Сегодня у «Умных городов» (Smart City) появился технологический союзник, облегчающий жизнь: большие данные (Big Data), применяемые к мобильности и городскому планированию. Управление дорожным движением, самостоятельное вождение, общие автомобили или парковочные места в городах — это области, в которых большие данные и мобильность будут идти рука об руку в ближайшем будущем. Дизайн городов и движение пешеходов и транспортных средств тесно связаны между собой. Настолько, что тип мобильности, от лошадей и экипажей до электрических скутеров, сформировал города.
С учетом обоих факторов мобильностью можно управлять в среднесрочной и долгосрочной перспективе с помощью городского планирования или модулировать повседневную деятельность населения , либо с помощью частоты общественного транспорта, распределения общих транспортных средств или информации о пробках и авариях.
Содержание:
Большие данные и мобильность в городском планировании
Будущее, если следовать демографическим показателям и прогнозам ООН, в высшей степени городское. И в рамках этого экспоненциального роста инфраструктуры большие данные призваны стать жизненно важным инструментом умного города .
Анализ с использованием больших данных позволяет понять загруженность различных районов и маршрутов и пиковый спрос на общественный транспорт. Таким образом создаются так называемые тепловые карты, показывающие места с риском перегрузок. Однако большие данные позволяют пойти еще дальше: богатство доступной информации дает возможность изменить уличные знаки или даже рационализировать рост города и его связей.
Большая часть этого планирования упрощается за счет визуализации больших данных, как в проекте CityScience Lab в Гамбургском университете. Инициатива, которую поддержала MIT Media Lab, объединяет открытые данные городского совета Гамбурга о типологиях зданий и площадях. Он также включает данные дорожной инфраструктуры и качества воздуха или анонимные данные из умных домов.
Программное обеспечение позволяет генерировать сценарии «что, если», такие как влияние увеличения населения и распределение жителей. В том же духе лаборатория CityScience Lab использовалась для размещения беженцев с Ближнего Востока в 2016 году.
В рамках проекта также выделяется использование 3D-модели этого немецкого города. Концепция, известная как «цифровой двойник», заключается в воспроизведении всех городских данных в режиме реального времени. Таким образом, любые изменения в трафике, линиях электропередач, указателях или строительстве новых городских дорог отражаются в его цифровой версии.
Одним из первых городов, в котором дебютировал цифровой двойник, был Сингапур. Другими важными примерами являются Веллингтон в Новой Зеландии или Шанхай, последний с более чем 2300 виртуальными км2.
Big Data и ежедневная городская мобильность
Городское планирование, как правило, является долгосрочной стратегией, но управление мобильностью также связано с ежедневным сердцебиением города. Прибытие на рабочее место может стать приключением в этой быстро развивающейся экосистеме, а поиск парковки может быстро превратиться в кошмар. В дополнение к затраченному времени плохая мобильность означает большее загрязнение воздуха и шум. И здесь тоже есть что сказать о больших данных.
Управление парковками города
Основным применением больших данных в городской мобильности является распределение парковочных мест. Некоторые исследования показывают, что до 30 % пробок связаны с транспортными средствами, ищущими парковку.
Разрабатываемые в настоящее время системы работают с устройствами IoT. Таким образом, данные со счетчиков парковки и транспортных средств, въезжающих или выезжающих из определенных зон, могут быть объединены для определения уровней занятости.
Однако использование больших данных в мобильности также позволяет внедрять прогностические системы . Таким образом, можно предлагать предложения о времени и областях, где существует большая вероятность найти свободное место, не отслеживая каждое отдельное место.
Прогноз пробок и аварий на дорогах
Как мы видели в случае с парковкой, большие данные — отличный ресурс для оценки городской мобильности и прогнозирования событий. Одно из его последних приложений появилось в другой лаборатории Массачусетского технологического института и состоит, по сути, в прогнозировании риска дорожно-транспортных происшествий .
Система, основанная на моделях глубокого обучения, является результатом сотрудничества CSAIL Массачусетского технологического института и Катарского центра искусственного интеллекта. Исследователи объединили исторические данные об авариях, спутниковую информацию, дорожные карты и информацию GPS в качестве базы данных. Всего было обработано около 7500 км2 городских территорий и 7,6 млн км GPS-маршрутов.
Одним из преимуществ модели является то, что она применима в областях, где ранее не было записей об авариях, для точного определения проблемных мест. На данный момент это текущий проект, но его можно использовать для поддержки городского планирования.
Пробки — еще одна область, в которой прогностические модели, основанные на больших данных, могут способствовать повышению мобильности. Технологический университет Суинберна в Австралии тесно сотрудничал с компанией Intelematics для создания новой модели, способной прогнозировать пробки с точностью до 96% и упреждением до шестидесяти минут.
Каршеринг и большие данные
Если прогнозирование дорожно-транспортных происшествий или прогнозирование доступных парковочных мест являются приложениями, которые все еще находятся в стадии разработки, то использование больших данных в случае совместного использования транспортных средств находится на гораздо более продвинутой стадии.
Скутеры, мотоциклы и общие автомобили — в основном электрические представляют собой смену парадигмы. Однако они также создают многочисленные логистические проблемы.
Решение таких вопросов, как подзарядка транспортных средств, поломки и доступность, зависит главным образом от надежных и актуальных данных. Параллельно знание (и прогнозирование) моделей поведения пользователей требует получения и обработки данных с помощью моделей больших данных, применяемых к мобильности.
Одним из примеров каршеринг и больших данных является работа ACCIONA в области совместного использования электросамокатов. Компания управляет парком велосипедов и предвидит пики и области спроса, используя большие данные. Его приложение для обмена мотоциклами также рассчитывает количество выбросов CO2, сэкономленных за каждую поездку, и возможности совмещения поездки на мотоцикле с общественным транспортом или даже с другими ближайшими конкурентами.
Будущее городской мобильности
Существует шутливая поговорка о термоядерном синтезе из-за его затянувшегося развития: «Это энергия будущего, и она всегда останется таковой». Что-то подобное можно сказать и об автономных автомобилях, которые, похоже, еще какое-то время останутся транспортным средством будущего . Однако, если повезет, их не постигнет участь летающих машин.
Единственная уверенность в том, что использование больших данных в этой области будет жизненно важным, поскольку, по оценкам, автономные автомобили будут генерировать до 40 терабайт данных в час . Как поясняется в Venture Beat, вместо передовых радаров или датчиков, подобных LiDAR, ключ будет лежать в системах глубокого обучения, основанных на простом видеосигнале . Сегодня Tesla обрабатывает данные о миллионах транспортных средств на дорогах для разработки своих беспилотных моделей .
Короче говоря, транспорту и городской мобильности суждено претерпеть ту же революцию, что и другим секторам, таким как электронная коммерция или социальные сети, с наступлением эры больших данных. И применение этой технологии обещает повысить устойчивость и эффективность транспортных средств, на которых мы передвигаемся, будь то скутеры, мотоциклы, автомобили или даже двуногие инженерные системы.
Новые комментарии: