فناوری های نوین در صنعت حمل و نقل

مقدمه
بررسی کاربرد هر یک از فناوری های نوین در صنعت حمل و نقل و لجستیک، به تعیین نقشه راه برای استفاده از این فناوری ها در این صنعت کمک بسزایی خواهد نمود. در این بخش این فناوری ها مورد بررسی قرار می گیرد.

هوش مصنوعی در حمل ونقل

وسایل نقلیه خودکار برای استفاده های تجاری و حمل و نقل شخصی براساس انواح حسگرها (نظیر GPS، رادار، دوربین) در ترکیب با محرک ها (actuators)؛ دستگاه هایی که سیگنال ورودی را به حرکت تبدیل می کنند.)، واحدهای کنترل و نرم افزار عمل می کند. برخی از این فناوری ها فقط عملکردهای خاصی در رانندگی را برعهده می گیرند (مانند پارک کردن) ولی برخی دیگر برای جایگزینی کامل راننده انسانی طراحی شده اند.
پیوند کامیون ها (truck platooning): جفت کردن چندین وسیله نقلیه سنگین با فاصله ی حداقلی از یکدیگر طوری که همزمان شتاب بگیرند یا ترمز کنند. در حالی که وسیله نقلیه جلویی توسط راننده انسانی هدایت می شود، سایر وسایل نقلیه راننده ندارند و یا راننده آن تنها در شرایط ترافیکی پیچیده مانند حلقه ترافیکی یا حوادث غیرمنتظره وارد عمل می شود.
الگوریتم های هوش مصنوعی به طور گسترده در پلتفرم های اقتصادی اشتراکی که خدمات حمل و نقل ارائه می دهند، نظیر تاکسی های اینترنتی استفاده می شود. این پلتفرم ها در همه ی جنبه های خدماتشان از جفت کردن راننده و مسافر گرفته تا بهینه سازی مسیر از هوش مصنوعی استفاده می کنند.
علاوه بر موارد ذکر شده، فناوری های هوش مصنوعی به مدیریت ترافیک جاده ای اعمال می شود تا با تحلیل الگو و حجم ترافیک، سریع ترین مسیر را برای راننده ها مشخص کند و به این ترتیب ازدحام ترافیک کاهش یابد. فناوری های هوش مصنوعی همچنین از طریق کنترل چرا غ های راهنمایی رانندگی جریان ترافیک را مدیریت می کند.

کاربرد هوش مصنوعی در مدیریت ترافیک هوایی (ATM) شامل مسائلی نظیر پیش بینی ترافیک در فازهای مختلف پرواز، بهبود جریان مسافران در فرودگاه ها و خودکارسازی کامل تر سیستم است.
کاربرد دیگر هوش مصنوعی در صنعت هواپیمایی ایجاد یک پلتفرم امن برای ذخیره سازی، مدیریت و تجزیه و تحلیل داده های عملیاتی تعمیر و نگهداری هواپیما در ناوگان هواپیما و سطح جهانی است. برای نمونه پلتفرم Skywise شامل اطلاعات مربوط به حمل و نقل هوایی از جمله سفارشات کاری، مصرف قطعات، اطلاعات قطعات و هواپیما و پیکربندی ناوگان، و داده های سنسور است و داده های عظیم را پس از یکپارچه سازی تجزیه و تحلیل می کند.
آمازون از وسایل نقلیه هوایی هوشمند و بدون سرنشین برای تحویل سریع کالاهای خود استفاده می کند.
دبی با همکاری Volocopter، یک تاکسی هوایی بدون سرنشین را آزمایش کرده است.

