أنظمة النقل العام المستقلة والمرتبطة بإنترنت الأشياء والشبكات العصبية هي ببساطة الجيل القادم من كيفية تنقلنا، حيث تعمل المركبات بشكل مستقل جزئيًا أو كليًا وتتواصل مع بعضها البعض ومع البنية التحتية المحيطة، كل ذلك مدعوم بتقنيات الذكاء الاصطناعي (خاصة الشبكات العصبية) وإنترنت الأشياء. الهدف الأساسي هو جعل رحلاتنا أكثر كفاءة، أمانًا، راحة، وأقل تكلفة، عبر جمع وتحليل كميات هائلة من البيانات في الوقت الفعلي لاتخاذ قرارات ذكية وتحسين التشغيل بشكل مستمر.
كيف تتكامل إنترنت الأشياء مع النقل العام؟
تُشكل إنترنت الأشياء (IoT) العمود الفقري لأنظمة النقل العام الذكية، فهي المسؤولة عن جمع البيانات من كل زاوية ممكنة. الأمر لا يقتصر على مجرد أجهزة استشعار بسيطة، بل هو معمارية متعددة الطبقات تعمل بتناغم لتوفير رؤية شاملة للعمليات.
بنية إنترنت الأشياء متعددة الطبقات في النقل
لفهم كيفية عمل إنترنت الأشياء في النقل العام، تخيل نظامًا مكونًا من عدة طبقات مترابطة. الطبقة الأولى هي طبقة “الأجهزة”، وتشمل جميع أجهزة الاستشعار الموجودة في المركبات نفسها، مثل كاميرات مراقبة الطرق والركاب، أجهزة استشعار السرعة والموقع (GPS)، مستشعرات استهلاك الوقود، وحتى مستشعرات حالة المحرك والإطارات. كما تتضمن هذه الطبقة أجهزة استشعار في المحطات، مثل تلك التي تراقب تدفق الركاب أو الظروف البيئية. هذه الأجهزة هي “عيون وآذان” النظام، تجمع البيانات الأولية حول كل ما يحدث.
الطبقة الثانية هي طبقة “الاتصال”، وهي المسؤولة عن نقل البيانات التي جمعتها الأجهزة إلى حيث يمكن معالجتها. هنا تلعب بروتوكولات مثل MQTT وNB-IoT دورًا حيويًا، حيث تمكن من نقل كميات ضخمة من البيانات بكفاءة عالية، حتى في المناطق ذات التغطية الشبكية الضعيفة. يمكن لهذه الطبقة أيضًا أن تستخدم شبكات الجيل الخامس (5G) لسرعات نقل أعلى وتقليل زمن الاستجابة، وهو أمر بالغ الأهمية للمركبات المستقلة.
الطبقة الثالثة هي طبقة “الخدمات”، حيث يتم تجميع البيانات الخام وتجهيزها للمعالجة. هنا، يمكن لمنصات النشر والاشتراك السياقية (Context-aware publish/subscribe platforms) أن تبرز، فهي لا تنقل البيانات فحسب، بل تفهم سياقها، مثل ربط بيانات الحافلات المفتوحة (GTFS) مع بيانات أجهزة الاستشعار اللحظية. هذا الربط الذكي للبيانات يفتح الباب لتحليلات أعمق تعتمد على الذكاء الاصطناعي في الوقت الفعلي.
أخيرًا، تأتي طبقة “السحابة”، حيث يتم تخزين ومعالجة جميع البيانات. في هذه الطبقة، تعمل خوادم قوية ومنصات تحليلية تعتمد على الذكاء الاصطناعي (الشبكات العصبية) لتحويل البيانات الخام إلى رؤى قابلة للتنفيذ. هذه البنية المتكاملة تتيح مراقبة الأساطيل بأكملها، حالة المركبات، وعدد الركاب في الزمن الحقيقي، مما يساهم بشكل كبير في تحسين التشغيل وخفض التكاليف التشغيلية.
