Derpy
Intern Writer
Xe hơi vẫn là phương tiện giao thông chủ yếu tại Đức, dù chúng mang lại lượng khí thải carbon cao. Để làm cho những lựa chọn giao thông thân thiện với môi trường trở nên hấp dẫn hơn, các nhà nghiên cứu từ Viện Fraunhofer về Quang học, Công nghệ Hệ thống và Khai thác Hình ảnh IOSB đang hợp tác với các đối tác trong dự án DAKIMO nhằm phát triển một hệ thống giao thông thông minh, liên thông.
Một trí tuệ nhân tạo (AI) cho việc lập kế hoạch hành trình đa phương thức đang được phát triển, nhằm giúp mọi người đến nơi họ cần một cách liền mạch, tiện lợi và đáng tin cậy và tất cả điều này mà không cần xe cá nhân. Giao thông thân thiện với môi trường có thể thực hiện qua nhiều phương thức khác nhau, bao gồm xe buýt, tàu hỏa, tàu điện, xe scooter điện và xe đạp chia sẻ. Giao thông công cộng có tác động môi trường thấp hơn đáng kể so với xe cá nhân, nhưng xe hơi vẫn chiếm ưu thế. Dù sao đi nữa, xe hơi luôn có sẵn và việc lập kế hoạch chuyến đi bằng xe khá đơn giản. Để giao thông công cộng trở thành lựa chọn hấp dẫn hơn, việc kết hợp nhiều phương tiện giao thông trong cùng một hành trình phải dễ dàng hơn, và việc chuyển đổi giữa phương tiện công cộng, xe đạp (đặc biệt là xe đạp chia sẻ) và xe scooter điện cần phải thuận tiện như việc với tới chìa khóa xe.
Hiện tại, mọi người chưa tận dụng tối đa các kết nối liên phương thức này, vì việc lập kế hoạch hành trình từ điểm A đến B bằng nhiều phương tiện giao thông quá phức tạp. Có thể bạn sẽ đến trạm X bằng xe buýt trong 30 phút, nhưng rồi bạn phải hy vọng rằng có xe đạp chia sẻ hoặc xe scooter điện có sẵn ở đó. Liệu có phải sẽ tốt hơn nếu đi tiếp đến trạm Y, nơi có nhiều xe đạp hơn? Cho đến nay, các ứng dụng lập lộ trình chưa xem xét các khía cạnh này trong các lộ trình được đề xuất.
Dự đoán lộ trình liên phương thức qua ứng dụng là điều mà dự án DAKIMO đang hướng đến. Các nhà nghiên cứu tại Fraunhofer IOSB tại Karlsruhe đã phát triển một hệ thống dựa trên AI để dự đoán sự sẵn có của các phương tiện giao thông chia sẻ, bao gồm cả dữ liệu trực tiếp về điều kiện giao thông. Dự đoán này tính toán khả năng tìm thấy một chiếc xe đạp hoặc xe scooter điện để thuê tại một thời điểm nhất định ở một địa điểm nhất định. Đối tác dự án raumobil GmbH sử dụng các dự đoán này cho việc lập lộ trình liên phương thức, có nghĩa là một ứng dụng di động sẽ gợi ý các kết nối từ điểm khởi đầu đến điểm đích với tính toán sự sẵn có đã được dự đoán. Mục tiêu của các đối tác trong dự án là mở rộng ứng dụng regiomove, được khởi động bởi Karlsruher Verkehrsverbund (KVV), cơ quan giao thông Karlsruhe, nhằm biến các gợi ý lộ trình liên phương thức thành hiện thực. Mục tiêu là người dùng ứng dụng có thể nhận được các gợi ý tùy chỉnh cho các phương tiện giao thông phù hợp tối ưu với nhu cầu cá nhân và lộ trình đã chọn, tùy thuộc vào tình huống hiện tại.
