استخدام التعلم الآلي لتحفيز النقل المستدام

يُعدّ التعلّم الآلي أحد أكثر أشكال الذكاء الاصطناعي تطورًا في الوقت الحالي. فقدرته على تسجيل البيانات وربطها والتنبؤ بها تجعله الحل الأمثل للعديد من أكثر قضايا اليوم إلحاحًا. وقد أُضيفت مؤخرًا إلى هذه التقنية حالة استخدام جديدة، مما يُساعد في تخطيط وتحفيز شبكات النقل المستدامة.

خوارزميات التعلم الآلي

تتوفر خوارزميات التعلم الآلي في أشكال عديدة اليوم وهي مستخدمة في كل مكان حولك. تستمر هذه الأنظمة في التحسن في مجموعة المهارات الخاصة بها، حيث توجد الآن خوارزميات تعلم آلي متعددة لاستخدامها بناءً على متطلباتك. تتضمن بعض الأمثلة الشائعة الشبكات العصبية الاصطناعية وأشجار القرار وآلات الدعم المتجه.

عند تصفحك اقتراحات نتفليكس المُوصى بها ومنشورات وسائل التواصل الاجتماعي، أو التفاعل مع روبوتات الدردشة الخاصة بالشركة، أو ركوب المركبات ذاتية القيادة، فأنت تعتمد على خوارزميات التعلم الآلي. ثلاثة أنظمة سريعة، منخفضة التكلفة، فعّالة، وتوفر مستويات جديدة من الرؤى. كل هذه العوامل تجعل خوارزميات التعلم الآلي مثالية لدفع شبكات النقل المستدامة قدمًا.

أهداف النقل المستدام

مع ارتفاع معدلات التلوث واستمرار تدهور الظروف البيئية، زاد الطلب على خيارات النقل المستدامة بشكل مطرد جنبًا إلى جنب مع توافرها. والآن، هناك العديد من الطرق التي يمكن لأي شخص من خلالها الوصول إلى وجهته دون استخدام الوقود الأحفوري. من المركبات الكهربائية إلى ركوب الدراجة على الطريق، يتزايد استخدام النقل المستدام.

مصدر مراقبة السوق – أعلى معدلات تبني النقل المستدام في الولايات المتحدة

التغيير الحيوي مطلوب

لا مجال لإضاعة الوقت في تحسين شبكات النقل المستدامة. فهناك بالفعل عدد كبير جدًا من السيارات على طرقات المدن حول العالم. وقد أدى هذا الوضع إلى ازدحام مروري وإحباط وضرر بيئي. يمكن أن يُسهم التعلم الآلي في الحد من اعتماد العالم على الوقود الأحفوري، والمساهمة في بناء حياة أكثر ربحيةً وصديقةً للبيئة.

لإنجاز هذه المهمة، سيحتاج مطورو التعلم الآلي إلى إنشاء خوارزميات تأخذ في الاعتبار مجموعة واسعة من العوامل. إن استخدام التعلم الآلي لتعزيز النقل المستدام يتجاوز مجرد توفير السيارات ذاتية القيادة للوقود، بل يتعلق بإنشاء مدينة تشجع الناس وتحفزهم على استخدام جميع أشكال النقل الأخضر.

الحملة الخضراء

يمكنك بالفعل رؤية هذا التوجه نحو الاستدامة في العديد من المدن، حيث أصبحت مسارات الدراجات والممرات أكثر شيوعًا. تساعد هذه الممرات، إذا تم وضعها بشكل صحيح، في دفع الاقتصاد وتحسين البيئة المحلية والحفاظ على صحة المواطنين. في المدن التي تم فيها دمج مسارات الدراجات، كانت النتائج متباينة بسبب عوامل رئيسية مثل وضع الممرات وإمكانية الوصول إليها وقضايا لوجستية أخرى.