مراقبة الأساطيل وحالة المركبات
تخيل لو أنك تستطيع أن تعرف بالضبط مكان كل حافلة أو قطار في أي لحظة، وكم عدد الركاب على متنها، وما إذا كانت تسير وفق الجدول الزمني المحدد. هذا هو بالضبط ما تتيحه إنترنت الأشياء. فمن خلال أجهزة استشعار GPS المدمجة وأنظمة عدّ الركاب الآلية، يمكن لمديري الأساطيل الحصول على صورة واضحة وشاملة للوضع العام.
علاوة على ذلك، لا تقتصر المراقبة على الموقع والركاب فحسب، بل تتعداها لتشمل “صحة” المركبات نفسها. يمكن لأجهزة الاستشعار المتقدمة مراقبة أداء المحرك، مستويات السوائل، ضغط الإطارات، وحتى تآكل الفرامل. هذه البيانات تُرسل باستمرار إلى الأنظمة المركزية، والتي يمكنها بدورها تحليلها والتنبؤ بالمشكلات المحتملة قبل حدوثها. هذا ما يُعرف بالصيانة التنبؤية، والذي يقلل بشكل كبير من أوقات التوقف غير المخطط لها ويكلف أقل على المدى الطويل. بدلًا من انتظار حدوث عطل، يمكن للنظام تحديد أن جزءًا معينًا قد يحتاج إلى استبدال قريبًا وتحديد موعد للصيانة الوقائية في وقت مناسب.
عدّ الركاب وتحسين التجربة
معرفة عدد الركاب في الزمن الحقيقي تُعد ميزة أساسية لعدة أسباب. أولاً، تساعد شركات النقل على فهم أنماط الطلب بشكل أفضل، مما يسمح لها بتعديل جداولها ومساراتها ديناميكيًا لتلبية الاحتياجات المتغيرة. فإذا كان هناك طريق معين يشهد ازدحامًا كبيرًا في أوقات معينة، يمكن للنظام أن يوجه حافلات إضافية إلى ذلك الطريق تلقائيًا، أو أن يوصي بتعديل الجدول الزمني.
ثانيًا، تُحسن هذه البيانات تجربة الراكب بشكل كبير. فبدلًا من الوقوف في محطة لا تعرف متى ستصل الحافلة، يمكن للمسافرين الحصول على معلومات دقيقة ومحدثة عن مواعيد الوصول والمغادرة المتوقعة، وحتى عن مدى ازدحام الحافلة القادمة. هذا يقلل من القلق ويسمح للركاب بتخطيط رحلاتهم بشكل أفضل. كما أن الأنظمة المؤتمتة التي تستخدم إنترنت الأشياء يمكنها توفير معلومات دقيقة عن تخطيط الرحلة والدفع غير النقدي، مما يجعل تجربة الركوب سلسة ومريحة.
دور الشبكات العصبية في تحسين كفاءة النقل

تُشكل الشبكات العصبية، وهي جزء أساسي من الذكاء الاصطناعي، العقل المدبر وراء أنظمة النقل العام الذكية. فبينما تجمع إنترنت الأشياء البيانات، تتولى الشبكات العصبية مهمة تحليل هذه البيانات المعقدة واتخاذ قرارات ذكية لتحسين الكفاءة والخدمة. إنها بمثابة “الدماغ” الذي يتعلم ويتكيف باستمرار.
التنبؤ بالازدحام وتعديل المسارات ديناميكيًا
تخيل أن نظام النقل يمكنه التنبؤ بأن طريقًا معينًا سيشهد ازدحامًا شديدًا بعد ساعة من الآن، قبل حتى أن يبدأ الازدحام. هذا بالضبط ما تفعله نماذج التعلم الآلي والشبكات العصبية. من خلال تحليل بيانات تاريخية وآنية من أجهزة استشعار إنترنت الأشياء، مثل كثافة حركة المرور، الأحوال الجوية، الفعاليات الخاصة، وحتى أنماط سلوك الركاب، يمكن لهذه النماذج التنبؤ بالازدحام بدقة عالية.
