هوش تجاری تصویری چیست؟

امروزه، با توجه به افزایش روزافزون اینترنت اشیاء، داده های دیجیتالی دارای فراوانی بیشتری شده اند. با استفاده از تکنولوژی امکان ردیابی و جمع آوری داده های متنوع به منظور استفاده در حوزه های مختلف فراهم می باشد. شهرها بطور فزاینده ای به منظور تبدیل شدن به “شهر هوشمند” بر روی اطلاعات حاصل از این داده ها تکیه دارند. بدین معنی که این شهرها داده ها را از منابع مختلف به منظور افزایش راندمان، بهبود کیفیت زندگی، بهینه سازی عملکرد شهرداریها و البته ارتقاء امنیت عمومی جمع آوری می نمایند. یکی از مهمترین جنبه های امنیت، مدیریت ترافیک می باشد و هوش تجاری این امکان را برای بسیاری از شهرهای هوشمند فراهم ساخته تا الگوهای فعلی ترافیکی خود را تجزیه تحلیل نموده و بر اساس آن برنامه ریزیهای لازم به منظور برطرف نمودن نیازهای آتی را انجام دهند. برای انجام این مهم، آمار و داده های حمل و نقل شخصی و عمومی جمع آوری می گردند. این داده ها شامل اطلاعات جمع آوری شده از متروها، اتوبوسها، وسایل نقلیه، دوچرخه ها و موتورها و در بسیاری از شهرها حتی از اسکوترهای برقی می باشند.

چالش هوش تجاری، حجم وتنوع بسیار بالا در آن می باشد، مگر اینکه با روشهایی ارائه گردد که به آسانی قابل درک باشد. این نقطه همان جاییست که ویژوال سازی نقش مهمی ایفا می کند. داده ها جمع آوری شده و با مقیاسهای مختلفی اندازه گیری می گردند. مقیاسهایی از قبیل تعداد اشیا، تعداد افراد، مدت زمان متوسط تردد و یا ماکزیمم تعداد تردد در یک ساعت. این داده ها بر اساس پارامترهایی از قبیل زمان، تاریخ، کلاس، رنگ، نوع منبع، مسیر و ناحیه طبقه بندی می گردند. ویژوال کردن داده ها امکان تلفیق اطلاعات مختلف جهت ارائه روندها و نیز بینش کاملتر از داده را فراهم می سازد. ارزش برخی داده ها (مانند تعداد و نوع وسایل نقلیه که از یک جاده خاص عبور می کنند) بالا است ولی، ترکیبی از داده ها ( مانند انواع وسیله نقلیه و انواع تصادفات حادث شده در جاده ای خاص) به صورت قابل توجهی ارزشمند می باشد.

یکی از فناوریهای رایج جهت جمع آوری داده های ترافیکی و حمل و نقل “پردازش محتوای تصویر” می باشد. این فناوری بر اساس استفاده از داده های تصویری تولید شده توسط شبکه دوربینهای نظارت تصویری بنا نهاده شده است. اگرچه داده های نظارت تصویری معمولا” به عنوان یکی از اجزاء جهت ارتقاء امنیت عمومی مورد استفاده قرار می گیرند، اما می توان از این داده های گردآوری شده در طول زمان، به عنوان الگوهایی مناسب جهت کاربرد در موضوعات ترافیکی استفاده نمود. با کمک یادگیری عمیق و هوش مصنوعی، پردازش تصویر امکان تشخیص و تمایز اشیاء موجود در تصویر از قبیل ماشین ها، کامیونها، موتورها، دوچرخه ها، زنان، مردان، کودکان و حیوانات را فراهم می آورد. به عنوان مثال تشخیص تعداد خودروهای عبوری از یک تقاطع و یا پل خاص در یک بازه زمانی مشخص. همچنین شناسایی و اعلام خطرناک ترین تقاطع های شهری برای عابران پیاده.

پردازش تصویر، این امکان را در اختیار مدیران و برنامه ریزان شهری قرار می دهد تا نقاط مهم و حیاتی ترافیکی را شناسایی نموده و جریان ترافیک را بهینه سازی نمایند. ویژوال نمودن داده ها  نیز در این راستا نقش مهمی در دستیابی به هوش تجاری ایفا می نماید.

حالت های مختلف ویژوال سازی داده ها جهت آنالیز ترافیک

پنج مدل مختلف ویژوال سازی جهت آنالیز و مقایسه داده های ترافیکی وجود دارد:

هیت مپ

هیت مپ ها ابزاری بسیار مفید جهت ارزیابی پیک ترافیک در محدوده تحت پوشش دوربینها و تقاطع ها می باشند. به عنوان مثال کاربران سیستمهای پردازش تصویر  می توانند در یک زمان مشخص میزان تراکم ترافیک را در یک ناحیه خاص مشاهده نمایند. این موضوع می تواند به برنامه ریزان شهری کمک کند تا تقاطع هایی که مستعد ترافیک بیش از حد و یا تصادف هستند را شناسایی نموده و اقدامات لازم جهت کاهش و پیشگیری از تراکم و یا تصادفات را در این نواحی انجام دهند. هیت مپ ها معمولا” از رنگ های مختلفی به منظور نمایش داده های حرکتی مختلف استفاده می کنند.