"Để giao thông trở nên liên phương thức và thân thiện với môi trường hơn, nó cần phải đơn giản hơn, đáng tin cậy hơn, linh hoạt hơn và dễ lập kế hoạch hơn," Jens Ziehn, người đứng đầu dự án tại Fraunhofer IOSB, chia sẻ. "Tính năng dự đoán của AI sẽ gợi ý phương tiện tối ưu để đến đích trong từng trường hợp cụ thể, bao gồm cho các phần khác nhau của lộ trình, mà không làm mọi thứ trở nên phức tạp. Các phương tiện có thể đặt trước, bao gồm cả xe chia sẻ, sẽ được hiển thị tại cả hai đầu chuyến đi." AI sẽ tham gia khi con người mất cái nhìn tổng quan, chẳng hạn như khi một chiếc xe buýt mắc kẹt trong giao thông hoặc không còn xe đạp chia sẻ nào có sẵn ở trạm cuối cùng. "Việc dự đoán là khả thi bởi vì AI sử dụng các ô địa lý nhỏ và khoảng thời gian ngắn để tính toán xác suất ngắn hạn và dài hạn về sự sẵn có cũng như số lượng phương tiện chia sẻ dự kiến, dựa trên các nguồn dữ liệu mở như dữ liệu từ giao thông công cộng và dữ liệu lịch sử về vị trí của xe đạp chia sẻ," Reinhard Herzog, người lãnh đạo nhóm Mô hình hóa và Hệ thống Mạng tại Fraunhofer IOSB, cho biết.
Tính năng dự đoán AI sẽ được tích hợp vào Tiêu chuẩn Cung cấp Thông tin về Xe đạp Chia sẻ Toàn cầu (GBFS), một bộ thông số thời gian thực cho dữ liệu công cộng nhằm cung cấp thông tin giao thông, chẳng hạn như dữ liệu vị trí cho các ứng dụng hướng tới người tiêu dùng. Hiện tại, một giai đoạn đánh giá kéo dài một năm đang được tiến hành. "Trong giai đoạn thử nghiệm này, chức năng dự đoán được tích hợp vào một bản dự thảo để mở rộng tiêu chuẩn," Herzog giải thích. "Để đưa công nghệ AI của chúng tôi vào sử dụng rộng rãi, việc thêm xác suất dự đoán cho các phương tiện chia sẻ vào tiêu chuẩn GBFS là rất quan trọng." Khi điều này hoàn tất, tiêu chuẩn không chỉ phục vụ để hiển thị vị trí của các phương tiện giao thông chia sẻ hiện có mà còn cung cấp các dự đoán được tính toán bởi AI về sự sẵn có trong tương lai. Dựa trên dữ liệu GBFS, mục tiêu là các ứng dụng lập lộ trình trong tương lai có thể cung cấp các tùy chọn lộ trình liên phương thức.
Đối tác dự án raumobil GmbH đã làm việc để chuẩn hóa chức năng dự đoán. Việc mở rộng tiêu chuẩn GBFS đã được tổ chức MobilityData, một tổ chức phi lợi nhuận tập trung vào tiêu chuẩn hóa và trao đổi dữ liệu giao thông, chấp nhận. Máy chủ hợp nhất AI, nơi tất cả dữ liệu được tổng hợp, đã đi vào hoạt động. Nó sử dụng AI làm cơ sở để xác định sự sẵn có của các phương tiện giao thông, từ đó tính toán các lộ trình liên phương thức. Tính năng dự đoán AI cũng đã có trong phiên bản thử nghiệm của ứng dụng regiomove dựa trên Karlsruhe, kết hợp nhiều lựa chọn giao thông cho khu vực Trung Thượng Rhine.
Các kế hoạch sẽ mở rộng mô hình dự đoán ra toàn bộ bang Baden-Württemberg trong bước tiếp theo. Phản hồi từ công chúng rất tích cực, như đã được chứng minh bởi một nghiên cứu với hơn 1.500 người tham gia trong khuôn khổ dự án. Gần 90% người tham gia cho rằng dự đoán dựa trên AI cho phương tiện giao thông chia sẻ là hữu ích hoặc rất hữu ích. Khoảng 20% số người được khảo sát cho biết họ sẽ đôi khi để xe hơi ở nhà và chuyển sang giao thông công cộng. "Các phát hiện nghiên cứu của chúng tôi xác nhận rằng các phương pháp dựa trên AI có thể hỗ trợ hiệu quả cho sự chuyển đổi giao thông và góp phần vào hành động vì khí hậu," Ziehn nhấn mạnh.
