TL;DR
- این اتفاق هر روز میافتد - رانندهای که در سراسر شهر حرکت میکند،.
- یک برنامه ناوبری را بررسی میکند تا ببیند سفر چقدر طول میکشد،.
- اما وقتی به مقصد میرسند،.
چه اتفاقی افتاد
این اتفاق هر روز میافتد - رانندهای که در سراسر شهر حرکت میکند،. یک برنامه ناوبری را بررسی میکند تا ببیند سفر چقدر طول میکشد،.
اما وقتی به مقصد میرسند،. هیچ جای پارکی در دسترس نمییابد.
زمانی که در نهایت پارک میکنند و به مقصد میروند، بسیار دیرتر از آنچه انتظار داشتند میشوند. اکثر سیستمهای ناوبری محبوب رانندگان را بدون در نظر گرفتن زمان اضافی برای یافتن پارکینگ به مکانی میفرستند.
این امر بیش از یک سردرد برای رانندگان ایجاد میکند. این میتواند ازدحام را بدتر کند و انتشار گازهای گلخانهای را با وادار کردن رانندگان به گشت و.
گذار در اطراف به دنبال محل پارک افزایش دهد. این دست کم گرفتن همچنین میتواند مردم را از استفاده از حمل و نقل انبوه منصرف کند،.
زیرا آنها نمیدانند که ممکن است سریعتر از رانندگی و پارک کردن باشد. محققان MIT با توسعه سیستمیکه میتواند برای شناسایی پارکینگهایی که بهترین تعادل نزدیکی را ارائه.
میدهند،. با این مشکل مقابله کنند.
مکان مورد نظر و احتمال در دسترس بودن پارکینگ روش انطباق پذیر آنها کاربران را به جای پارکینگ. ایده آل به سمت مقصدشان راهنمایی میکند.
در آزمایشهای شبیهسازی شده با دادههای ترافیکی دنیای واقعی از سیاتل،. این تکنیک در شلوغترین تنظیمات تا 66 درصد در زمان صرفه جویی میکند.
برای یک راننده،. این امر زمان سفر را در مقایسه با انتظار برای باز شدن مکانی در نزدیکترین پارکینگ،.
حدود 35 دقیقه کاهش میدهد. در حالی که آنها هنوز سیستمیآماده برای دنیای واقعی طراحی نکردهاند،.
تظاهراتشان نشاندهنده قابلقبول بودن این رویکرد است و نشان میدهد که چگونه میتوان آن را اجرا کرد. «این ناامیدی واقعی است و توسط بسیاری از مردم احساس میشود،.
و بزرگترین مسئله در اینجا باعث میشود که مردم این زمانها را از رانندگی آگاه کنند. جابجایی به حمل و نقل عمومی،.
دوچرخه،. یا اشکال جایگزین برای مردم بسیار سختتر است حمل و نقل،.
دانشجوی فارغ التحصیل MIT،. کامرون هیکرت،.
نویسنده اصلی مقالهای که کار را توصیف میکند،. میگوید.
Sirui Li PhD '25؛ ژنگبینگ هی،.
دانشمند پژوهشی در آزمایشگاه اطلاعات و سیستمهای تصمیمگیری (LIDS) و نویسنده ارشد کتی وو،. استاد توسعه اجتماعی 49 و کارشناس توسعه 1 در مقاله به هیکرت پیوستند.
Environmental Engineering (CEE) و موسسه دادهها،. سیستمها و جامعه (IDSS) در MIT،.
و یکی از اعضای LIDS،. امروز در تراکنشهای سیستمهای حمل و نقل هوشمند ظاهر شده است.
مقصد، و احتمال موفقیت پارکینگ. رویکرد،.
بر اساس پویا برنامهنویسی نسبت به نتایج خوب عمل میکند تا بهترین مسیر را برای کاربر. محاسبه کند.
روش آنها همچنین موردی را در نظر میگیرد که کاربر به پارکینگ ایده آل میرسد اما. نمیتواند فضایی پیدا کند.
فاصله تا پارکینگهای دیگر و احتمال موفقیت پارک در هر کدام را در نظر میگیرد. "اگر چندین منطقه در این نزدیکی هست که احتمال موفقیت کمیکمتر دارند،.
اما بسیار نزدیک به یکدیگر هستند،. ممکن است رانندگی هوشمندانهتر به جای رفتن به پارکینگ با احتمال بالاتر و امید به یافتن یک باز.
باشد. چارچوب ما میتواند برای آن بهینهترین زمان مورد انتظار را شناسایی کند.