از جمله بارزترین کاربردهای هوش مصنوعی در صنعت حمل و نقل ریلی، کمک به خودکارسازی عملیات ریلی یا ATO است. ATO مسئولیت مدیریت عملیات قطار را با درجات مختلفی از خودکار بودن، از راننده به سیستم کنترل واگذار می کند. کمسیون بین المللی الکتروتکنیکال چهار درجه ی استاندارد خودکار بودن قطار را مشخص کرده است که درجه ی سوم مربوط به عملیات بدون راننده ولی با حضور اعضای خدمه قطار در کابین و درجه ی چهارم مربوط به قطارهای کاملا مستقل و بدون مراقب است.
برای اپراتورهای ریلی و مدیران زیرساخت، آگاهی از خرابی های احتمالی قبل از وقوع، برای جلوگیری از هرگونه وقفه در ارائه خدمات بسیار باارزش است. امروزه هوش مصنوعی می تواند از قدرت داده های ارائه شده توسط سنسورهای مستقر در قطارهای بحرانی یا مؤلفه های زیرساخت استفاده کند تا در زمان مناسب اطلاعات را استخراج و اقداماتی را برای نگهداری از قطار پیشنهاد دهد که مزایای زیادی به همراه دارد از جمله تعمیر سریع تر، کاهش هزینه های نگهداری و رضایت بهتر مشتریان. علاوه بر آن اپراتورهای قطار می توانند رزرو مورد نیاز برای مواقع خرابی ناوگان را کاهش دهند و از هوش مصنوعی برای افزایش قابلیت اطمینان و اثربخشی استفاده کنند.

جدول1. هوش مصنوعی در حمل و نقل

به طور کلی بلاکچین به تمامی صنایع و شرکت ها کمک می کند تا سیستم هایی کاربردی تر و روان تر ایجاد کنند. این فناوری نوپا همچنین به شفافیت و ردیابی داده ها نیز کمک می کند.
رشد شهرها بر بسیاری از سیستم های حمل و نقل فشار آورده و استفاده از آنها را پر هزینه و ناکارآمد کرده است.
بکارگیری فناوری بلاکچین در صنعت حمل و نقل عمومی می تواند به شهرداری ها کمک کند تا چگونگی استفاده ساکنانشان را از گزینه های حمل و نقل عمومی بهتر درک کنند. به عنوان مثال، DOVU مستقر در انگلیس به کاربران اجازه می دهد تا داده های رفت و آمد و حمل و نقل خود، از جمله نحوه استفاده از اتوبوس، قطار، دوچرخه و حتی مسیرهای پیاده روی خود را از طریق یک برنامه پشتیبانی شده توسط بلاکچین به اشتراک بگذارند و سپس توکن های ارزهای دیجیتالی پاداش بگیرند. تانسیل تکنولوژی بلاکچین و صنعت حمل و نقل. اعضای صنعت حمل و نقل بر این باورند که به رسمیت شناختن تکنولوژی بلاکچین، فرصت خوبی برای صنعت حمل و نقل خواهد بود.
اتحادیه حمل و نقل ( BiTA ) تصمیمی مبنی بر اینکه انجمنی با عنوان آموزش تکنولوژی بلاک چین و توسعه استانداردهای آن برای صنعت حمل و نقل ایجاد کنند، گرفته اند. در حال حاضر 2000 عضو شامل UPS، FedEx و Bridgestone وجود دارند. بلاکچین می تواند در صنعت حمل و نقل، کارایی و شفافیت کل فرآیند حمل و نقل را افزایش دهد؛ مانند: تطبیق محموله ها با حمل کنندگان آن، ساده تر کردن پرداخت ها، کاهش تعداد واسطه ها و …
یکی از کاربردهای مهم بلاکچین در صنعت حمل و نقل، ایجاد قرارداد هوشمند بین محموله و حامل بار است. به وسیله قرارداد هوشمند شرایط معامله از پیش تعیین شده و در بلاک چین تایید و ثبت می شوند. هنگامی که شرایط تعیین شده فراهم شوند، قراردادهای هوشمند به صورت خودکار ایجاد می شوند. سپس بعد از انجام، معاملات در بلاکچین ثبت و تایید می شوند و پرداخت ها نیز بلافاصله ارسال می شوند. بنابراین بلاکچین با حذف افراد واسطه و کاهش هزینه های مرتبط با آن، باعث می شود این فرآیند به راحتی و سادگی انجام شود.
علاوه بر این ها، صنعت حمل و نقل یک دید کلی نسبت به کل فرآیند و زنجیره به دست می آورد زیرا هر یک از طرفین، معاملات خود را در بلاکچین تایید و ثبت می کنند. همچنین این افزایش شفافیت و توانایی ردیابی باعث جلوگیری از سرقت و کلاهبرداری نیز می شود. این کلاهبرداری و سرقت ها مانند بیماری طاعون به جان این صنایع افتاده است و ضررهای جدی را به این صنایع وارد کرده است. در صورتی که در سال 2016 میلادی، 14 میلیون دلار از این صنعت، سرقت انجام شده است. همچنین با ایجاد رابطه بین بلاکچین و صنعت حمل و نقل اعتماد نیز به نوبه خود افزایش می یابد. در حال حاضر شرکت ها شروع به اجرای برنامه های آزمایشی با تکنولوژی بلاکچین کرده اند. به عنوان مثال، IBM با همکاری Maersk با موفقیت ردیابی کشتی هایی که از کنیا به هلند و از کلمبیا به کالیفرنیا فرستاده شده را انجام داده اند.


