«کلان‌داده» مفهومی است که استفاده از آن، پیش از ابداع واژه‌ای به این منظور نیز مرسوم بوده است. براین‌اساس، هر سیستمی که بتواند مجموعه گسترده‌ای از داده‌های به‌ظاهر بی‌ارتباط با هم را تحلیل کند، درواقع با «کلان‌داده» کار می‌کند.

به گزارش «اخبار خودرو»، «کلان‌داده» مدیریت ترافیک را در شهرهای هوشمند آینده متحول خواهد کرد. «کلان‌داده» مفهومی است که استفاده از آن، پیش از ابداع واژه‌ای به این منظور نیز مرسوم بوده است. براین‌اساس، هر سیستمی که بتواند مجموعه گسترده‌ای از داده‌های به‌ظاهر بی‌ارتباط با هم را تحلیل کند، درواقع با «کلان‌داده» کار می‌کند. مدیریت ترافیک نیز از این قاعده مستثنا نیست و بسیاری از فناوری‌های این حوزه همچون مرکز پایش داده‌های تصویری ترافیکی، درواقع بر بستر «کلان‌داده» فعال بوده‌اند. با این همه، پیشرفت فناوری‌هایی که می‌توانند داده‌های تجمیع‌شده را تفسیر و تحلیل کنند، چنان قدرتی به مدیران ترافیکی آینده خواهد داد که تصور آن تا همین یک‌دهه پیش نیز ناممکن بود. در ادامه سلسله گزارش‌های روزنامه «دنیای‌خودرو» در مورد نقش فناوری در تغییرات اجتماعی مرتبط با حوزه خودرو، در این گزارش به نقش «کلان‌داده» در مدیریت ترافیک می‌پردازیم.

  «کلان‌داده» چیست؟ 
«کلان‌داده» (Big data) درواقع یک چتر مفهومی برای اشاره به مجموعه‌های بسیار بزرگی از داده‌هاست که تحلیل و سنجش آنها با استفاده از شیوه‌های سنتی تحلیل داده، تقریبا غیرممکن است. یک‌مثال‌ساده؛ نظرسنجی‌های مورد‌استفاده در رقابت‌های انتخاباتی به‌شدت غیردقیق هستند، نخست آنکه وابسته به تعداد افراد مورد سنجش و وضعیت تحصیلی، جغرافیایی و جنسیتی آنها و دوم زمان‌مند هستند. معنای عبارت دوم این است که نظر مردم در مورد کاندیداهای انتخابات ممکن است در فاصله یک هفته‌ای میان نظرسنجی و برگزاری انتخابات کاملا تغییر کند.
اما اگر ابررایانه‌ای داشته باشیم که بتواند با استفاده از تحلیل مصرف روزانه داده‌های اینترنتی دارندگان گوشی‌های هوشمند، سلائق سیاسی آنها را به‌دست بیاورد، می‌توان گفت همواره و به‌روز، از نظرات سیاسی عمده جمعیت کشور آگاه خواهیم بود. در این حالت، نتیجه انتخابات احتمالا به صورت کامل با تحلیل داده‌های ما همخوان خواهد بود. این معجزه «کلان‌داده» است.

  «کلان‌داده» و ترافیک
اما «کلان‌داده» چگونه می‌تواند حوزه خودرو و ترافیک را متحول کند؟ واقعیت این است که «کلان‌داده»، درحال‌حاضر  این کار را انجام داده است. زمانی که استفاده از اولین مسیریاب خارجی در ایران رواج یافت، برای بسیاری از کاربران عادی این پرسش ایجاد شد که شیوه کار این مسیریاب، ازجمله گزارش محل تصادفات، محل استقرار خودروهای پلیس و حتی تغییرات روزمره مسیرها (از جمله ایجاد بن‌بست‌های جدید، تغییر محل چراغ‌راهنمایی و... چگونه است؟
پاسخ عمده و البته نادرست بسیاری از شهروندان این بود که این نرم‌افزار با استفاده از ماهواره کار می‌کند، اما پاسخ صحیح، دقیقا در حیطه تعریف «کلان‌داده» می‌گنجید. نرم‌افزارهای مسیریاب، داده‌های خود را از تجمیع هزاران هزار داده‌ای به‌دست می‌آورند که کاربران عادی آنها را بارگذاری می‌کنند. البته، بارگذاری داده‌ها می‌تواند غیرآگاهانه هم باشد. به عنوان‌مثال، با روشن ماندن گزینه «موقعیت» روی گوشی هوشمند ، یک داده‌پرداز مرکزی می‌تواند داده‌های عبورومرور شما برای مدتی طولانی را تحلیل کند و حتی به شما گزینه‌های حمل‌و‌نقل عمومی در محدوده را پیشنهاد بدهد.
با این همه، فواید استفاده از «کلان‌داده» در حوزه ترافیک بی‌شمارند، چراکه ترافیک، همچون انتخابات، پدیده‌ای وابسته به کنش‌های عوامل بسیاری است که پیش‌بینی خروجی‌ها بر‌اساس ورودی‌ها را برای هرنوع سیستم پردازشگری بسیار دشوار می‌کند. به‌عنوان نمونه، اگر تمام خودروها به یک سیستم داده‌پردازی مرکزی متصل باشند، می‌توانیم نقشه‌ دقیقی‌ از پرترددترین مسیرهای شهری را داشته باشیم که برنامه‌ریزی‌های آتی برای ساخت پارکینگ، بازه‌های زمانی تجدید آسفالت خیابان و حتی اعزام اکیپ‌های پلیس راهنمایی‌و‌رانندگی را آسان‌تر کند. علاوه‌بر این، حتی می‌توانیم نقاط پر‌حادثه را شناسایی کنیم که این مهم برای نصب تابلوهای ترافیکی به ما کمک خواهد کرد.

  وقتی سیستم حمل‌و‌نقل عمومی نیازهایش را به ما می‌گوید
تجمیع و تفسیر داده‌های گسترده در مورد عبور‌و‌مرور شهروندان در زیرساخت‌های سیستم حمل‌و‌نقل عمومی هم یکی دیگر از فواید استفاده از «کلان‌داده» در مدیریت ترافیک شهری است. بر این اساس، با تجمیع داده‌های دستگاه بارکدخوانی بلیت‌ها، می‌توان بررسی کرد بارگذاری فلان خط اتوبوس در ساعات مختلف روز، ماه و حتی فصول به چه شکل است. به عنوان‌مثال ممکن است مسافران یک خط خاص اتوبوسرانی، به‌دلیل شرایط خاص آب‌و‌هوای محلی، در زمستان‌ بیش‌از تابستان‌ مسافر آن مسیر باشند. به این ترتیب، مدیران ترافیکی منطقه می‌توانند تعداد اتوبوس‌های فعال در این خط در فصل تابستان را کم کنند و آن را به خط‌های دیگر که نیاز بیشتری دارند، تخصیص بدهند.
این قبیل داده‌ها، فرصت‌های اقتصادی بی‌شماری هم برای استارت‌آپ‌های بخش‌خصوصی فراهم می‌کنند. باز‌هم به عنوان نمونه، می‌توان استارت‌آپی داشت که با شناسایی ساعات اوج ترافیک در محدوده‌های خاص (مثلا زمانی که ادارات تعطیل می‌شوند) به این محدوده ون-تاکسی اعزام و از سرریز مسافران سیستم حمل‌و‌نقل عمومی سود کسب کند.

ارسال نظر

شما در حال پاسخ به نظر «» هستید.
2 + 11 =

آخرین اخبار

بین الملل