آیا گراف‌های احتمالی می‌توانند اثرات تغییرات سیاستی شهر را پیش‌بینی کنند؟

تصور کنید پیش از تغییر قیمت بنزین یا اجرای یک قانون جدید برای ویزا، دقیقاً بدانید هر شهروند دبی چه واکنشی نشان می‌دهد و ترافیک شهر چگونه تغییر می‌کند. این دیگر یک تخمین ساده نیست، بلکه خروجی شبیه‌سازی ۱ میلیون شهروند مصنوعی است که رفتار انسانی را در مقیاس کلان مدل می‌کند. این جمعیت مصنوعی اکنون به برنامه‌ریزان شهری اجازه می‌دهد تا اثرات موجی تغییرات سیاست‌گذاری را پیش از آنکه در دنیای واقعی اعمال شوند، شبیه‌سازی کنند.

در ۱۳ اوت ۲۰۲۶، سید علیرضا الحسینی المدرسیه جزئیات پروژه Dubai Persona DAG را منتشر کرد؛ چارچوبی که مفهوم «شهر هوشمند» را به «شهر زنده» تبدیل می‌کند. این پروژه با دیجیتالی کردن لایه انسانی زندگی شهری، سعی دارد شکاف میان زیرساخت و رفتار را پر کند.

اکثر معماری‌های فعلی شهر هوشمند بر جنبه‌های فیزیکی متمرکز هستند: سنسورها، دوربین‌ها و شبکه‌های انرژی. این سیستم‌ها شامل ساختمان‌ها، جاده‌ها، شبکه‌های آب و پایش محیطی هستند. اگرچه این سیستم‌ها داده‌های عظیمی تولید می‌کنند، اما با شهر به عنوان مجموعه‌ای از لوله‌ها و جاده‌های مستقل برخورد می‌کنند. آن‌ها «لایه انسانی» را نادیده می‌گیرند؛ یعنی میلیون‌ها تصمیم روزانه‌ای که در واقع محرک اصلی دینامیک‌های شهری هستند.

شهری را تصور کنید که نه به عنوان داشبوردی از چراغ‌های راهنمایی، بلکه به عنوان یک سیستم تطبیقی پیچیده دیده شود. شهر تنها زیرساخت نیست، بلکه مجموعه‌ای از میلیون‌ها تصمیم است. یک خط متروی جدید، تحرک (Mobility) را تغییر می‌دهد. تغییر در قیمت سوخت صرفاً یک نقطه داده را تغییر نمی‌دهد، بلکه نحوه تردد یک میلیون نفر را تغییر می‌دهد که این امر به نوبه خود دسترسی به خرده‌فروشی‌ها و تقاضای انرژی را دگرگون می‌کند. یک سیاست جدید در مورد ویزا، ترکیب جمعیتی را تغییر می‌دهد، در حالی که یک موج گرمایی، میزان مصرف برق را دگرگون می‌کند. حتی تغییر در قیمت مسکن، محل زندگی مردم را تغییر داده و ایجاد یک منطقه تجاری جدید، الگوهای رفت‌وآمد را جابجا می‌کند.

مکانیسم فنی: گراف‌های احتمالی DAG

برای ثبت این پیچیدگی، این پروژه از یک گراف جهت‌دار بدون دور (Directed Acyclic Graph یا DAG) با ۴۸ بُعد استفاده می‌کند. برخلاف تولید داده‌های تصادفی، DAG وابستگی‌های علی (Causal) زندگی واقعی را حفظ می‌کند. شهر یک مجموعه داده تخت نیست؛ متغیرها به یکدیگر وابسته هستند.

