسافران، عابران پیاده، حمل و نقل و به طور کلی جامعه از ITS سود می برند.

مطالعه انجام شده توسط حامیدا و همکاران،  کاربردهای مختلف سیستم های حمل و نقل هوشمند را به چهار کلاس اصلی طبقه بندی می کند.

* اطلاعات سرگرمی و راحتی؛

* مدیریت ترافیک

* ایمنی جاده

* رانندگی خودکار

این برنامه ها داده ها را از وسایل نقلیه جمع آوری می کنند تا کاربرد آن را بهبود بخشند.

بنابراین ایمنی راننده و افزایش تسهیلات، حمل و نقل عمومی را تضمین می کنند. برنامه های کاربردی ITS تولیدکننده داده هایی هستند که به نوبه خود به فرآیند تصمیم گیری توسط مقامات دولتی کمک می کنند تا مکان های عمومی را به شیوه ای بهتر مدیریت کنند.

ذینفع نهایی سیستم حمل و نقل عمومی کاربران جاده هستند. چارچوب سیستم های حمل و نقل هوشمند(ITS) برای یک سیستم حمل و نقل عمومی پایدار، فناوری های ICT، سیستم حمل و نقل خودکار، مرکز مدیریت ترافیک و سیستم اطلاعات پیشرفته مسافران را در نظر می گیرد. برنامه های کاربردی که حول سیستم های حمل و نقل ساخته می شوند، باید ذینفعان تولیدکننده داده را در نظر داشته باشند. هنگامی که برنامه ها با استفاده از فناوری اطلاعات و ارتباطات ساخته می شوند، نه تنها کارایی فرآیند را بهبود می بخشند، بلکه به دستیابی به پایداری سیستم حمل و نقل و در نتیجه اقتصاد بهتر، کمک می کنند.

برخی از برنامه هایی که با استفاده از ITS ساخته شده اند، مدیریت ترافیک، کنترل سیگنال ترافیک، سیستم های ناوبری خودرو و مدیریت پارک هوشمند را در میان سایر موارد تضمین می کنند.

ITS به شبکه ای از فناوری ها نیاز دارد که با هم در زیرساخت شهر عمل کنند. طبقه بندی مشکلات ITS شامل نظارت بر عملکرد، مدیریت ترافیک، بهبود فرآیند حمل و نقل، پشتیبانی اطلاعاتی از شرکت کنندگان در حرکت و مدیریت زیرساخت حمل و نقل است.

راه حل های هوش مصنوعی برای حمل و نقل هوشمند

سهم هوش مصنوعی در زمینه صنعت حمل و نقل بسیار زیاد و گسترده بوده است. راه حل ها شامل وسایل نقلیه خودران، مدیریت ترافیک، مسیریابی بهینه و لجستیک است که در نتیجه، ایمنی وسایل نقلیه و رانندگان را تأمین می کند. ITS با استفاده از داده های تولید شده از دستگاه های نصب شده در وسایل نقلیه و از طریق فناوری های هوش مصنوعی ساخته می شود.

این مقاله بر چهار زیرسیستم مرتبط با حمل و نقل متمرکز است – یعنی سیستم مدیریت ترافیک هوشمند، سیستم حمل و نقل عمومی هوشمند، سیستم مدیریت ایمنی هوشمند و سیستم تولید و لجستیک هوشمند.

مشاهده می کنیم که هوش مصنوعی با پیشنهاد مسیرهای جایگزین، ردیابی بی درنگ چراغ های راهنمایی در زمان ازدحام ترافیک، راه حل هایی برای مسائل مربوط به حمل و نقل ارائه می کند. این کار به مدیریت کارآمد ترافیک کمک می کند و در نهایت منجر به مهار آلودگی محیط زیست و ساخت شهرهای پایدار می شود.

دستاوردهای هوش مصنوعی در حمل و نقل در سراسر جهان

همان طور که در بحث ها تاکنون مشاهده شد، به نظر می رسد توانایی هوش مصنوعی برای حل مشکلات مربوط به حمل و نقل یک تناسب طبیعی است. با این حال، همان طور که هوش مصنوعی در هر صنعت دیگری وجود دارد، پذیرش این برنامه ها در سازمان ها و مناطق جغرافیایی متفاوت است. بر اساس عوامل ذهنی و جغرافیایی محیطی، کاربردها می توانند هم مستقیم و هم پیچیده، دور و نزدیک، قطعی یا محتمل باشند.

برنامه های کاربردی هوش مصنوعی در سراسر سازمان ها

به نظر می رسد که ایالات متحده در برنامه های استفاده از هوش مصنوعی پیشتاز است و این احتمالاً به دلیل جمعیت کمتر و زیرساخت های جاده ای بهتر در مقایسه با کشورهای در حال توسعه مانند هند است. استارت آپ هایی که نوآور هستند، بودجه خوبی برای توسعه نمونه های اولیه در کشورهای توسعه یافته دریافت می کنند.

پذیرش هوش مصنوعی توسط شرکت های حمل و نقل

هوش مصنوعی احتمالاً با ارائه مدل های رفتاری پیش بینی دقیق از حرکات افراد، ترجیحات و اهداف آن ها، تأثیر مثبت فزاینده ای بر زیرساخت های شهر خواهد داشت. اگرچه هوش مصنوعی در برنامه های برنامه ریزی حمل و نقل در گذشته اخیر اهمیت زیادی پیدا کرده است، اما باز هم نگرانی در مورد حفظ حریم خصوصی و ایمنی افراد مرتبط با داده ها وجود دارد. با توجه به این ملاحظات اخلاقی، امکان وجود مقررات دولتی و قانونی وجود دارد که سرعت نوآوری و پذیرش در این صنعت را دیکته کند.