Nowa analiza przeprowadzona przez naukowców z University of Toronto Engineering wykorzystuje uczenie maszynowe, aby pomóc odpowiedzieć na drażliwe pytanie: gdzie należy umieścić nowe chronione ścieżki rowerowe, aby zapewnić maksymalne korzyści?
„W tej chwili niektórzy ludzie mają naprawdę dobry dostęp do chronionej infrastruktury rowerowej: mogą jeździć na rowerze do pracy, do sklepu spożywczego lub do miejsc rozrywki” – mówi Madeleine Bonsma-Fisher, doktorantka na Wydziale Inżynierii Lądowej i Mineralnej oraz kierownik autorka nowej pracy opublikowanej w czasopiśmie „ Journal of Geografii Transportu.
„Więcej pasów mogłoby zwiększyć liczbę miejsc docelowych, do których można dotrzeć, a poprzednie prace pokazują, że zwiększy to liczbę odbywanych wycieczek rowerowych.
„Jednak wiele osób ma niewielki dostęp do chronionej infrastruktury rowerowej lub nie ma jej wcale, co ogranicza ich możliwości poruszania się. Nasuwa się pytanie: czy lepiej jest maksymalizować liczbę połączonych miejsc docelowych i ogółem potencjalnych podróży, czy też ważniejsze jest skupić się na maksymalizacji liczby osób, które mogą skorzystać z dostępu do sieci?”
Bonsma-Fisher i jej zespół – w tym jej współprzełożeni, profesorowie Shoshanna Saxe i Timothy Chan oraz doktorant Bo Lin – korzystają z uczenia maszynowego i optymalizacji, aby podejmować trafne decyzje. Jest to wyzwanie wymagające nowego podejścia obliczeniowego.
„Ten rodzaj problemu optymalizacji nazywa się problemem NP-trudnym, co oznacza, że moc obliczeniowa potrzebna do jego rozwiązania bardzo szybko skaluje się wraz z rozmiarem sieci” – mówi Saxe.
„Gdyby zastosować tradycyjny algorytm optymalizacji w mieście wielkości Toronto, wszystko by się po prostu zawiesiło. Ale doktorant Bo Lin wymyślił naprawdę fajny model uczenia maszynowego, który może uwzględniać miliony kombinacji ponad 1000 różnych projektów infrastrukturalnych w celu sprawdzenia, jakie są najbardziej wpływowych miejsc do budowy nowej infrastruktury rowerowej.”
Wykorzystując Toronto jako wzór dla każdego dużego, zorientowanego na samochody miasta w Ameryce Północnej, zespół wygenerował mapy przyszłych sieci ścieżek rowerowych wzdłuż głównych ulic, zoptymalizowane zgodnie z dwoma ogólnymi typami strategii.
Pierwsze, które nazwali podejściem utylitarnym, skupiało się na maksymalizacji liczby przejazdów, które można odbyć wyłącznie trasami z chronionymi ścieżkami rowerowymi w czasie krótszym niż 30 minut – bez względu na to, kto korzystał z tych przejazdów.
Drugi, który nazwali oparty na kapitale własnym, miał na celu maksymalizację liczby osób, które miały przynajmniej pewne połączenie z siecią.
„Jeśli optymalizujesz pod kątem równości, otrzymasz mapę, która jest bardziej rozproszona i mniej skoncentrowana na obszarach śródmiejskich” – mówi Bonsma-Fisher.
„Otrzymujesz więcej części miasta, do których dostępność rowerowa jest minimalna, ale jednocześnie uzyskujesz nieco mniejszy ogólny wzrost średniej dostępności”.
„Istnieje tu kompromis” – mówi Saxe.
„Ten kompromis jest tymczasowy, zakładając, że ostatecznie będziemy mieć pełną sieć rowerową w całym mieście, ale ma znaczenie dla tego, jak będziemy działać w międzyczasie i może trwać długo, biorąc pod uwagę ciągłe wyzwania związane z budową infrastruktury rowerowej”.
Innym kluczowym wnioskiem było stwierdzenie, że istnieją pewne trasy, które wydają się niezbędne niezależnie od przyjętej strategii.
„Na przykład ścieżki rowerowe wzdłuż Bloor West pojawiają się we wszystkich scenariuszach” – mówi Saxe.
„Te ścieżki rowerowe przynoszą korzyści nawet osobom, które nie mieszkają w ich pobliżu i stanowią kluczowy element maksymalizacji zarówno równości, jak i użyteczności sieci rowerowej. Ich wpływ jest tak spójny we wszystkich modelach, że podważa pogląd, że ścieżki rowerowe są problemem lokalnym , wpływając tylko na osoby znajdujące się w pobliżu. W naszym modelu zoptymalizowana infrastruktura wielokrotnie okazuje się obsługiwać dzielnice znajdujące się w znacznej odległości.
Zespół udostępnia już swoje dane urbanistom Toronto, aby pomóc w podejmowaniu bieżących decyzji dotyczących inwestycji infrastrukturalnych. W przyszłości zespół ma nadzieję zastosować swoją analizę także do innych miast.
„Bez względu na lokalne problemy lub wybory, których dokonasz, naprawdę ważne jest, aby dobrze zrozumieć, do jakich celów dążysz i sprawdzić, czy je realizujesz” – mówi Bonsma-Fisher.
„Ten rodzaj analizy może zapewnić oparte na dowodach i danych podejście do odpowiedzi na te trudne pytania”.
