«بهینه‌سازی سیستمی»؛ راهکاری برای افزایش سرعت تمامی رانندگان شهری

یک تغییر مسیر استراتژیک برای تنها ۲ درصد از سفرهای شهری می‌تواند سرعت رانندگی را به‌طور محسوس افزایش و انتشار کربن را برای کل شهر کاهش دهد. طبق گزارشی که در نشریه Nature Cities توسط گوگل ریسرچ (Google Research) منتشر شد، انتقال بخش کوچکی از ترافیک از گلوگاه‌های شناخته‌شده، سود سیستمی برای تمامی کاربران جاده ایجاد می‌کند.

چالش‌های جابه‌جایی شهری

حمل‌ونقل شهری ستون فقرات زندگی مدرن است و موتور محرک رشد اقتصادی و بهره‌وری محسوب می‌شود. با این حال، هزینه‌های انسانی و محیطی این سیستم بسیار سنگین است. طبق آمار، رانندگان به‌طور متوسط ۲.۶ سال از زندگی خود را در جاده‌ها می‌گذرانند. علاوه بر این، خودروهای شخصی و ون‌ها مسئول حدود ۱۰ درصد از کل انتشار جهانی گاز CO2 هستند.

از نظر تاریخی، حمل‌ونقل شهری فاقد یک «برج کنترل» متمرکز بوده است؛ چیزی شبیه به مدیریت حریم هوایی در هوانوردی یا نحوه مسیریابی بسته‌های داده در شبکه‌های اینترنت. در حالی که اپلیکیشن‌های ناوبری فعلی معمولاً سریع‌ترین مسیر را برای یک راننده خاص بهینه می‌کنند، آن‌ها به ندرت سلامت کلی شبکه را در نظر می‌گیرند. این آزمایش، رویکرد را از بهینه‌سازی فردی به سوی یک پارادایم مسیریابی مشارکتی تغییر می‌دهد تا منافع جمعی حاصل شود. این رویکرد تحلیل جریان داده‌ها در سطح کلان شبکه‌ها را به یاد می‌آورد، مشابه آنچه در بررسی نحوه تحلیل ترافیک شبکه توسط مدل‌های زبانی بزرگ برای بهینه‌سازی پاسخ‌های کاربران مشاهده می‌کنیم.

چارچوب آزمایش

برای تست این فرضیه، پژوهشگران الگوریتم گوگل مپس (Google Maps) را در ۱۰ شهر بزرگ ایالات متحده طی یک دوره شش‌ماهه تغییر دادند. آن‌ها برای این کار از یک طراحی آزمایشی «سوییچ‌بک» (switchback) یا متقاطع استفاده کردند. این روش شامل جابه‌جایی روزانه بین الگوریتم مسیریابی استاندارد (به عنوان گروه کنترل) و یک الگوریتم «تیمار» اصلاح‌شده بود.

نسخه اصلاح‌شده، مسیرهای جایگزینی را ترجیح می‌داد که زمان سفر و نوع قطعات جاده‌ای مشابهی با مسیر اصلی داشتند. این استراتژی، رانندگان را از حدود ۱۰۰ قطعه ترافیکی پیش‌تعیین‌شده در هر شهر دور می‌کرد. این قطعات بر اساس الگوهای تاریخی ترافیک، به‌ویژه گلوگاه‌های تکرارشونده یا مناطقی با تراکم ترافیکی بالا در ساعات اوج تقاضا، انتخاب شده بودند.

پارامترهای تجربی و نتایج

بر اساس مستندات و داده‌های این پروژه، نتایج به‌دست‌آمده به شرح زیر است:

• مقیاس مداخله: تنها کمتر از ۲ درصد از سفرهای مشاهده‌شده، توصیه‌های مسیریابی تغییریافته را دریافت کردند.
• بهبود سرعت: در قطعات هدف، میانگین سرعت رانندگی تقریباً ۲ درصد افزایش یافت.
• بهره‌وری سوخت: این مداخله منجر به کاهش میانگین نرخ مصرف سوخت بین ۰.۵ تا ۱.۰ درصد شد.
• تأثیر شبکه‌ای: در تمامی قطعات متأثر — از جمله مسیرهایی که ترافیک به آن‌ها منتقل شده بود — سرعت به‌طور میانگین ۰.۳۵ درصد افزایش یافت. این مقدار در ساعات پیک صبح و عصر به ۰.۵ درصد رسید.
• سود محیطی: در مقیاس شهرهای مورد مطالعه، این بهبودها به معنای کاهش بالقوه هزاران تن انتشار CO2e در هر شهر در سال است.