بمجرد التنبؤ بالازدحام، لا يتوقف الأمر عند هذا الحد. يمكن للنظام بعد ذلك إعادة ضبط الجداول والمسارات ديناميكيًا لتجنب هذه المناطق المزدحمة. فبدلًا من أن تعلق الحافلة في زحام خانق، يمكن للنظام أن يوجهها تلقائيًا عبر طريق بديل أسرع، أو أن يعدل جدول وصولها ومغادرتها ليناسب الظروف الجديدة. هذا لا يوفر الوقت للركاب فحسب، بل يقلل أيضًا من استهلاك الوقود ويقلل من الانبعاثات الكربونية. هذه القرارات التشغيلية المعتمدة على البيانات تقلل الفوضى في الأسطول وتجعل النظام أكثر مرونة واستجابة للظروف المتغيرة.
الصيانة التنبؤية لتقليل الأعطال
كما ذكرنا سابقًا، تراقب أجهزة استشعار إنترنت الأشياء حالة المركبات باستمرار. لكن ما الذي يحدث بهذه البيانات؟ هنا يأتي دور الشبكات العصبية. فبدلًا من مجرد تسجيل أن ضغط الإطارات منخفض، يمكن لنماذج التعلم الآلي تحليل بيانات ضغط الإطارات على مدى فترة زمنية طويلة، إلى جانب بيانات أخرى مثل درجات الحرارة الخارجية وأنماط القيادة، للتنبؤ متى قد يحتاج الإطار إلى استبدال أو صيانة قبل أن يحدث أي ضرر كبير.
يمكن للشبكات العصبية أيضًا تحليل أنماط اهتزاز المحرك، استهلاك الوقود، ودرجات الحرارة الداخلية، للكشف عن علامات مبكرة على الأعطال المحتملة في مكونات مختلفة. هذا يسمح لشركات النقل بالقيام بالصيانة الوقائية في الوقت المناسب، خلال ساعات غير الذروة على سبيل المثال، مما يقلل بشكل كبير من الأعطال غير المتوقعة في منتصف الطريق، والتي قد تتسبب في تأخيرات للركاب وتكاليف إصلاح باهظة. هذه الصيانة التنبؤية لا تحسن من الموثوقية فحسب، بل تطيل أيضًا عمر المركبات وتخفض التكاليف التشغيلية على المدى الطويل.
تحسين رضا الركاب وتخطيط الرحلات
رضا الركاب هو الهدف الأسمى لأي نظام نقل عام فعال، وتلعب الشبكات العصبية دورًا محوريًا في تحقيقه. من خلال تحليل بيانات تعليقات الركاب، أنماط استخدام وسائل النقل المختلفة، وتفضيلاتهم، يمكن لهذه النماذج أن تساعد في تصميم خدمات نقل تلبي احتياجاتهم بشكل أفضل.
على سبيل المثال، يمكن للشبكات العصبية أن توصي بأفضل خيارات النقل للراكب بناءً على موقعه الحالي، وجهته، وأي تفضيلات شخصية لديه (مثل تفضيل الحافلات على المترو أو العكس). يمكنها أيضًا أن توفر معلومات دقيقة ومحدثة عن مواعيد الوصول والمغادرة، بالإضافة إلى تقديرات زمن الرحلة بناءً على ظروف المرور الحالية. هذا يسمح للركاب بتخطيط رحلاتهم بشكل فعال ويقلل من أوقات الانتظار. كما يمكن للأنظمة المؤتمتة، بالاعتماد على هذه البيانات الذكية، أن توفر تجربة كاملة للراكب تشمل الدفع غير النقدي وتحديثات لحظية، مما يجعل كل رحلة سلسة وممتعة قدر الإمكان.