• زنجیره‌های علی: این سیستم مدل می‌کند که چگونه «ملیت» بر «وضعیت ویزا» اثر می‌گذارد، ویزا «نوع اشتغال» را دیکته می‌کند، اشتغال «میزان حقوق» را تعیین می‌کند و در نهایت این‌ها منجر به انتخاب «مسکن» و «محله» می‌شوند. این زنجیره تا بخش‌های حمل‌ونقل و تحرک روزانه ادامه می‌یابد.
• پایه آماری: پرسوناهای مصنوعی بر اساس منابع داده‌های رسمی امارات متحده عربی کالیبره شده‌اند تا اطمینان حاصل شود که جمعیت مصنوعی، ساختار شهر واقعی را بازتاب می‌دهد، بدون آنکه داده‌های خصوصی افراد افشا شود. هدف، ساخت جمعیتی است که از نظر آماری مستدل باشد و ساختار و وابستگی‌های یک جمعیت شهری واقعی را نمایندگی کند.
• حریم خصوصی در طراحی: با استفاده از شهروندان مصنوعی، پژوهشگران می‌توانند روی داده‌های حساس فعالیت‌های مکانی-زمانی آزمایش کنند که در حالت عادی به دلیل قوانین حریم خصوصی محدود هستند. این موضوع حیاتی است زیرا داده‌های سطح فردی در مقیاس بزرگ اغلب حساس، پراکنده، گران‌قیمت و ناقص هستند.

از پرسوناهای ایستا به شهروندان عامل‌محور

هدف نهایی این است که داده‌های ساده و ایستا به عامل‌های (Agent) خودمختار تبدیل شوند. به جای یک شیء JSON ساده که درآمد و مسکن را لیست می‌کند — مانند { "income": 15000, "housing": "apartment", "transport": "car" } — هر پرسونا به عاملی با یک مسیر (Trajectory) تبدیل می‌شود.

این مدل عامل‌محور از یک منطق خاص پیروی می‌کند: هویت $
ightarrow$ وضعیت $
ightarrow$ اهداف $
ightarrow$ محدودیت‌ها $
ightarrow$ ترجیحات $
ightarrow$ محیط $
ightarrow$ تصمیم $
ightarrow$ اقدام $
ightarrow$ وضعیت جدید. این عامل‌ها بیدار می‌شوند، بر اساس ترافیک نوع حمل‌ونقل را انتخاب می‌کنند، به سر کار می‌روند و به تغییرات آب‌وهوایی یا اقتصادی واکنش نشان می‌دهند. آن‌ها با عامل‌های دیگر تعامل دارند و در نتیجه، شهر تغییر می‌کند. این گذار، داده‌های مصنوعی را به یک «جامعه مصنوعی» تبدیل می‌کند، جایی که جمعیت به یک همزاد جمعیتی (Population Twin) تبدیل شده و با همزاد دیجیتال (Digital Twin) شهر ادغام می‌شود.

موتور شهر جایگزین (Counterfactual City Engine)

این معماری امکان ایجاد یک «موتور شهر جایگزین» را فراهم می‌کند که به دولت‌ها اجازه می‌دهد سناریوهای «چه می‌شد اگر...» را اجرا کنند. بر اساس مستندات پروژه در GitHub، این سیستم می‌تواند مداخلات خاصی را شبیه‌سازی کند تا ببیند اگر متغیر X تغییر کند چه اتفاقی می‌افتد:

1. افزایش قیمت سوخت: پیش‌بینی افزایش ۲۰ درصدی قیمت سوخت برای تخمین میزان تغییر تقاضا به سمت مترو، افزایش استفاده از خدمات اشتراک سفر (Ride Sharing) و تأثیرات ناشی از آن بر هزینه‌های خانوار و دسترسی به خرده‌فروشی‌ها. شبیه‌ساز می‌تواند ردیابی کند که چگونه استفاده از خودرو کاهش می‌یابد در حالی که تقاضای مترو بالا می‌رود و احتمالاً مصرف انرژی و دسترسی به خرده‌فروشی‌ها کاهش می‌یابد.
2. یارانه‌های حمل‌ونقل: مدل‌سازی کاهش ۳۰ درصدی هزینه‌های حمل‌ونقل عمومی برای اندازه‌گیری میزان کاهش ترافیک خودروهای شخصی و افزایش تراکم ایستگاه‌ها و فعالیت‌های تجاری. این شامل ردیابی افزایش پذیرش مترو و کاهش متعاقب تقاضای انرژی است.
3. رشد ناگهانی جمعیت: شبیه‌سازی ورود ۱۰۰ هزار ساکن جدید برای پیش‌بینی فشار بر مدارس، بهداشت، مسکن، مصرف آب و اشتغال پیش از وقوع رشد. این امر به شهر اجازه می‌دهد فشار روی محله‌ها را پیش از اجرای یک سیاست بررسی کند.