رانندگی کنید، پارک کنید و تا مقصد پیاده روی کنید. اما هیچ رانندهای انتظار ندارد که تنها کسی باشد که در مرکز شهر شلوغ پارک میکند.
بنابراین،. این روش اقدامات سایر درایورها را نیز در بر میگیرد که بر روی آنها تأثیر میگذارد.
احتمال موفقیت کاربر در پارکینگ. برای مثال،.
راننده دیگری ممکن است ابتدا به محل ایده آل کاربر برسد و آخرین نقطه پارک را بگیرد. یا یک راننده دیگر میتواند در محوطه دیگری پارک کند،.
اما در صورت عدم موفقیت در مکان ایدهآل کاربر پارک کند. علاوه بر این،.
راننده دیگری ممکن است در محل دیگری پارک کند و باعث ایجاد اثرات سرریزی شود که شانس موفقیت. کاربر را کاهش میدهد.
هیکرت میگوید:. «با چارچوب ما،.
نشان میدهیم که چگونه میتوانید تمام آن سناریوها را به شیوهای بسیار تمیز و اصولی مدلسازی کنید. دادههای پارکینگ جمعسپاری شده دادههای در دسترس بودن پارکینگ میتواند از چندین منبع باشد.
بهعنوان مثال،. برخی از پارکینگها دارای آشکارسازهای مغناطیسی یا دروازههایی هستند که تعداد خودروهای ورودی و خروجی را ردیابی میکنند.
اما چنین حسگرهایی بهطور گسترده مورد استفاده قرار نمیگیرند،. بنابراین برای اینکه سیستم آنها برای استقرار در دنیای واقعی امکانپذیرتر شود،.
محققان اثربخشی استفاده از دادههای جمعسپاری را در عوض بررسی کردند. برای مثال، کاربران میتواند پارکینگ موجود را با استفاده از یک برنامه نشان دهد.
همچنین میتوان با ردیابی تعداد وسایل نقلیهای که برای یافتن پارکینگ به دور خود میچرخند،. یا تعداد خودروهایی که پس از ناموفق بودن وارد و خارج میشوند،.
جمعآوری کرد. روزی، وسایل نقلیه خودران حتی میتوانند در مورد مکانهای پارک باز که در آن رانندگی میکنند گزارش دهند.
«در حال حاضر، بسیاری از این اطلاعات به جایی نمیرسند. اما اگر بتوانیم آنها را ضبط کنیم،.
حتی با داشتن یک نفر به سادگی روی «بدون پارک کردن اطلاعات» به افراد اجازه میدهد تا اطلاعات. مهمیرا در اختیار داشته باشند.
هیکرت میافزاید. محققان سیستم خود را با استفاده از دادههای ترافیکی دنیای واقعی از منطقه سیاتل،.
شبیهسازی زمانهای مختلف روز در یک محیط شهری شلوغ و یک منطقه حومه شهر ارزیابی کردند. در محیطهای شلوغ،.
رویکرد آنها در مقایسه با نشستن و انتظار برای باز شدن یک مکان،. حدود 60 درصد کل زمان سفر را کاهش میدهد و در مقایسه با استراتژی مداوم،.
حدود 20 درصد کاهش میدهد. رانندگی به سمت پارکینگ کمد بعدی.
آنها همچنین دریافتند که مشاهدات جمعسپاری در دسترس بودن پارکینگ در مقایسه با در دسترس بودن پارکینگ واقعی،. تنها حدود 7 درصد خطا دارد.
این نشان میدهد که میتواند راهی مؤثر برای جمعآوری دادههای احتمال پارکینگ باشد. در آینده، محققان میخواهند مطالعات بزرگتری را با استفاده از اطلاعات مسیر واقعی در کل شهر انجام دهند.
آنها همچنین میخواهند راههای بیشتری را برای جمعآوری دادهها در مورد در دسترس بودن پارکینگ،. مانند استفاده از تصاویر ماهوارهای،.
و تخمین کاهش انتشار گازهای گلخانهای بالقوه کاوش کنند. "سیستمهای حملونقل آنقدر بزرگ و پیچیده هستند که تغییر آنها واقعاً سخت است.
آنچه ما به دنبال آن هستیم و آنچه با این رویکرد یافتیم،. تغییرات کوچکی است که میتواند تاثیر زیادی برای کمک به مردم در انتخاب بهتر،.
کاهش ازدحام،. و کاهش انتشار گازهای گلخانهای داشته باشد.
" MIT Energy ابتکار، و بنیاد ملی علوم.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.