شروع میسر از تونل رسالت

تونل رسالت حدود یک کیلومتر طول دارد و از دو تونل سه‌خطه تشکیل شده است. این «نخستین تونل هوشمند ایران» است که از مجموعه‌ای از سیستم‌های کنترلی برای تأمین شرایط ایمن تردد برخوردار است.

پروژه مدیریت هوشمند تونل رسالت در سال 1384، زمانی که تونل به بهره‌برداری رسید، بر موضوعاتی مانند حفاظت از کاربران در برابر خطرات، ارائه اطلاعات سفر و کمک به کنترل ترافیک متمرکز بود.

یعنی تهران از همان ابتدا در تونل‌ها با یک مسئله مشخص روبه‌رو بود؛ اینکه وقتی حجم زیادی از خودرو وارد یک فضای بسته می‌شود، کوچک‌ترین اختلال می‌تواند خیلی سریع به صف و توقف تبدیل شود.

امروز این مسئله را می‌توان با یک عدد ملموس‌تر دید. بر اساس داده‌های شرکت کنترل ترافیک تهران، در تونل‌های پرترافیک پایتخت به‌طور متوسط روزانه ۵۰ تا ۵۵ مورد توقف خودرو رخ می‌دهد. در همین گزارش، تونل‌های نیایش و توحید به‌عنوان تونل‌هایی با بیشترین خرابی خودرو معرفی شدند.

برای یک تونل، توقف خودرو فقط برای همان راننده مشکل‌ساز نیست. وقتی یک خودرو در مسیر متوقف می‌شود، ظرفیت عبور کم می‌شود، صف شکل می‌گیرد و زمان واکنش نیروهای امدادی اهمیت پیدا می‌کند؛ ضمن اینکه ممکن است ترافیک به معابر رینگ پیرامونی تونل نیز پس بزند.

«نیایش» و ورود داده به مدیریت حادثه

تونل نیایش نمونه جالب‌تری برای فهم مفهوم «هوشمندی» است. این تونل از دو لوله موازی تشکیل شده و طول مجموع آن با احتساب رمپ‌ها ۱۰ هزار و ۲۵۲ متر است. در یک پژوهش دانشگاهی که در سال 1393 منتشر شد، تونل نیایش به‌عنوان مطالعه موردی برای طراحی یک «سیستم پشتیبان تصمیم» در مدیریت حوادث مورد استفاده قرار گرفت.

پژوهشگران در این مطالعه از داده‌های حوادث، روش‌های یادگیری و شبیه‌سازی ترافیک با نرم‌افزار Aimsun استفاده کردند. یکی از اهداف این بود که شدت حادثه مشخص و بر اساس آن، واکنش مناسب انتخاب شود.

نتایج آزمایش‌های مختلف این سیستم هم قابل توجه بود. در بخش یادگیری نظارت‌شده، برخی مدل‌ها روی داده‌های مورد استفاده در پژوهش به دقت ۸۷ درصد و ۸۹.۳ درصد رسیدند؛ البته این اعداد مربوط به آزمایش همان پژوهش هستند و نباید آنها را به معنای دقت یک سامانه عملیاتی امروز تهران تعبیر کرد.

در مدل پیشنهادی، حادثه به سه سطح «مرگبار، شدید و خفیف» تقسیم می‌شد. برای حادثه‌های خفیف، محدودیت سرعت می‌توانست بخشی از واکنش باشد و برای حوادث شدیدتر، هدایت خودروها به مسیر دیگر نیز وارد تصمیم‌گیری می‌شد. این همان جایی است که مفهوم هوشمندسازی برای ترافیک جدی می‌شود: داده باید بتواند به تصمیم منجر شود.

یک مطالعه دیگر روی تونل رسالت، از داده‌های سیستم شناختی تونل و شبیه‌سازی برای بررسی یک سناریوی تغییر در شبکه استفاده کرد.

مسئله، ایجاد مسیر BRT در محدوده تونل بود. پژوهشگران سه سناریو را بررسی کردند و هر سناریو را ۱۸ بار با روش طراحی آزمایش اجرا کردند. نتیجه مدل‌سازی نشان داد که سناریوی مورد بررسی می‌تواند زمان انتظار در صف را حدود ۳۰ درصد کاهش دهد.

اهمیت این مطالعه برای بحث هوشمندسازی در این است که داده فقط برای ثبت اتفاقات گذشته استفاده نمی‌شود. می‌توان از داده و مدل شبیه‌سازی برای بررسی یک تصمیم پیش از اجرای آن هم استفاده کرد. در مدیریت شهری، این تفاوت مهمی است.