وفي المدن التي تم فيها إدخال مسارات الدراجات بنجاح، كانت النتائج ملهمة. فقد قامت مدن مثل تورنتو بدمج مسارات الدراجات التي تمتد في جميع أنحاء المدينة. وقد أدت هذه المسارات إلى انخفاض حوادث الدراجات، وزيادة عدد الأشخاص الذين يركبون الدراجات، وزيادة استخدام الدراجات الإلكترونية للتنقل في جميع أنحاء المدينة.

المشاكل التي يواجهها مخططو المدن والتي يمكن لأنظمة التعلم الآلي حلها

من بين القضايا الرئيسية التي يواجهها مخططو المدن صعوبة في التعامل معها هو الافتقار إلى بيانات البنية الأساسية. قد ترغب مدينتك في دمج مسار للدراجات قريبًا. ومع ذلك، يتعين عليهم إجراء الكثير من الأبحاث لمعرفة كيف سيؤثر ذلك على حركة المرور والعوامل الرئيسية الأخرى. يجب على المخططين تحسين موقع مسارات الدراجات لضمان التماسك بدلاً من المسارات المتناثرة وغير المتصلة التي لا تخدم أي غرض حقيقي.

يمكن للتعلم الآلي أن يأخذ كميات هائلة من البيانات ويقارنها بمعلومات خاصة بالموقع مثل تخطيط المدينة. تسمح هذه الاستراتيجية للذكاء الاصطناعي بإجراء عمليات محاكاة باستخدام بيانات فعلية من مواقع ذات ظروف مماثلة لتحديد المسار الأمثل. والجدير بالذكر أن تحديد المسار الأمثل يتطلب قدرًا أكبر بكثير من التفكير فيما إذا كان المسار مناسبًا وما إذا كان يمر عبر مراكز مجتمعية حيوية.

النفعية مقابل العدالة

واحد دراسة وقد قام الباحثون بفحص طرق توجيه المسارات القائمة على النفعية مقابل تلك القائمة على الإنصاف، والتي يمكن أن توفر بيانات قيمة لأنظمة التعلم الآلي في المستقبل. وقد استعرض الباحثون ثلاثة نماذج، نموذج نفعي على مستوى المدينة، ونموذج نفعي قائم على المنطقة، ونموذج مدفوع بالإنصاف. وقرر الباحثون أن تخطيط مسارات الدراجات المثلى أكثر تعقيدًا مما كان متوقعًا في البداية، حيث تكون أكبر الفوائد التي تعود على المنطقة غالبًا خارج المنطقة. وعلى هذا النحو، يمكن استخدام خوارزميات التعلم الآلي لتحديد كيفية تصميم وصول موثوق به إلى شبكات النقل المستدامة التي تعود بالنفع على المجتمع بأكمله.

الافتقار إلى الحوافز اللازمة للنقل المستدام

كما يمكن أن يلعب التعلم الآلي دوراً حيوياً في دفع تبني وسائل النقل المستدامة. فعلى مدى العقدين الماضيين، كان التوجه نحو المركبات الكهربائية في الغرب بطيئاً. ولسنوات، كان الاهتمام بهذه التكنولوجيا يتضاءل إذا انخفضت أسعار البنزين.

ولم تبدأ الدول الغربية في العالم في تطوير مناهج كمية لإعطاء الأولوية للبنية الأساسية بشكل أفضل لدفع عملية التبني إلا مؤخرًا. ومؤخرًا، اتجه المطورون نحو تقنية ناشئة أخرى يمكن أن تعمل جنبًا إلى جنب مع نظام التعلم الآلي لتشجيع الركاب على اختيار خيارات النقل المستدامة، وهي تقنية البلوك تشين.