تحول الأنظمة إلى حلول متكاملة “النقل كخدمة”

لم يعد النقل العام مجرد وسيلة للانتقال من نقطة أ إلى نقطة ب، بل أصبح يتجه نحو نموذج “النقل كخدمة” (Mobility as a Service – MaaS)، حيث تُقدم جميع خيارات النقل كحزمة متكاملة وسهلة الاستخدام. هذا التحول يعتمد بشكل كبير على إنترنت الأشياء والشبكات العصبية لتوفير تجربة متكاملة وشخصية للراكب.
منصات سياقية لربط البيانات المفتوحة والحساسات
تعتبر المنصات السياقية (Context-aware platforms) حجر الزاوية في هذا التحول. تخيل منصة تستطيع ربط بيانات الحافلات المفتوحة (مثل جداول GTFS التي تحدد مسارات وتوقيتات الحافلات) مع البيانات الحية القادمة من أجهزة استشعار إنترنت الأشياء في الحافلات والمحطات. هذه الأجهزة يمكن أن تشمل مستشعرات الموقع، عدادات الركاب، وحتى مستشعرات جودة الهواء داخل المركبة.
هذا الربط لا يقتصر على مجرد جمع البيانات، بل يمتد إلى فهم سياقها. فمثلاً، عندما يرسل جهاز استشعار في حافلة معينة بيانات عن ازدحام الركاب، يمكن للمنصة السياقية أن تربط هذه المعلومة تلقائيًا بجدول الحافلة، مسارها الحالي، وحتى معلومات الطقس في المنطقة لتحديد ما إذا كان هذا الازدحام غير طبيعي. باستخدام نماذج بيانات ذكية مثل NGSI، يمكن لهذه المنصات معالجة كميات ضخمة من البيانات المتنوعة في الوقت الفعلي، مما يفتح الباب أمام تطبيقات تحليلية تعتمد على الذكاء الاصطناعي والتي يمكنها اتخاذ قرارات فورية لتحسين الخدمة. هذا يعني أن الركاب يحصلون على معلومات أدق، وتخطيط رحلة أفضل، ويمكن لشركات النقل تحسين كفاءتها بشكل لم يسبق له مثيل.
حزم متكاملة للنقل الذكي
العديد من شركات التكنولوجيا تقدم اليوم حلولًا شاملة ومتكاملة للحافلات والمترو، تتجاوز مجرد توفير قطع غيار أو برامج فردية. هذه الحزم المتكاملة مصممة لتغطية جميع جوانب تجربة النقل العام، من التذاكر وصولًا إلى إدارة الأساطيل.
- التذاكر الإلكترونية (AFC): تُعد أنظمة التذاكر الإلكترونية المتقدمة جزءًا أساسيًا من هذه الحزم، حيث تتيح للركاب الدفع باستخدام البطاقات الذكية، تطبيقات الهاتف المحمول، أو حتى تقنيات التعرف على الوجه، مما يجعل عملية الدفع سريعة وسلسة. هذه الأنظمة لا تسهل على الركاب فحسب، بل توفر أيضًا لشركات النقل بيانات قيمة حول أنماط استخدام الخدمة.
- معلومات الركاب اللحظية: توفر هذه الحزم شاشات معلومات داخل المركبات والمحطات، بالإضافة إلى تطبيقات هاتفية، تعرض معلومات محدثة عن مواعيد الوصول والمغادرة، أي تأخيرات، وأفضل المسارات.
- إدارة الأساطيل: باستخدام إنترنت الأشياء وأنظمة GPS، يمكن لهذه الحلول مراقبة جميع جوانب الأسطول، بما في ذلك الموقع، السرعة، حالة المركبة، وسلوك السائق، كل ذلك في الوقت الفعلي. هذا يساعد في تحسين الجدولة، الاستجابة للحالات الطارئة، وتحسين كفاءة التشغيل.