کلان داده در حمل و نقل
پلتفرم های بزرگ صنعت حمل و نقل از جمله اوبر بدون داشتن حتی یک ماشین با استفاده از دیتا، تمام ماشین های تحت مدیریت خود را حرکت می دهد. در این پلتفرم ها داده های بزرگ و علوم اطلاعات در قلب همه چیز است و می توانند بوسیله آن افزایش قیمت، اتومبیل های بهتر، تشخیص سواری جعلی، کارت جعلی، رتبه بندی جعلی، برآورد قیمت ها و رای رانندگان را مدیریت کند. اصل بنیادین در این پلتفرم ها big data principle of crowdsourcing است. داده ها در Data Hadoop جمع آوری و برای پردازش داده ها از Spark و Hadoop استفاده می شود. این داده ها از طیف وسیعی از انواع داده ها و پایگاه های داده مانند جداول پایگاه داده SOA و آپاچی کافکا می آیند.
در این پلتفرم ها تمامی اطلاعات مربوط به نقاط GPS ثبت شده برای هر سفر را در سیستم خود داراست و با استفاده از دیتابیس عظیم خود به محض اینکه یک کاربر درخواست ماشین می دهد با توجه به اطلاعات او بهترین راننده را در عرض 15 ثانیه با پیشنهاد او Match می کند. آنها از دیتاهای نگهداری شده از هر سفر برای پیش بینی تقاضای اتومبیل، تنظیم قیمت ها و تخصیص منابع کافی استفاده می کنند.
تیم تحقیقاتی داده ها در اوبر همچنین تجزیه و تحلیل عمیق شبکه های حمل و نقل عمومی را در میان شهرهای مختلف انجام می دهد تا آنها بتوانند در شهرهای دارای حمل و نقل ضعیف تمرکز کنند و بهترین استفاده را از داده ها برای بهبود تجربه مشتری داشته باشند.

داده های دریافتی از رانندگان
اوبر در زمانی که رانندگانش هیچ مسافری را حمل نمی کنند نیز از اطلاعات دریافت شده از آنها برای تشخیص الگوهای ترافیکی، محل های حضور رانندگان، نظارت بر سرعت رانندگان، محاسبه پرداخت های تشویقی به رانندگان و اینکه آیا آنها به صورت همزمان برای شرکت های رقیب نیز کار می کنند یا نه استفاده می کند.
تجزیه و تحلیل داده های بزرگ در سراسر شرکت اوبر گسترده شده است .یادگیری ماشین، علم اطلاعات، بازاریابی، تشخیص تقلب و بسیاری موارد دیگر هستند که در اوبر بر پایه کلان داده ها کار می کنند. یکی از استفاده های جالبی که اوبر از کلان داده ها دارد این است که به رانندگان کمک می کند تا از طریق یک نقشه حرارتی بهترین نقاط را برای قرارگیری انتخاب کنند تا در نهایت با تعداد سفر بیشتر سود بیشتری برای دو طرف حاصل شود.