تمكن تقنية البلوك تشين هذه الأنظمة من معالجة كميات هائلة من البيانات في الوقت الفعلي وتوفير مكافآت دقيقة باستخدام رموز تم إنشاؤها خصيصًا لتحفيز المستخدمين. هذا النموذج قيد الاستخدام بالفعل في العديد من الصناعات، بما في ذلك قطاع التحرك لكسب المال الناشئ. وبالمثل، تكافئ تطبيقات M2E المستخدمين على بقائهم نشطين. تسمح هذه الأنظمة للمستخدمين بتتبع خطواتهم وأنشطتهم على الدراجات والمزيد، مما يضمن لهم الحصول على مكافآت بناءً على أفعالهم.

كيف سيعمل الذكاء الاصطناعي على تعزيز تخطيط المدن للنقل الشخصي المستدام؟

يجمع التعلم الآلي بين أفضل ما في العالمين من حيث قدرته على أخذ البيانات التاريخية ومقارنتها بالمعلومات في الوقت الفعلي لاتخاذ قرارات مستنيرة. ويمكن لمخططي المدن استخدام هذه المعلومات لصياغة واختبار واستيعاب وحتى إنشاء خيارات نقل مفيدة.

تتيح خوارزميات التعلم الآلي لمخططي المدن دمج الخيارات المستدامة في البنية الأساسية الأساسية للمجتمع على مستوى جديد. ويمكنهم أخذ العوامل الخارجية في الاعتبار مثل الكميات الهائلة من البيانات التاريخية والبيئية. وتمكن هذه القدرة المخططين من التنبؤ بتدفق حركة المرور بشكل أكثر دقة.

هل يؤدي زيادة تنوع الطرق إلى تحفيز ممارسات النقل المستدام؟

من المؤكد أن زيادة تنوع مسارات النقل المستدام ستعزز الحوافز. سيستفيد الركاب والركاب من أنماط حياة صحية، وتلوث ضوضائي أقل، واستقلالية أكبر في استهلاك الوقود، وغيرها من المزايا الإيجابية. بالإضافة إلى ذلك، يمكن إنشاء مسارات جديدة باستخدام إرشادات التعلم الآلي، مما يوفر الوقت ويوفر مناظر خلابة، مع إمكانية الوصول إلى مراكز الأنشطة في المدينة.

شحن البنية التحتية

ستلعب أنظمة التعلم الآلي دورًا حاسمًا في ردع تصميم البنية التحتية لشحن المركبات الكهربائية. تتمتع المركبات الكهربائية بزخم، ومع ذلك، لا يزال هناك العديد من المجتمعات التي تفتقر إلى محطة شحن واحدة. لتحسين التبني، يجب إنشاء بنية تحتية قابلة للتطبيق وسهلة الوصول للشحن.

ستساعد أنظمة التعلم الآلي أيضًا في تحسين كفاءة الشحن. تُعدّ كفاءة شحن السيارات الكهربائية مصدر قلق كبير مع تحوّل المزيد من الناس إلى السيارات الكهربائية بالكامل. قد يستغرق شحن بطاريات السيارات الكهربائية وقتًا طويلاً. يمكن لخوارزميات التعلم الآلي أن تُساعد في تقليل الوقت مع تحسين العمر الافتراضي لبطارية سيارتك.

تقليل تلوث الهواء

يؤثر الهواء الذي تتنفسه بشكل مباشر على صحتك. وبالتالي، من الشائع أن يعاني أولئك الذين يعيشون بجوار الطرق السريعة الرئيسية من بعض أشكال المشكلات الصحية المتعلقة بالرئة مع تقدمهم في السن. كان هذا هو العامل المحرك للسوق الصينية، التي أصبحت الآن أكبر اقتصاد للسيارات الكهربائية وأكثرها نشاطًا في العالم.

لا تصدر أنظمة السيارات الكهربائية أي انبعاثات، مما يجعلها مثالية للحفاظ على نقاء الهواء ومنع المواقف الخطيرة حيث يتعرض المواطنون للمواد الكيميائية القاتلة طوال اليوم دون أن يلاحظوا ذلك. ومع تحول الطرق ببطء إلى غالبية المركبات الكهربائية، فمن المتوقع أن تزداد جودة الهواء بشكل متناسب.