- التكامل مع المدن الذكية: تعتمد هذه الحزم على واجهات برمجة التطبيقات (API) لتمكين التكامل السلس مع أنظمة المدينة الذكية الأوسع نطاقًا. هذا يعني أن بيانات النقل العام يمكن أن تُستخدم لتحسين أنظمة إدارة المرور، التخطيط الحضري، وحتى الاستجابة للكوارث.
- الفيديو تيليماتيك وGPS: لتعزيز الأمان وتحسين إدارة الأسطول، تُدمج تقنيات الفيديو تيليماتيك (مثل الكاميرات الذكية التي يمكنها اكتشاف الحوادث أو سلوك السائق غير الآمن) مع بيانات GPS. هذا يوفر رؤية شاملة لما يحدث داخل المركبة وخارجها.
أتمتة تجربة الراكب بالكامل
الهدف النهائي من هذه الحلول المتكاملة هو أتمتة تجربة الراكب بالكامل، وجعلها سلسة قدر الإمكان. هذا يعني أن الراكب يمكنه:
- الحصول على معلومات دقيقة: معرفة أوقات الوصول والمغادرة المتوقعة في أي لحظة.
- تخطيط الرحلة بسهولة: استخدام تطبيقات ذكية لإنشاء أفضل مسار للرحلة بناءً على الظروف الحالية، وتلقي تنبيهات في حالة وجود أي تغييرات.
- الدفع غير النقدي: إتمام جميع المعاملات المالية دون الحاجة إلى النقود، مما يقلل من الاحتكاك ويسرع عملية الصعود.
من خلال هذه الأتمتة، يمكن تقليل الفوضى في الأسطول، وتحسين الكفاءة التشغيلية، وفي النهاية، زيادة رضا الركاب بشكل كبير. كل هذه التحسينات تعتمد على قرارات تشغيلية مدعومة بالبيانات وخوارزميات ذكية مستمدة من الشبكات العصبية.
دعم تقنيات البنية التحتية الناقلة للذكاء الاصطناعي
لكي تعمل أنظمة النقل العام الذكية بكامل كفاءتها، يتطلب الأمر بنية تحتية تقنية قوية وقادرة على التعامل مع الكم الهائل من البيانات التي تنتجها أجهزة إنترنت الأشياء ومعالجتها بواسطة الشبكات العصبية. هذه البنية التحتية هي الشريان الذي يغذي الذكاء الاصطناعي بالمعلومات اللازمة.
بروتوكولات الاتصال وأهميتها
عندما نتحدث عن إنترنت الأشياء، فإننا نتحدث عن آلاف، بل ملايين، الأجهزة التي تتواصل باستمرار. لضمان أن هذه الأجهزة يمكنها التحدث مع بعضها البعض ومع الأنظمة المركزية بكفاءة، نحتاج إلى بروتوكولات اتصال مصممة خصيصًا لهذا الغرض.
- MQTT (Message Queuing Telemetry Transport): يُعد MQTT بروتوكولًا خفيف الوزن ومناسبًا تمامًا لأجهزة إنترنت الأشياء ذات الموارد المحدودة. إنه يعمل على مبدأ “النشر/الاشتراك” (Publish/Subscribe)، حيث تنشر الأجهزة بياناتها إلى “وسيط رسائل” (Message Broker)، وتشترك الأنظمة الأخرى في هذه البيانات لتلقيها. هذا يقلل من استهلاك النطاق الترددي والطاقة، مما يجعله مثاليًا لنقل بيانات الحساسات من المركبات والمحطات إلى الأنظمة السحابية. تخيل أن كل مستشعر في الحافلة “ينشر” بياناته (مثل السرعة، الموقع، عدد الركاب)، وأن نظام إدارة الأسطول “يشترك” في هذه البيانات لتلقيها ومعالجتها.