تحلیل و مکانیسم عملیاتی

تحلیل داده‌ها با استفاده از یک چارچوب مدل‌سازی پیامد بیزی سلسله‌مراتبی (Hierarchical Bayesian Outcome Modeling) انجام شد. این رویکرد پارامترها را در هر دو سطح کلان شهر و سطح ساعتی محلی به‌طور هم‌زمان مدل می‌کند. این متدولوژی اجازه می‌دهد تخمین‌های مربوط به یک شهر یا بازه زمانی خاص، از زیرگروه‌های دیگر «قدرت وام بگیرد» (borrow strength) تا تغییرات مشترک بدون نیاز به محدودیت‌های سخت ثبت شوند.

داده‌ها نشان می‌دهند که جاده‌های محیطی (Peripheral Roads) می‌توانند حجم بیشتری از خودروها را جذب کنند و در عین حال سرعت بالاتر و انتشار کمتری داشته باشند، به شرطی که این انتقال به‌طور استراتژیک مدیریت شود. این یافته تایید می‌کند که پخش بهینه ترافیک، مانع از ایجاد گلوگاه‌های جدید در مسیرهای جایگزین می‌شود و هم‌زمان گلوگاه‌های فعلی را تسکین می‌دهد.

این رویکرد اساساً این فرض قدیمی را تغییر می‌دهد که اپلیکیشن‌های مسیریابی صرفاً «ترافیک را از یک خیابان به خیابان دیگر منتقل می‌کنند». گوگل با نگاه به شهر به‌عنوان یک شبکه هماهنگ به جای مجموعه‌ای از عوامل مستقل، ثابت کرد که زیرساخت‌های دیجیتال می‌توانند جریان ترافیک را برای منافع اجتماعی شکل دهند. نکته قابل توجه این است که هم کاربران اپلیکیشن‌های ناوبری و هم افرادی که از این ابزارها استفاده نمی‌کنند، از کاهش تراکم در قطعات هدف بهره‌مند شدند.

برای جامعه فنی و مهندسی، این پژوهش یک نقشه راه (Blueprint) برای اعتبارسنجی تجربی در مقیاس بزرگ برای مدل‌های بهینه‌سازی شبکه ارائه می‌دهد. در حالی که مدل‌های تئوری متعددی وجود داشت، اما اعتبارسنجی تجربی آن‌ها محدود بود. این اثر ثابت می‌کند که اتصال دیجیتال می‌تواند برای اندازه‌گیری و تسهیل تغییرات در سطح سیستم به کار رود.

این کار در ادامه تلاش‌های پیشین مانند پروژه چراغ سبز (Project Green Light) قرار دارد که از هوش مصنوعی برای بهینه‌سازی زمان‌بندی چراغ‌های راهنمایی شهر استفاده می‌کرد. انتقال از کنترل سیگنال به هماهنگی مسیریابی، گام منطقی بعدی در مسیر بهره‌وری شهری است. با تکامل زیرساخت‌های شهر هوشمند، این مسیر آزمایشی می‌تواند در کنترل دینامیک سیگنال‌ها و بهینه‌سازی شبکه‌ای در لحظه (Real-time) در محیط‌های پیچیده به کار گرفته شود.

چه برنامه‌ریز شهری باشید و چه توسعه‌دهنده نرم‌افزار، تمرکز اکنون به این سمت است که چگونه خودروها، زیرساخت‌ها و اپلیکیشن‌ها بتوانند به‌عنوان یک موجودیت واحد و آگاه به شبکه عمل کنند تا بازدهی سفر و پایداری محیطی را برای کل جامعه بهینه سازند.

گام بعدی شما

• توسعه‌دهندگان سیستم‌های حمل‌ونقل شهری باید مدل‌های بهینه‌سازی را از سطح «کاربر فردی» به سطح «سلامت شبکه» منتقل کنند.
• برای برنامه‌ریزان شهری، بررسی اثرات توزیع ترافیک در جاده‌های درجه ۲ و ۳ (Peripheral Roads) برای کاهش فشار از arterial roads ضروری است.
• دنبال کنید که آیا گوگل این قابلیت را به‌صورت پویا و در لحظه (Real-time) برای تمامی کاربران فعال می‌کند یا خیر.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell و پردازش داده‌های حجیم شهری مراجعه کنید.