دعم مجتمعات المركبات الكهربائية

تساعد أنظمة التعلم الآلي بالفعل في الإجابة على الأسئلة التي يطرحها العملاء على الشركات المصنعة أثناء عملية البيع. وفي المستقبل، قد يجعل نفس المفهوم امتلاك سكوتر أسهل. يمكن أن تساعدك خوارزميات التعلم الآلي في الاتصال بمالكي المركبات الكهربائية الآخرين لمشاركة المعلومات والمفاهيم والقصص.

الشركات التي يمكن أن تستفيد من أنظمة الحوافز المناسبة للنقل المعتمدة على التعلم الآلي

لا يستغرق الأمر سوى لحظة لنرى أن سوق السيارات الكهربائية مزدهر. من السيارات الكهربائية إلى الدراجات الإلكترونية، هناك الكثير من الشركات المصنعة التي تدخل هذا القطاع، وقد وصلت خيارات المنتجات إلى أرقام قياسية. إليك شركة واحدة يمكنها دمج خوارزميات التعلم الآلي لزيادة الإيرادات قريبًا.

فيستا في الهواء الطلق

انطلقت شركة Vista Outdoor في عام 2015 كشركة أمريكية لتصنيع وتصميم معدات الرحلات الخارجية. وقد نمت الشركة لتصبح شركة ضخمة تسيطر الآن على العديد من الشركات التابعة في مختلف أنحاء الصناعة. ومن بين هذه المشاريع التي حققت للشركة نجاحًا كبيرًا الدراجات الإلكترونية QuietKat.

(VSTO )

كوايت كات تتميز الدراجات الإلكترونية بأداء فائق بفضل محركاتها متوسطة الدفع بقوة 750 واط إلى 1000 واط وموادها عالية الجودة. صُممت هذه الدراجات لتتحمل ظروف الطرق الوعرة، وتُصنف كدراجات لجميع التضاريس. كما أنها مزودة بتقنية VPO الخاصة بالشركة، والتي تراقب دواساتك وتُعزز الطاقة عند الحاجة.

عانت شركة Quietkat في البداية من انتشار جائحة كوفيد-19، حيث لم يتمكن أحد من السفر. أدى هذا النقص في السفر إلى خسائر فادحة في أرباح الشركة. ومع ذلك، ازداد الطلب على الدراجات الكهربائية بشكل كبير منذ انتهاء الجائحة، وأصبحت اليوم دراجات Quietkat الكهربائية المزوّد الرائد للدراجات الاحترافية المخصصة للطرق الوعرة. وقد أدى هذا النمو إلى تعزيز أداء Vista Outdoor بشكل مباشر.

مؤخرًا، وقعت شركة فيستا أوتدور اتفاقية بيع قسمت الشركة إلى قسمين مقابل 3.35 مليار دولار، بما في ذلك الديون. وقد قوبلت أنباء البيع بثقة المستثمرين حيث وصل سهم فيستا أوتدور إلى القيمة السوقية 2.58 مليار دولار. تأتي هذه الأخبار بعد إعلان الشركة عن إصدار أحدث بياناتها المالية قريبًا. تجعل هذه العوامل من فيستا أوتدور شركة "يشترى"للتجار الذين يسعون إلى الوصول إلى سوق السيارات الكهربائية.

عصر جديد من النقل المستدام

لقد بدأ عصر النقل المستدام. والآن، حان الوقت لمخططي المدن والمصنعين للعمل معًا لجعل عملية الانتقال سهلةً وميسرةً قدر الإمكان. وبالتالي، يُمكنكم توقع المزيد من دمج هذه التقنية في قطاع النقل، مما قد يُؤدي إلى مسار سفر أكثر نظافةً وأمانًا لغالبية الناس قريبًا.

تعرف على الذكاء الاصطناعي الرائع الآخر المشاريع.