- NB-IoT (Narrowband Internet of Things): هو تقنية شبكات خلوية مصممة خصيصًا لتوصيل أجهزة إنترنت الأشياء التي تحتاج إلى نطاق ترددي منخفض وعمر بطارية طويل. إنه مثالي للأجهزة التي لا تحتاج إلى إرسال كميات كبيرة من البيانات بشكل متكرر، مثل مستشعرات درجة الحرارة في المحطات أو أجهزة تتبع الأصول. يوفر NB-IoT تغطية واسعة وقدرة عالية على الاختراق في المباني، مما يجعله مناسبًا للعديد من تطبيقات النقل الذكي في المناطق الحضرية والنائية.
وسطاء الرسائل والمنصات السحابية
بعد جمع البيانات ونقلها عبر بروتوكولات الاتصال، نحتاج إلى مكان لتجميعها ومعالجتها قبل أن تصل إلى نماذج الشبكات العصبية. هنا يأتي دور وسطاء الرسائل والمنصات السحابية.
- وسطاء الرسائل (Message Brokers): هم برامج تعمل كنقطة مركزية لتلقي الرسائل من أجهزة إنترنت الأشياء وتوجيهها إلى الأنظمة المناسبة التي تحتاجها. إنهم يضمنون تسليم الرسائل بشكل موثوق، حتى لو كانت الأنظمة المستلمة غير متصلة مؤقتًا. أمثلة شائعة تشمل RabbitMQ وMosquitto. يعمل RabbitMQ كوسيط قوي وموثوق للرسائل، بينما Mosquitto هو خيار خفيف الوزن ومفتوح المصدر لبروتوكول MQTT. هذه الوسطاء ضرورية للتعامل مع التدفق المستمر والضخم لبيانات الحساسات من أساطيل النقل.
- المنصات السحابية (Cloud Platforms): بعد أن يتم تجميع البيانات بواسطة وسطاء الرسائل، تُرسل إلى المنصات السحابية. هذه المنصات توفر البنية التحتية اللازمة لتخزين كميات هائلة من البيانات، ومعالجتها باستخدام أدوات تحليل البيانات المتقدمة، وتشغيل نماذج الشبكات العصبية وأنظمة التحليل. توفر المنصات السحابية المرونة والتوسع، مما يسمح لشركات النقل بمعالجة البيانات المتزايدة باستمرار دون الحاجة إلى الاستثمار في بنية تحتية باهظة الثمن داخل مراكز البيانات الخاصة بها. في السحابة، يتم تدريب نماذج الذكاء الاصطناعي، وتحليل البيانات في الوقت الفعلي لاتخاذ قرارات تشغيلية، وتقديم رؤى قيمة لتحسين الخدمة.
إن التفاعل بين هذه المكونات – أجهزة إنترنت الأشياء، بروتوكولات الاتصال، وسطاء الرسائل، والمنصات السحابية – هو ما يجعل النقل العام الذكي ممكنًا. إنه نظام متكامل يعمل بتناغم لجمع ومعالجة وتحليل البيانات، وتحويلها إلى قرارات ذكية تحسن من تجربة النقل للجميع.
التركيز على الدول والمدن غير الذكية
في حين أن الكثير من الحديث عن النقل الذكي يركز على المدن الكبرى والمتقدمة، إلا أن هناك جهودًا متزايدة لتطوير حلول قابلة للتطبيق وفعالة من حيث التكلفة للمدن والدول التي ما زالت في المراحل الأولية للتحول الرقمي. الهدف هو تمكين هذه المناطق من الاستفادة من تقنيات إنترنت الأشياء والتعلم الآلي دون الحاجة إلى استثمارات ضخمة في البنية التحتية.
أطر عمل لتطبيق إنترنت الأشياء والتعلم الآلي
تُطوَّر حاليًا أطر عمل محددة لتسهيل تطبيق تقنيات إنترنت الأشياء والتعلم الآلي في أنظمة النقل العام في المدن “غير الذكية” بعد. هذه الأطر تركز على:
- التدرجية والمرونة: بدلًا من محاولة تطبيق نظام شامل ومعقد دفعة واحدة، تتبنى هذه الأطر منهجًا تدريجيًا. يمكن للمدن البدء بتطبيق حلول بسيطة ومنخفضة التكلفة، مثل أنظمة تتبع الحافلات باستخدام GPS وأجهزة استشعار عد الركاب الأساسية، ثم التوسع تدريجيًا بإضافة المزيد من التقنيات والوظائف مع مرور الوقت. هذا يسمح للمدن بالتكيف مع التحديات والموارد المتاحة لديها.
