23 ژوئن 2021
دوقلوهای دیجیتال برنامه ریزان شهر را قادر می سازد تا اقدامات آینده را در یک محیط مجازی آزمایش کنند ، به طور پایدار تحرک شهری را شکل دهند و آن را به طور کارآمد مدیریت کنند.
امروزه ، تعداد روزافزونی از راه حل های جدید ترافیکی ، طیف وسیعی از خدمات حمل و نقل را در شهرهای ما بهتر می کنند. از اسکوتر الکترونیکی گرفته تا دوچرخه های مشترک در تفرجگاهها تا سرویس های جدیدی که انتظار می رود در آینده شاهد آن باشیم ، مانند اتوبوس های شاتل مستقل. با مور زمان کل اکوسیستم تحرک شهری پیچیده تر می شود. تنها با چارچوب مناسب ، این خدمات جدید به طور موثری مکمل گزینه های تحرک و برای شهروندان و هم برای محیط زیست سودمند خواهند بود. بنابراین ، چگونه شهرها می توانند مروری بر این چشم انداز در حال تغییر داشته باشند؟ چگونه آنها می توانند در تنظیم این خدمات جدید پیشگام شوند؟
اصطلاحاً “دوقلوهای دیجیتال” ابزاری قدرتمند هستند که از برنامه ریزان ترافیک در شکل گیری پایدار حرکت شهری و مدیریت کارآمد آن پشتیبانی می کنند. دوقلوهای دیجیتال کپی مجازی از شهرها یا مناطق است که می تواند برای اجرای شبیه سازی قبل از شروع اقدامات اجرایی و در تحرک شهری مورد استفاده قرار گیرد.
شهرها از نظر تحرک هر روز با صد تصمیم مهم روبرو می شوند. چگونه می توان ازدحام و ساعات شلوغی را کاهش داد؟ کجا باید خطوط جدید دوچرخه سواری اضافه شود؟ چگونه می توان حمل و نقل عمومی را بهبود بخشید؟ آیا ارائه دهندگان جدید اسکوتر الکترونیکی می توانند به طور موثری خدمات موجود را تکمیل کنند؟ از یک طرف ، آنها باید تضمین کنند که مردم برای رقتن از نقطه A به B به روشی راحت ، ایمن و مقرون به صرفه می رسند. از طرف دیگر ، آنها باید جنبه های اقتصادی و زیست محیطی را در نظر بگیرند.
یک دوقلوی دیجیتالی برنامه ریزان را قادر می سازد تا این سوالات را در یک مدل مجازی اجرا کرده و هر سناریوی ممکن را آزمایش کنند. این امر به آنها کمک می کند تا یک مرور کلی داشته باشند و آنها را قادر به تصمیم گیری درست کرده و ، در عین حال هزینه ها را کاهش می دهد و احتمال شکست در دنیای واقعی را کاهش می دهد.
دوقلوهای دیجیتال بر اساس داده ها و الگوریتم ها ساخته شده اند. در شهرها ، هر روز داده های زیادی تولید می شود ، به عنوان مثال توسط سنسورها ودوربین های ترافیک .کریستین یو هاس ، مدیر عامل گروه PTV ، رهبر بازار جهانی نرم افزار تحرک و حمل و نقل ، توضیح داد: “در PTV ما از انواع مختلف داده استفاده می کنیم. این شامل داده های ترافیکی از همه حالت های حمل و نقل ، مانند اتومبیل ها ، کامیون ها یا حمل و نقل عمومی است ، اما همچنین ، داده های اقتصادی – اجتماعی مانند مناطق زندگی و مناطق کار استفاده می شوند . ما داده ها را اصلاح می کنیم ، الگوریتم های خود را با آن تغذیه می کنیم و یک دوقلوی دیجیتالی دقیق و واقع گرایانه از شهر می سازیم. “
در این محیط مجازی می توان کلیه کاربران جاده و تعاملات آنها و همچنین خدمات حمل و نقل عمومی را مدلسازی و برنامه ریزی کرد. بنابراین اقدامات جدید می توانند قبل از اینکه در زندگی واقعی اجرا شوند ، شبیه سازی و تجزیه و تحلیل شوند و برنامه ریزان با اصطلاح “سناریوهای چه می شوند” کار می کنند.