معماری سیستم‌عامل شهر زنده (Living City OS)

چشم‌انداز گسترده‌تر، یک Living City OS است که در ۵ لایه مجزا سازمان‌یافته است. این معماری شهر را از جریان ساده «حس $
ightarrow$ داشبورد $
ightarrow$ تصمیم انسانی» به سمت یک چرخه پیشرفته‌تر «حس $
ightarrow$ درک $
ightarrow$ شبیه‌سازی $
ightarrow$ پیش‌بینی $
ightarrow$ تصمیم $
ightarrow$ اجرا $
ightarrow$ یادگیری» سوق می‌دهد:

• همزاد فیزیکی (Physical Twin): مدیریت جاده‌ها، ساختمان‌ها، انرژی، آب و زیرساخت‌های اقلیمی.
• همزاد جمعیتی (Population Twin): مدیریت شهروندان مصنوعی، خانوارها و رفتارهای آن‌ها.
• گراف علی شهر (City Causal Graph): لایه‌ای که همزاد فیزیکی و جمعیتی را به هم متصل می‌کند تا وابستگی‌ها را درک کند.
• موتور شبیه‌سازی (Simulation Engine): محیطی که سناریوها در آن تست می‌شوند.
• مغز شهر (City Brain): هوش سطح بالایی که سیاست‌ها و اقدامات را مدیریت می‌کند.

این مغز تنها داده‌ها را بصری نمی‌کند، بلکه درباره بهترین مداخله برای دستیابی به یک نتیجه خاص استدلال می‌کند و یک سیستم هوش حلقه-بسته (Closed-loop) ایجاد می‌کند. تحقیقات منتشر شده در سال ۲۰۲۶، این گذار به سمت مداخلات پیش‌بینانه، مدل‌های پایه (Foundation Models) و مدیریت خودمختار را توصیف می‌کنند.

ژنوم شهر (The City Genome)

برای سازماندهی این ساختار، پروژه مفهوم «ژنوم شهر» را معرفی می‌کند که از سه لایه متقابل تشکیل شده است:

• ژنوم فیزیکی: ساختار ساختمان‌ها، پل‌ها، شبکه‌های آب، شبکه‌های برق و فضاهای عمومی.
• ژنوم جمعیتی: ساختار آماری ساکنان، شامل دموگرافی، اشتغال، مسکن، درآمد، تحرک و رفتار دیجیتال.
• ژنوم رفتاری: الگوهای نوظهور از اینکه مردم چه زمانی و کجا جابجا می‌شوند، چگونه به قیمت‌ها واکنش می‌دهند، چگونه به سیاست‌ها پاسخ می‌دهند و در برابر شرایط محیطی چه واکنشی دارند.

سیستم ایمنی شهر و انطباق اقلیمی

فراتر از برنامه‌ریزی، این مدل به عنوان یک «سیستم ایمنی شهر» عمل می‌کند. شهر به‌طور مداوم از طریق فرآیند زیر به دنبال ناهنجاری‌ها می‌گردد: وضعیت نرمال $
ightarrow$ مشاهده مداوم $
ightarrow$ تشخیص ناهنجاری $
ightarrow$ تشخیص علی $
ightarrow$ پیش‌بینی ریسک $
ightarrow$ مداخله.

مثال‌هایی از ناهنجاری‌های شناسایی شده عبارتند از:

• مصرف غیرعادی آب
• الگوهای ترافیکی غیرطبیعی
• جهش‌های ناگهانی تقاضای انرژی
• تخریب زیرساخت‌ها
• جهش‌های آلودگی
• جابجایی جمعیت
• تراکم‌های اضطراری

به جای انتظار برای وقوع شکست، شهر می‌تواند پیش‌بینی، پیشگیری و انطباق یابد. هنگامی که این سیستم به داده‌های اقلیمی متصل شود، مغز شهر می‌تواند رویدادهای گرمای شدید را پیش‌بینی کرده و شبیه‌سازی کند که مردم در کجا متمرکز می‌شوند و کدام ساختمان‌ها انرژی بیشتری مصرف می‌کنند. سپس می‌تواند سرمایش، سایه‌بان‌ها، حمل‌ونقل عمومی، ذخیره‌سازی انرژی و تخصیص آب را در لحظه بهینه کند تا از جمعیت محافظت شود.