تهران حالا چند «چشم» دارد؟

از تونل که بیرون بیاییم، مقیاس شبکه شهری را می‌بینیم. تاکنون بیش از ۴۶۰۰ واحد سیستم حمل‌ونقل و ترافیک هوشمند در تهران نصب شده است؛ مجموعه‌ای شامل دوربین‌های نظارتی، سامانه‌های ثبت تخلف و سامانه‌های پلاک‌خوان که برای پایش وضعیت ترافیک استفاده می‌شوند. با این حال سال گذشته میزان فعال بودن دوربین‌های ترافیکی حدود ۸۳ درصد اعلام شد.

در ۷ مهر ۱۴۰۵ نیز مدیرعامل شرکت کنترل ترافیک شهرداری تهران گفت بیش از ۹۰ درصد دوربین‌های ترافیکی به‌صورت برخط داده ارسال می‌کنند. به گفته فاطمه کریمی، این اتصال برخط امکان واکنش لحظه‌ای در مواردی مانند ورود بدون رزرو به محدوده طرح ترافیک، سرعت غیرمجاز و عبور از چراغ قرمز را فراهم می‌کند.

در شهریور ۱۴۰۵ نیز ۱۷۰ دوربین جدید در تهران نصب شده و برنامه نصب مجموعا ۵۰۰ سامانه جدید هوشمند ترافیکی در دستور کار قرار دارد. یکی از قابلیت‌های مورد تأکید، محاسبه سرعت متوسط خودرو بین دو نقطه است؛ قابلیتی که برای کنترل سرعت در طول یک مسیر طراحی شده است، نه صرفا در نقطه‌ای که دوربین قرار دارد.

اما «هوشمند» بودن شهر را با تعداد دوربین نباید سنجید. ۴۶۰۰ سامانه عدد بزرگی است. برخط بودن بیش از ۹۰ درصد دوربین‌ها هم نشان می‌دهد زیرساخت پایش ترافیک گسترده‌تر شده است.

اما در نهایت، مسئله اصلی به رابطه میان این تجهیزات برمی‌گردد. یک دوربین سرعت خودرو را می‌بیند. دوربین دیگری پلاک را ثبت می‌کند. سامانه‌ای جریان ترافیک را اندازه‌گیری می‌کند. در تونل، حسگرهای محیطی می‌توانند وضعیت گازها، روشنایی، تهویه یا حریق را پایش کنند. مرکز کنترل هم داده‌های مختلف را دریافت می‌کند.

مرحله بعد این است که این داده‌ها کنار هم قرار بگیرند و تصویری از وضعیت شبکه بسازند.

مثلا اگر یک خودرو در تونل نیایش متوقف شود، سیستم باید بتواند حادثه را تشخیص دهد، وضعیت ترافیک را بسنجد، شدت اختلال را ارزیابی کند و اطلاعات لازم را در اختیار مرکز کنترل و رانندگان قرار دهد. در مقیاس بزرگ‌تر، اگر یک بزرگراه قفل شود، داده‌های آن باید بتوانند در تصمیم‌گیری درباره مسیرهای جایگزین، چراغ‌های راهنمایی و اطلاع‌رسانی به رانندگان نقش داشته باشند. بنابراین آنچه از تونل هوشمند مهم‌تر است، برخورداری از سیستم یکپارچه مدیریت ترافیک شهری است.

 از «مشاهده» تا «تصمیم»

 مسیر تهران در نزدیک به ۲۰ سال گذشته را می‌توان از تونل رسالت تا شبکه گسترده دوربین‌ها دنبال کرد. رسالت، نمونه‌ای از ورود ITS به تونل‌های تهران بود. نیایش، در مطالعات دانشگاهی به بستری برای آزمایش سیستم‌های پشتیبان تصمیم و شبیه‌سازی مدیریت حادثه تبدیل شد. امروز هم هزاران سامانه در سطح شهر نصب شده و بخش عمده دوربین‌ها داده را به‌صورت برخط ارسال می‌کنند. اما تهران چقدر از داده‌هایی که جمع می‌کند، برای پیش‌بینی، هماهنگی و تصمیم‌گیری استفاده می‌کند؟

فاصله میان «شهرِ مجهز به تجهیزات هوشمند» و «شهرِ دارای مدیریت هوشمند ترافیک» در همین نقطه مشخص می‌شود. و شاید آینده ترافیک تهران را باید از همین‌جا دنبال کرد؛ جایی که دوربین‌ها فقط تصویر نمی‌فرستند، تونل‌ها فقط حادثه را ثبت نمی‌کنند و داده‌ها فقط در مرکز کنترل جمع نمی‌شوند، بلکه به تصمیمی برای حرکت بهتر در کل شبکه تبدیل می‌شوند. هفتمین نمایشگاه شهر هوشمند و هوش مصنوعی می‌تواند فرصت مناسبی برای ارزیابی این مسیر باشد؛ اینکه تهران در دو دهه گذشته چه زیرساخت‌هایی ساخته، این داده‌ها چقدر به تصمیم تبدیل شده‌اند و گام بعدی هوشمندسازی ترافیک چه باید باشد.