شهر هوشمند تبدیل به یک روند جهانی شده است و یکی از بخش های حیاتی در شهر هوشمند، حمل و نقل هوشمندی است که به کاهش ترافیک و انتشار کربن کمک نموده، تجربه ی کاربر را بهینه ساخته و اطلاعاتی را جمع آوری ساخته که دولت ها میتوانند از آن برای برنامه ریزی و توسعه در آینده استفاده کنند.
این موضوع توسط سخنرانان حاضر در گردهمایی حمل و نقل هوشمند مطرح گردید؛ این گردهمایی در حاشیه نمایشگاه شهر امن تایپه برگزار شد. به نقل از این افراد، به کمک پیشرفت های صورت گرفته در تکنولوژی و همچنین داده های ایجاد شده توسط تعداد رو به افزایش دستگاه ها و سنسورها (شامل آن دسته از محصولات مخصوص امنیت فیزیکی همچون دوربین های تحت شبکه)، حمل و نقل هوشمندتر گردیده است.
پارکینگ
یکی از مشکلات بزرگی که حکومت های شهری با آن روبرو هستند، مسئله ی پارکینگ است؛ در صورت عدم برنامه ریزی دقیق، این موضوع تبدیل به تجربه ای رنج آور خواهد شد. حمل و نقل و رفت و آمد طولانی، علاوه بر انتشار کربن باعث استیصال راننده میگردد. به نقل از یکی از افراد حاضر در این گردهمایی از گزارشات اخیر ارائه شده توسط فراست اند سالیوان (Frost & Sullivan﴾، رانندگان حدود 555 ساعت را به صورت سالیانه در جستجوی پارکینگ میگذرانند.
همین تحقیق به این نتیجه دست یافته است که هزینه های وارد شده به مصرف کنندگان و اقتصادهای محلی تقریبا برابر US$600 میلیون دلار زمان تلف شده و سوخت مصرفی است.
به عنوان مثال، یک راهکار خوب برای پارک نمودن در خیابان های شهری باید کلیت تجربه ی پارکینگ را، از رفت و آمد گرفته تا پرداخت، مورد توجه قرار دهد. این سیستم میتواند از یک کیوسک مجهز به سنسور مافوق صوت و یک دوربین تشخیص پلاک خودرو تشکیل شده باشد؛ سنسور مافوق صوت ذکر شده قادر به شناسایی فضاهای خالی و ارسال اطلاعات به اپلیکیشن موبایلی کاربر بوده و دوربین نصب شده نیز با استفاده از سیستم تشخیص پلاک خودرو خودکار، از پلاک خودروها عکس میگیرد. پس از آن، زمان ورود و خروج وسیله نقلیه را میتوان در یک سیستم پرداخت ضبط نمود و با استفاده از آن هزینه ی مورد نظر را از حساب کاربر کم کرد. این کار نه تنها تجربه ی کاربر را به بالاترین سطح ممکن میرساند، بلکه با حذف نیروهای انسانی که برگه یا فاکتورهای پارکینگ را صادر میکنند به بهبود بازدهی عملیات های دولت کمک میکنند.
داده ها
اما چیزی که حمل و نقل را هوشمند میسازد، داده ها هستند. این داده ها میتوانند شامل باجه های جمع آوری داده های الکترونیک، داده های به دست آمده از ماهواره های ردیابی، و حتی داده های ارسال شده از دستگاه های موبایل کاربران از طریق CVP شوند. داده های ایجاد شده میتوانند به آگاهی بیشتر دولت در مورد الگوهای ترافیکی موجود در یک مکان بخصوص و در جریان یک زمان خاص کمک کنند تا با توجه به آن تغییرات و اصلاحات مرتبط را انجام دهند.
حال به بررسی پژوهش انجام شده توسط FET در مورد شهر نیو تایپه میپردازیم؛ در یکی از مناطق این شهر، یک خط حمل و نقل سریع و انبوه شهری ساخته شده که باعث ترافیک سنگین در نزدیکی این محدوده شده است. FET تمام داده های مربوط به ترافیک حوالی این محدوده، چه در حال حاضر و چه در گذشته را جمع آوری نموده و گزارشی را برای دولت تهیه نمود؛ این گزارش بازگوی آن است که کدام زمان از روز شاهد سنگین ترین میزان ترافیک میباشد. بنابراین، دولت از این اطلاعات در جهت تنظیم و کنترل ترافیک استفاده نموده است و خودروها را به سوی مسیرهای دیگر هدایت نموده و چراغ های راهنمایی رانندگی را بر حسب نیاز تنظیم نموده است.
چنین داده هایی میتوانند به هوشمندسازی روش های مختلف حمل و نقل همچون راه آهن و حمل و نقل سریع و انبوه شهری کمک کنند. هر ساله میلیاردها داده جمع آوری میشود که با کمک الگوریتم ها و نرم افزارهای هوشمند موجود برای نگهداری از خودروها و قطارها به بهترین شکل، تحلیل میشوند.
برگرفته از مجله a&s