- الحلول منخفضة التكلفة: تستهدف هذه الأطر استخدام تقنيات وأجهزة استشعار متوفرة تجاريًا وبأسعار معقولة. على سبيل المثال، يمكن استخدام هواتف ذكية قديمة مزودة بـ GPS كمستشعرات لتتبع الحافلات، بدلًا من الاستثمار في أجهزة تتبع مخصصة باهظة الثمن. كما يمكن الاعتماد على حلول سحابية مفتوحة المصدر لتقليل تكاليف البرمجيات والبنية التحتية.
- التركيز على الاحتياجات المحلية: تُصمم هذه الأطر لتكون قابلة للتكيف مع الاحتياجات والظروف المحلية لكل مدينة. فمشاكل النقل في مدينة نامية قد تختلف عن مشاكلها في مدينة متقدمة. لذلك، تركز هذه الأطر على توفير حلول قابلة للتخصيص لمعالجة التحديات الأكثر إلحاحًا، مثل تحسين جداول الحافلات المتهالكة أو تقليل الازدحام في المناطق المكتظة.
حلول قابلة للتوسع ومنخفضة التكلفة
تُقدم العديد من الشركات والمؤسسات البحثية حلولاً عملية لهذه المدن، تتميز بقدرتها على التوسع وبتكاليفها المنخفضة:
- نظم تتبع المركبات باستخدام GPS: تُعتبر حلول تتبع المركبات المستندة إلى GPS نقطة انطلاق مثالية. يمكن تركيب أجهزة GPS بسيطة في الحافلات، وترتبط بمنصة سحابية تُعرض عليها خرائط المواقع والسرعات. هذا يمنح مديري الأساطيل رؤية فورية لمواقع الحافلات، مما يمكنهم من تحسين الجدولة وتحديد التأخيرات.
- أجهزة استشعار عد الركاب بتكلفة معقولة: يمكن استخدام أجهزة استشعار بسيطة لعد الركاب عند صعودهم ونزولهم. هذه البيانات، وإن كانت ليست دقيقة 100% مثل الأنظمة المتطورة، إلا أنها توفر تقديرات كافية لفهم أنماط الطلب وتعديل سعة الحافلات.
- منصات معلومات الركاب القائمة على الرسائل القصيرة (SMS) أو تطبيقات الويب الخفيفة: في المناطق التي قد تكون فيها تغطية الإنترنت محدودة أو لا يمتلك الجميع هواتف ذكية متطورة، يمكن توفير معلومات الحافلات في الوقت الفعلي عبر الرسائل القصيرة أو تطبيقات ويب خفيفة تعمل على أي هاتف متصل بالإنترنت.
- التحليل الأساسي للبيانات باستخدام التعلم الآلي: حتى مع كميات بيانات أقل، يمكن لنماذج تعلم آلي بسيطة أن تساعد في التنبؤ بأنماط الازدحام الأساسية أو تحسين جداول الحافلات. هذه النماذج يمكن تشغيلها على خوادم سحابية بسيطة، مما يقلل من متطلبات البنية التحتية المحلية.
هذه الجهود تهدف إلى سد الفجوة الرقمية في قطاع النقل، وتمكين المزيد من المدن من الاستفادة من مزايا النقل الذكي، حتى لو كانت مواردها محدودة. من خلال التركيز على الحلول العملية والقابلة للتطبيق، يمكن تحقيق تقدم كبير في تحسين أنظمة النقل العام وتجربة الركاب في هذه المناطق.
English