Nguồn tham khảo: Techxplore
Một trí tuệ nhân tạo (AI) cho việc lập kế hoạch hành trình đa phương thức đang được phát triển, nhằm giúp mọi người đến nơi họ cần một cách liền mạch, tiện lợi và đáng tin cậy và tất cả điều này mà không cần xe cá nhân. Giao thông thân thiện với môi trường có thể thực hiện qua nhiều phương thức khác nhau, bao gồm xe buýt, tàu hỏa, tàu điện, xe scooter điện và xe đạp chia sẻ. Giao thông công cộng có tác động môi trường thấp hơn đáng kể so với xe cá nhân, nhưng xe hơi vẫn chiếm ưu thế. Dù sao đi nữa, xe hơi luôn có sẵn và việc lập kế hoạch chuyến đi bằng xe khá đơn giản. Để giao thông công cộng trở thành lựa chọn hấp dẫn hơn, việc kết hợp nhiều phương tiện giao thông trong cùng một hành trình phải dễ dàng hơn, và việc chuyển đổi giữa phương tiện công cộng, xe đạp (đặc biệt là xe đạp chia sẻ) và xe scooter điện cần phải thuận tiện như việc với tới chìa khóa xe.
Hiện tại, mọi người chưa tận dụng tối đa các kết nối liên phương thức này, vì việc lập kế hoạch hành trình từ điểm A đến B bằng nhiều phương tiện giao thông quá phức tạp. Có thể bạn sẽ đến trạm X bằng xe buýt trong 30 phút, nhưng rồi bạn phải hy vọng rằng có xe đạp chia sẻ hoặc xe scooter điện có sẵn ở đó. Liệu có phải sẽ tốt hơn nếu đi tiếp đến trạm Y, nơi có nhiều xe đạp hơn? Cho đến nay, các ứng dụng lập lộ trình chưa xem xét các khía cạnh này trong các lộ trình được đề xuất.
Dự đoán lộ trình liên phương thức qua ứng dụng là điều mà dự án DAKIMO đang hướng đến. Các nhà nghiên cứu tại Fraunhofer IOSB tại Karlsruhe đã phát triển một hệ thống dựa trên AI để dự đoán sự sẵn có của các phương tiện giao thông chia sẻ, bao gồm cả dữ liệu trực tiếp về điều kiện giao thông. Dự đoán này tính toán khả năng tìm thấy một chiếc xe đạp hoặc xe scooter điện để thuê tại một thời điểm nhất định ở một địa điểm nhất định. Đối tác dự án raumobil GmbH sử dụng các dự đoán này cho việc lập lộ trình liên phương thức, có nghĩa là một ứng dụng di động sẽ gợi ý các kết nối từ điểm khởi đầu đến điểm đích với tính toán sự sẵn có đã được dự đoán. Mục tiêu của các đối tác trong dự án là mở rộng ứng dụng regiomove, được khởi động bởi Karlsruher Verkehrsverbund (KVV), cơ quan giao thông Karlsruhe, nhằm biến các gợi ý lộ trình liên phương thức thành hiện thực. Mục tiêu là người dùng ứng dụng có thể nhận được các gợi ý tùy chỉnh cho các phương tiện giao thông phù hợp tối ưu với nhu cầu cá nhân và lộ trình đã chọn, tùy thuộc vào tình huống hiện tại.
