فناوری نوین در خدمت متروهای هوشمند

۵. اجزای زیرساختی کلان‌داده برای مترو

استفاده از کلان‌داده تنها به جمع‌آوری اطلاعات محدود نمی‌شود. برای بهره‌برداری مؤثر از این فناوری، نیاز به یک زیرساخت فنی شامل اجزای زیر داریم:

1.5. منابع داده :[vii]

شامل حسگرها، دوربین‌ها، تجهیزات بلیت‌فروشی، دستگاه‌های  IoT، تابلوهای اعلام وضعیت، سامانه‌های تهویه، آسانسور، پله‌برقی و غیره می شود.

5.2. زیرساخت ارتباطی[viii] : شامل شبکه‌ی فیبر نوری، ارتباط بی‌سیم، شبکه‌های محلی (LAN)، شبکه‌های مخابراتی مانند 4G/5G  یا NB-IoT برای اتصال تجهیزات به سرور مرکزی می باشد [3].

5.3. ذخیره‌سازی[ix]:

پایگاه‌های داده بزرگ و توزیع‌شده مانند Hadoop HDFS یا Azure Data Lake برای ذخیره‌سازی امن و سریع داده‌ها می باشد [4].

5.4.تحلیل و پردازش[x]:

از ابزارهای پردازش داده مانند  Apache Spark، Python،  Power BI یا حتی هوش مصنوعی برای تحلیل الگوها، پیش‌بینی رفتار مسافران و تصمیم‌گیری هوشمند استفاده می شود.

5.5.سامانه‌های تصمیم‌یار[xi]:

داشبوردهای مدیریتی، اپلیکیشن‌های پایش و هشداردهی برای بهره‌برداران مترو، که خروجی تحلیل داده‌ها را به شکل بصری و قابل استفاده ارائه می‌کنند [5].

۶. کاربردهای کلان‌داده در مترو

• نمونه‌ی کاربردی: پله‌برقی و آسانسور در شرایط ازدحام

یکی از نمونه‌های ملموس کاربرد کلان‌داده، مدیریت پله‌برقی‌ها و آسانسورها در ایستگاه‌های مترو است. فرض کنید در یکی از ایستگاه‌ها، در ساعات خاصی حجم تردد مسافران افزایش می‌یابد. با استفاده از کلان‌داده می‌توان:

• الگوی افزایش تردد را در ساعات مختلف شناسایی کرد؛
• بر اساس این داده‌ها، تعداد پله‌برقی‌های فعال را به‌صورت خودکار افزایش داد؛
• در صورت شناسایی ازدحام، مسیرهای ورود و خروج را مدیریت کرد تا از ایجاد گره ترافیکی انسانی جلوگیری شود؛
• تحلیل رفتار پله‌برقی‌ها نشان می‌دهد که کدام یک بیشتر مستهلک شده و نیاز به سرویس دارد.

این تصمیم‌ها به‌صورت سنتی و دستی امکان‌پذیر نیست، اما با کلان‌داده می‌توان آن‌ها را در زمان واقعی و به‌صورت هوشمند پیاده‌سازی کرد.

۷. نتیجه گیری

چرا اکنون باید به فکر کلان‌داده باشیم؟ مترو به عنوان یکی از حیاتی‌ترین سامانه‌های حمل‌ونقل شهری، برای حرکت به‌سوی متروی هوشمند نیازمند نگاه داده‌محور است. با توسعه‌ی فناوری‌های ارتباطی، پردازش داده و هوش مصنوعی، فرصت مناسبی فراهم شده تا از داده‌های خام به بینش‌های مدیریتی ارزشمند دست یابیم. همان‌گونه که قطارها نیازمند ریل هستند، مدیریت هوشمند مترو نیز نیازمند کلان‌داده است. هر ایستگاه، هر مسافر، و هر تجهیز، داده‌ای تولید می‌کند که در صورت استفاده‌ی صحیح، می‌تواند گامی مؤثر در بهبود بهره‌وری، افزایش ایمنی و رضایت مسافران باشد.

۸. مراجع:

 [1].Gandomi, A. & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), 137–144.
[2].   IBM Big Data & Analytics Hub. The Four V’s of Big Data. IBM, 2023.
[3].  Siemens Mobility. Digital Rail Infrastructure – A Data-Driven Future. Siemens Whitepaper, 2021.
[4]  Dean, J., & Ghemawat, S. (2008). MapReduce: Simplified Data Processing on Large Clusters. Communications of the ACM, 51(1), 107–113.
[5] Microsoft Azure Documentation. Big Data Architecture and Components. Retrieved 2024.

[1] SCADA
[2] BMS
[i] Big Data
[ii] Volume
[iii] Velocity
[iv] Variety
[v] Veracity
[vi] Value
[vii] Data Sources
[viii] Network Infrastructure
[ix] Data Storage
[x] Analytics & Processing
[xi] Decision Support Systems