به عنوان مثال اگر شهرها می خواهند دوچرخه را توسعه دهند باید زیرساختی فراهم کنند که به دوچرخه سواران اجازه دهد با خیال راحت و موثر به مقصد برسند. قبل از اجرای پروژه های زیربنایی پرهزینه ، منطقی است که به اقدامات مختلف نگاه دقیق داشته باشیم.
مدل های دیجیتالی می توانند به شبیه سازی واقعی ترافیک دوچرخه سواری فعلی و آینده شهر کمک کنند ، اقدامات مختلف را آزمایش و اعتبار سنجی کنند و بنابراین بهترین مکان ها را برای مسیرهای جدید دوچرخه سواری پیدا کنند.
مثال دیگر رانندگی خودمختار است. چه اتفاقی می افتد اگر به زودی وسایل نقلیه خودران وارد خیابان های ما شوند؟ تعامل آنها با وسایل نقلیه معمولی چگونه خواهد بود؟ این فناوری جدید چه فرصت ها و خطرات بالقوه ای را برای برنامه ریزی شهری و حمل و نقل در بر خواهد داشت؟ با قرار دادن وسایل نقلیه خودمختار در جاده مجازی می توان به چنین سوالاتی رسید. بنابراین برنامه ریزان و تصمیم گیرندگان می توانند این آینده ناشناخته را بررسی کرده و اقدامات مقدماتی را در مراحل اولیه تعریف کنند.
پایتخت نروژ اسلو چنین مطالعه ای را انجام داده است تا اطمینان حاصل کند که شبکه تحرک شهر برای ظهور وسایل نقلیه خودمختار آماده شده است. این گزارش نشان داد که وسایل نقلیه خودمختار تنها زمانی که در یک سیستم تحرک بزرگتر ادغام شوند به کاهش ترافیک کمک می کنند. اما اگر به روشی مشابه اتومبیل های امروزی استفاده شود ، وضعیت را بدتر می کند.
سناریویی که بیشترین کاهش در ترافیک را ایجاد کرد این بود که کاربران حمل و نقل عمومی به این کار ادامه می دهند در حالی که رانندگان اتومبیل های اشتراکی رانندگی روی می آورند. این امر باعث کاهش 14 درصدی ترافیک در سراسر منطقه مورد مطالعه شد. برعکس ، اگر همه افرادی که در حال حاضر رانندگی می کنند و همه افرادی که از وسایل حمل و نقل عمومی استفاده می کنند به اشتراک خودرو بپردازند ، حجم ترافیک 97 درصد افزایش می یابد.
هاس گفت: “شبیه سازی ها نوعی زمین بازی دیجیتال است ، جایی که می توانید ایده ها و مفاهیم ابتکاری را امتحان کنید ، که در غیر این صورت ممکن است هرگز در واقعیت آزمایش نشوند.”
فراتر از مدل سازی و برنامه ریزی ، از دوقلوهای دیجیتالی شهرها می توان در مدیریت ترافیک استفاده کرد. با ترکیب مدل های ترافیکی با داده های ترافیکی در زمان واقعی ، اپراتورهای ترافیکی ابزاری قدرتمند برای پیش بینی ، بهینه سازی و کنترل ترافیک و حمل و نقل ارائه می شوند.
هاس توضیح داد: “با مدل های ما و داده های با کیفیت بالا در زمان واقعی ، پیش بینی دقیق و جامع برای کل شبکه ترافیک امکان پذیر است. اپراتورها می توانند ترافیک آینده را برای 60 دقیقه آینده پیش بینی و حتی بیشتر ، در صورت بروز حادثه ، از پشتیبانی تصمیم گیری پیشرفته تری برخوردار می شوند. “
به عنوان مثال ، در صورت بروز حادثه ، سیستم می تواند چندین عمل احتمالی مانند بستن جاده یا انحراف مسیر را برای کاهش تأثیرات منفی بر روی شبکه ارائه دهد. این باعث بهبود جریان و ظرفیت ترافیک می شود ، اما همچنین به افزایش ایمنی جاده ها و کاهش انتشار کمک می کند.