کلان داده ها و رضایت مشتریان
یک دیگر از استفاده های اوبر از کلان داده ها بالا بردن سطح رضایت مشتریان و رانندگان از طریق ایجاد تجربه کاربری مثبت است. در این مورد اوبر صرفا داده های مشتریان و رانندگان خود را ذخیره نمی کند بلکه می کوشد از این داده ها به صورت Real Time برای ایجاد تجربه مثبت و حس بهتر در مشتریان و رانندگان استفاده کند.

کلان داده ها و قیمت گذاری در اوبر
علوم داده قلب الگوریتم افزایش قیمت اوبر است. یک مدل قیمت گذاری داینامیک در قلب سیستم اوبر وجود دارد که این الگوریتم با توجه به شرایط مختلف در لحظه و با توجه به دو فاکتور منطقه جغرافیایی درخواست و میزان تقاضا در آن لحظه برای یک سفر قیمت گذاری می کند، همچنین آنها با استفاده از تحلیل های رگرسیونی میزان تقاضا در هر منطقه را پیش بینی می کنند و از این طریق مناطق شلوغ را مشخص کرده و با کمی بالا بردن قیمت، رانندگان بیشتری را ترغیب به خدمات دهی در آن مناطق می کنند. موضوع بسیار مهم در این زمینه این است که اوبر سعی کرده است این الگوریتم طوری عمل کند که با این حال که افزایش قیمت وجود دارد ولی مسافر سفر خود را کنسل نکند.
اتفاق بسیار مهم دیگری که اخیرا در اوبر رخ داده است این است که دانشمندان داده این شرکت تلاش دارند با استفاده از روش های یادگیری ماشین میزان تقاضا را پیش بینی کنند تا از این طریق بتوانند توازن بین عرضه و تقاضا را تا حد زیادی حفظ کرده و در نهایت از بالا رفتن قیمت ها و اثر الگوریتم افزایش قیمت بکاهند. البته اوبر هنوز به صورت رسمی به کارگیری این سیستم را تایید نکرده است.

کلان داده ها و بحث زمانبندی در اوبر
بخش دیگر استفاده از الگوریتم ها در اوبر تخمین مدت یک سفر و یا مدت زمانی است که یک راننده به مسافر خواهد رسید که این موضوع با استفاده از تحلیل داده های محل سوار شدن و پیاده شدن مسافران انجام می پذیرد. یک موضوع جالب در زمینه استفاده از الگوریتم های Matching در اوبر این است که این سیستم در زمان درخواست مسافر، نزدیکترین راننده را با توجه به زمان رسیدن راننده به مسافر تعیین می کند و نه فاصله فیزیکی بین راننده و مسافر. همچنین منابع داده ای خارجی مانند وضعیت حمل و نقل عمومی نیز در برنامه ریزی های اوبر تاثیرگذار هستند.

تکنولوژی های تحلیل داده مورد استفاده در اوبر
پایتون زبان برنامه نویسی اصلی علوم داده در Uber است و به طور گسترده توسط تیم Data Uber مورد استفاده قرار می گیرد. معمولا در اوبر از ماژول های NumPy، SciPy، Matplotlib و Pandas استفاده می شود. تیم Data Ober گاهی اوقات از زبان های برنامه نویسی R، Octave یا Matlab برای ایجاد نمونه های اولیه یا پروژه های داده ی علمی استفاده می کند ولی برای بحث پیاده سازی های اصلی پایتون زبان مورد استفاده است. ابزار D3بیشترین کاربرد را در زمینه مصور سازی داده ها در اوبر دارد و پرکاربردترین فریم ورک SQL در اوبر Postgres است.
اوبر با استفاده از اطلاعات سرویس های دیگر خود مانند UberFresh و UberRush که به ترتیب برای تحویل مواد غذایی و بسته ها استفاده می شوند و ترکیب این اطلاعات با اطلاعات شخصی کاربران خود در حال تبدیل شدن به اَبَر کمپانی ای است که پیشرانه اصلی آن داده ها هستند.