تحلیل: تغییر پارادایم برنامه‌ریزی شهری

برای برنامه‌ریزان شهری و متخصصان هوش مصنوعی، این یک تغییر پارادایم از «حس $
ightarrow$ داشبورد» به «حس $
ightarrow$ شبیه‌سازی $
ightarrow$ اجرا» است. ارزش واقعی در خودِ داده‌ها نیست، بلکه در توانایی ساخت یک آزمایشگاه محاسباتی امن برای تجربه‌های شهری است.

با نگاه به شهر به عنوان یک «ژنوم»، Dubai Persona DAG یک معماری قابل انتقال ارائه می‌دهد. اگرچه این پروژه در دبی آغاز شده — که به دلیل جمعیت متنوع مهاجر، دسته‌های مختلف ویزا و تحولات سریع، یک آزمایشگاه طبیعی است — اما این چارچوب برای انتقال به سایر قطب‌های جهانی مانند ابوظبی، دوحه، ریاض، سنگاپور، لندن یا نیویورک طراحی شده است. این امر پتانسیل ایجاد یک «شبکه جهانی شبیه‌ساز شهرها» را ایجاد می‌کند.

این رویکرد مشکل «کمبود داده» را حل می‌کند که در تحقیقات سال ۲۰۲۶ در ScienceDirect برجسته شده بود؛ جایی اشاره شد که دستیابی به داده‌های فعالیت مکانی-زمانی در سطح فردی به دلیل کمیابی، توزیع‌های نامتقارن و محدودیت‌های حریم خصوصی اغلب غیرممکن است. جمعیت‌های مصنوعی این بن‌بست را به‌طور کامل دور می‌زنند.

مسیر بلندمدت

هدف نهایی، یک معماری هوش شهری قابل انتقال است. مسیر تکامل به این صورت است: Dubai Persona DAG $
ightarrow$ جمعیت مصنوعی $
ightarrow$ همزاد جمعیتی $
ightarrow$ عامل‌های رفتاری $
ightarrow$ گراف علی شهر $
ightarrow$ شبیه‌سازی جایگزین $
ightarrow$ همزاد دیجیتال شناختی $
ightarrow$ مغز شهر $
ightarrow$ سیستم‌عامل شهر زنده.

این یک سیستم حلقه-بسته است که در آن شهر واقعی داده‌ها را به لایه داده‌ها می‌فرستد، لایه داده‌ها همزاد دیجیتال (فیزیکی، جمعیتی، رفتاری و محیطی) را تغذیه می‌کند، همزاد دیجیتال به گراف علی شهر اطلاعات می‌دهد، گراف علی موتور شبیه‌ساز را به حرکت در می‌آورد و در نهایت مغز شهر نتایج شبیه‌ساز را تحلیل می‌کند تا یک تصمیم سیاست‌گذاری اتخاذ کند که دوباره در شهر واقعی اعمال می‌شود.

فرصت واقعی

بزرگترین فرصت، فروش یک داشبورد دیگر برای شهر هوشمند نیست، بلکه ساخت لایه شبیه‌سازی زیرین شهر است. آینده‌ای را تصور کنید که در آن یک شهردار، برنامه‌ریز شهری، اپراتور انرژی یا مقام حمل‌ونقل بتواند بپرسد: «اگر این سیاست را اجرا کنیم چه اتفاقی می‌افتد؟»

مغز شهر هزاران یا میلیون‌ها آینده احتمالی را تولید می‌کند. اثرات اقتصادی، تحرک، محیطی، زیرساختی، جمعیتی، عدالت، ریسک و تاب‌آوری را ارزیابی می‌کند و سپس مداخلات را توصیه می‌کند. شهر به مکانی تبدیل می‌شود که سیاست‌ها پیش از تبدیل شدن به واقعیت، تست می‌شوند.

در گام‌های بعدی، ادغام این همزادهای جمعیتی با جریان‌های داده‌ای IoT را دنبال کنید تا ببینید آیا «مغز شهر» می‌تواند ترافیک را پیش از شکل‌گیری فیزیکی پیش‌بینی کند و عملاً یک سیستم عصبی محاسباتی به شهر ببخشد. هدف، ساخت شهری با تکنولوژی بیشتر نیست، بلکه ساخت شهری است که بتواند درک کند، به خاطر بسپارد، استدلال کند، شبیه‌سازی کند، پیش‌بینی کند، سازگار شود، یاد بگیرد و در نهایت خود را ترمیم کند.