نمودارهای نشان دهنده روند

این نمودارها روش مفیدی جهت ویژوال نمودن تحلیل های ترافیکی بلند مدت می باشند. برنامه ریزان می توانند مشاهده کنند که چه الگوهایی در حال پیدایش می باشند و چه الگوهایی احتمال تکرار دارند. این موضوع به آنها اجازه می دهد که رفتارهای ترافیکی غیر عادی از قبیل پیک های ترافیکی غیر منتظره و یا گره های ترافیکی را تشخیص دهند.

نقشه های درختی

این نقشه ها جهت نمایش سلسله مراتبی داده ها مورد استفاده قرار می گیرند. به عنوان مثال با استفاده از این نقشه ها می توان تعیین نمود که کدام نوع خودرو در یک تقاطع و یا ناحیه خاص محبوبیت بیشتری دارد و یا چه میزان جمعیتی از افراد از یک ناحیه خاص دیدن می کنند. این داده ها همچنین به راحتی می توانند در نمودارهای دایره ای نمایش داده و مورد استفاده قرار گیرند.

نمودارهای پراکندگی

به کاربران این امکان را می دهد تا ارتباط بین دو اندازه گیری را مشاهده کنند. به عنوان مثال، ممکن است تعداد افراد حاضر در یک مکان خاص با میزان زمانی که آنها در این محل صرف نموده اند مرتبط باشد. امکان دارد برنامه ریزان شهری به نکاتی از قبیل اینکه مردم از کدام خیابانها بیشتر بازدید می کنند و یا در کدام خیابانها بیشتر وقت می گذرانند و مقایسه مدت زمان صرف شده توسط افراد در دو ناحیه مختلف توجه نمایند.

هیستوگرام

هیستوگرام نوعی نمودار میله ایست که جهت نمایش تغییرات داده های مداوم مانند زمان، تعداد خودروها و تعداد تصادفات استفاده می شود. یک هیستوگرام به کاربر این امکان را می دهد تا با مشاهده جدول داده ها، با یافتن متوسط و یا میانگین داده ها، الگوهای موجود در داده ها را که آشکار نیستند شناسایی نموده و آنالیز نماید. از نقطه نظر تحلیل ترافیک، هیستوگرام ممکن است به روشهای مختلفی مورد استفاده قرار گیرد. برنامه ریزان شهری می توانند تقاطع های مختلف را ارزیابی نموده و میزان سرعت متوسط خودروهای عبوری را مورد تحلیل قرار دهند. همچنین هیستوگرام می تواند جهت آنالیز مدت زمان صرف شده توسط افراد و یا وسایل نقلیه در یک ناحیه خاص مورد استفاده قرار گیرند ( نحوه توزیع داده ها در فواصل زمانی).

جمع آوری داده ها و دستیابی به خروجی های کمّی در مدیریت شهری

هنگامی که نمودارها به صورت تکی در یک داشبورد در کنار سایر داده های هوش تجاری مشاهده می شوند، کاربر می تواند ارزیابی موثرتری به منظور اتخاذ تصمیمات هوشمندانه داشته باشد. با استفاده از پردازش محتوای تصویر و ویژوال نمودن داده های ویدیویی در یک داشبورد، میزان قدرت و کارایی شهرها در نظارت بر فعالیت ها در طول زمان، مدیریت و کنترل دوربین ها و نواحی مختلف و نیز طرح ریزی مناسب جهت ارتقاء زیر ساختهای شهری و نیز اعمال تغییرات ساختاری جهت بهبود مدیریت شهری به نحو چشمگیری افزایش می یابد. با استفاده از ویژوال سازی داده ها، امکان مقایسه فعالیت ها در یک مکان خاص در بازه های زمانی مختلف فراهم شده و شهرها می توانند روندهای موجود و یا ناهنجاریها را پیگیری نموده و زیرساخت شهری را مهیای تغییرات قابل انتظار و یا غیر منتظره ترافیکی نمایند.

با جمع آوری داده ها در طول زمان، برنامه ریزان شهری میزان دانش و بینش خود را در مواردی از قبیل کارایی مسیرهای عابر پیاده و یا مسیر عبور و مرور موتورها، الگوهای پارکینگ های خیابانی و یا محل های خاص پارک خودرو و یا این موضوع که نقاط نیازمند افزایش میزان نور شهری کدام نواحی هستند افزایش خواهند داد. با استفاده از نموداریزه کردن داده ها، شهرهای هوشمند می توانند نحوه استفاده از داده های تولید شده توسط دوربینهای نظارت شهری را جهت افزایش امنیت موتورسواران، دوچرخه سواران و عابران پیاده بهینه نمایند. در صورت تجهیز بودن سیستم به داده های مرتیط، مناسب و قابل استفاده، برنامه ریزان شهری و شهرداریها امکان اتخاذ تصمیمات بهتری جهت مدیریت موثر ترافیک، ارتقاء میزان امنیت و ایمنی عمومی و بطور کلی افزایش کیفیت زندگی شهروندان، مسافران و مشاغل مختلف خواهند داشت.