"Để giao thông trở nên liên phương thức và thân thiện với môi trường hơn, nó cần phải đơn giản hơn, đáng tin cậy hơn, linh hoạt hơn và dễ lập kế hoạch hơn," Jens Ziehn, người đứng đầu dự án tại Fraunhofer IOSB, chia sẻ. "Tính năng dự đoán của AI sẽ gợi ý phương tiện tối ưu để đến đích trong từng trường hợp cụ thể, bao gồm cho các phần khác nhau của lộ trình, mà không làm mọi thứ trở nên phức tạp. Các phương tiện có thể đặt trước, bao gồm cả xe chia sẻ, sẽ được hiển thị tại cả hai đầu chuyến đi." AI sẽ tham gia khi con người mất cái nhìn tổng quan, chẳng hạn như khi một chiếc xe buýt mắc kẹt trong giao thông hoặc không còn xe đạp chia sẻ nào có sẵn ở trạm cuối cùng. "Việc dự đoán là khả thi bởi vì AI sử dụng các ô địa lý nhỏ và khoảng thời gian ngắn để tính toán xác suất ngắn hạn và dài hạn về sự sẵn có cũng như số lượng phương tiện chia sẻ dự kiến, dựa trên các nguồn dữ liệu mở như dữ liệu từ giao thông công cộng và dữ liệu lịch sử về vị trí của xe đạp chia sẻ," Reinhard Herzog, người lãnh đạo nhóm Mô hình hóa và Hệ thống Mạng tại Fraunhofer IOSB, cho biết.
Tính năng dự đoán AI sẽ được tích hợp vào Tiêu chuẩn Cung cấp Thông tin về Xe đạp Chia sẻ Toàn cầu (GBFS), một bộ thông số thời gian thực cho dữ liệu công cộng nhằm cung cấp thông tin giao thông, chẳng hạn như dữ liệu vị trí cho các ứng dụng hướng tới người tiêu dùng. Hiện tại, một giai đoạn đánh giá kéo dài một năm đang được tiến hành. "Trong giai đoạn thử nghiệm này, chức năng dự đoán được tích hợp vào một bản dự thảo để mở rộng tiêu chuẩn," Herzog giải thích. "Để đưa công nghệ AI của chúng tôi vào sử dụng rộng rãi, việc thêm xác suất dự đoán cho các phương tiện chia sẻ vào tiêu chuẩn GBFS là rất quan trọng." Khi điều này hoàn tất, tiêu chuẩn không chỉ phục vụ để hiển thị vị trí của các phương tiện giao thông chia sẻ hiện có mà còn cung cấp các dự đoán được tính toán bởi AI về sự sẵn có trong tương lai. Dựa trên dữ liệu GBFS, mục tiêu là các ứng dụng lập lộ trình trong tương lai có thể cung cấp các tùy chọn lộ trình liên phương thức.
Đối tác dự án raumobil GmbH đã làm việc để chuẩn hóa chức năng dự đoán. Việc mở rộng tiêu chuẩn GBFS đã được tổ chức MobilityData, một tổ chức phi lợi nhuận tập trung vào tiêu chuẩn hóa và trao đổi dữ liệu giao thông, chấp nhận. Máy chủ hợp nhất AI, nơi tất cả dữ liệu được tổng hợp, đã đi vào hoạt động. Nó sử dụng AI làm cơ sở để xác định sự sẵn có của các phương tiện giao thông, từ đó tính toán các lộ trình liên phương thức. Tính năng dự đoán AI cũng đã có trong phiên bản thử nghiệm của ứng dụng regiomove dựa trên Karlsruhe, kết hợp nhiều lựa chọn giao thông cho khu vực Trung Thượng Rhine.
Các kế hoạch sẽ mở rộng mô hình dự đoán ra toàn bộ bang Baden-Württemberg trong bước tiếp theo. Phản hồi từ công chúng rất tích cực, như đã được chứng minh bởi một nghiên cứu với hơn 1.500 người tham gia trong khuôn khổ dự án. Gần 90% người tham gia cho rằng dự đoán dựa trên AI cho phương tiện giao thông chia sẻ là hữu ích hoặc rất hữu ích. Khoảng 20% số người được khảo sát cho biết họ sẽ đôi khi để xe hơi ở nhà và chuyển sang giao thông công cộng. "Các phát hiện nghiên cứu của chúng tôi xác nhận rằng các phương pháp dựa trên AI có thể hỗ trợ hiệu quả cho sự chuyển đổi giao thông và góp phần vào hành động vì khí hậu," Ziehn nhấn mạnh.
Nguồn tham khảo: Techxplore
Sửa lần cuối bởi điều hành viên: