Ulaşımda yapay zeka: Metro sistemlerini yeniden tanımlamak

Metro sistemleri, bir şehrin toplu taşımasının kalbidir ve her gün milyonlarca yolcu taşır. New York ve Tokyo gibi şehirlerde günlük metro yolcusu sayısı 3 milyon ile 6 milyonu aşmaktadır. Şehirler büyüdükçe, metro sistemlerini yolcular için daha verimli, güvenli ve keyifli hale getirmek hayati önem kazanır.

İşte burada devreye giren Yapay Zeka (YZ), bilet almaktan trenlerin bakımına kadar her şeyi dönüştürüyor. Bu makalede bir metro sisteminde yolculuğa çıkacak, YZ'nin yolculuğun her adımını nasıl iyileştirdiğini ve her şeyin sorunsuz çalışmasını sağlayan gizli YZ teknolojilerini göreceğiz.

Toplu taşımada YZ, ücret toplama ile başlar#

Genellikle metroda bir yolculuk kuyrukta beklemek, bilet almak ve turnikelerden geçmekle başlar. Yapay zeka bunu aktif olarak kolaylaştırarak yolcular için daha hızlı ve daha pratik hale getirir. Örneğin, yüz tanıma teknolojisi metro bilet sistemlerinde kullanılabilir. Yoğun şehirlerde yolcular fiziksel bilet veya akıllı kartlar olmadan hizmetlere erişebilir. Bunun yerine giriş noktalarında yüzleri taranarak sorunsuz bir geçiş sağlanır. Beijing, 2019 yılında aşırı kalabalıkla başa çıkmak ve yoğun saatlerdeki uzun kuyrukları azaltmak için bir yüz tanıma sistemi tanıttı.

Şekil 1. Çin, Shenzhen Metrosunda Yüz Tanıma Sistemi.

YZ'nin kusursuz entegrasyonu günlük ulaşımı kolaylaştırır ve her gün milyonlarca yolcuya fayda sağlar. YZ destekli biletleme sistemleri sadece yolcu deneyimini iyileştirmekle kalmaz, aynı zamanda güvenliği de artırır. Yüz verilerini analiz ederek sistem, istasyona yalnızca yetkili yolcuların girmesini sağlar. YZ, kimlikleri hızlı bir şekilde doğrulayabilir, yetkisiz erişimi durdurabilir ve potansiyel tehditleri tespit edebilir. Giriş sürecini hızlandırabilir, güvenliği artırabilir ve bilet kaçakçılığını azaltabilir.

YZ yardımıyla metro hatlarında yol bulma#

Metroya bindikten sonra, özellikle yoğun saatlerde istasyonda yolunuzu bulmak kafa karıştırıcı olabilir. Yapay zeka tabanlı navigasyon sistemleri, yolculara anlık rehberlik sunarak metroda hareket etmeyi kolaylaştırabilir. Bu sistemler; GPS, sensörler ve kameralar gibi kaynaklardan gelen verileri analiz etmek için yapay zeka algoritmaları kullanarak en iyi rotaları bulur ve doğru, güncel yönlendirmeler sağlar. Yolcular, Google Haritalar'a benzer şekilde istasyon içinde adım adım yönlendirmeler almak ve platformları, çıkışları ve olanakları hızlıca bulmak için mobil uygulamaları kullanabilir. Yapay zeka tabanlı navigasyon zaman kazandırabilir ve stresi azaltabilir.

Navigasyonun yanı sıra, bir metrodaki kameralardan gelen veriler ve computer vision, kalabalık yoğunluğunu anlık olarak izlemek için kullanılabilir. İstasyon genelindeki kameralar, olası darboğazları ve aşırı kalabalık noktaları tespit etmek için belirli alanlardaki yolcuları sayabilir. Bu içgörüler, ulaşım yetkililerinin tren sıklığını ayarlamak veya kalabalığı yönetmek için personel göndermek gibi proaktif önlemler almasına yardımcı olur. Aslında yapay zeka, Dubai'de tıkanıklığı %40 ila %60 oranında azaltmak ve yoğun saatlerde ile halka açık etkinliklerde bekleme sürelerini 30 dakikaya indirmek için deneysel olarak kullanılmıştır.

Şekil 2. Nesne Tespiti Kullanarak Metroda İnsan Sayma.

YZ destekli metroya biniş ve yolculuk#

Yolcular trene binerken, YZ seyahat deneyimlerini çeşitli şekillerde iyileştirebilir. Bu uygulamalardan bazılarını inceleyelim:

• Erişilebilirlik desteği: object detection gibi computer vision teknikleri, tekerlekli sandalye kullanıcılarını tespit edebilir ve onları trenin en erişilebilir bölümüne yönlendirebilir. Kapı kapanma süreci de bu yolcuların güvenle binebilmesi için ek süre tanınacak şekilde değiştirilebilir.
• Özelleştirilmiş duyurular ve reklamlar: YZ, trende kimin olduğuna ve saatin kaç olduğuna bağlı olarak yolcu duyurularını ve reklamları kişiselleştirmek için kullanılabilir.
• Boş tren kontrolü: Metro ağının son istasyonunda, bilgisayarlı görü, trende yolcu kalmadığından emin olmak için "boş tren kontrolü" yapmak amacıyla kullanılabilir.
• Sahipsiz bagaj yönetimi: Herhangi bir bagaj sahipsiz bırakılırsa, bilgisayarlı görü bunu tespit edebilir ve öğeleri platform ekranlarında gösterebilir. Yolcular böylece eşyalarını kolayca geri alabilirler.

Metro trenlerinin kendileri de yapay zeka destekli olabilir. Tamamen otonom trenler insan mürettebat olmadan güvenli bir şekilde çalışabilir. Bu yapay zeka destekli trenler, anlık karar verme için gelişmiş algoritmalar ve engelleri tespit edip güvenli bir şekilde çalışmak için sensörler kullanır. Yapay zeka odaklı metro trenleri personel maliyetlerini düşürür, daha iyi hizmet kalitesiyle daha fazla yolcu taşımak için daha büyük esneklik sunar, daha tutarlı bir şekilde zamanında çalışabilir ve güç tüketimini azaltmak için ivmelenme ve frenlemeyi optimize eder. Örneğin, Honolulu Raylı Ulaşım Projesi ABD'deki ilk tamamen otonom sistemdir. Sistemin günde yaklaşık 40.000 araba yolculuğunu ortadan kaldırarak trafik sıkışıklığını ve emisyonları azaltması bekleniyor.

Şekil 3. İtalya, Milano'da Sürücüsüz Bir Metro.

Metro istasyonundan çıkan yolcuları izlemek için YZ kullanımı#

Farklı istasyonlardan kaç kişinin çıktığını izlemek de metro akışını verimli bir şekilde yönetmek için çok önemlidir. Ultralytics YOLOv8 gibi yapay zeka modelleri bu süreçte kilit bir rol oynar. YOLOv8 ayrıca object tracking özelliğini destekler ve birden fazla nesneyi anlık olarak tanımlayıp takip etmek için kullanılabilir, bu da onu yoğun metro sistemleri için mükemmel kılar. İstasyonların geneline yerleştirilen kameralardan gelen video akışlarını analiz eden YOLOv8, çıkan yolcuları sayabilir, hareketlerini takip edebilir ve tıkanıklık kalıplarını tespit edebilir.

Metronun çıkış kapılarının ötesinde YZ, son kilometre ulaşım çözümlerine entegre edilebilir. YZ destekli bisiklet paylaşım istasyonları, araç çağırma hizmetleri ve servisler, yolcuların istasyondan ayrılmasını kolaylaştırabilir. Gerçek zamanlı verileri analiz ederek YZ, talebi ve bu hizmetlerin ne zaman uygun olduğunu tahmin edebilir. Bu teknoloji aynı zamanda mevcut trafik koşullarına ve bireysel tercihlere göre en iyi rotaları ve ulaşım modlarını önerebilir. Sonuç olarak, yolcular istasyondan çıkarken kendilerine en uygun ulaşım seçeneklerine hızlıca erişebilir, bekleme sürelerini azaltabilir ve yolculuklarını daha kullanışlı hale getirebilirler.

Perde arkasında YZ: Metro hatlarının bakımı#

Yolcular olarak, metro yolculuklarımızun arkasında gerçekleşen karmaşık süreçleri genellikle göz ardı ederiz. Yapay zeka, özellikle ray denetimi ve bakımı söz konusu olduğunda perde arkasında çok önemlidir. Duos Technologies Demiryolu Vagonu Denetim Portalı (RIP) gibi sistemler bu yapay zeka odaklı yaklaşımı gözler önüne sermektedir. Yapay zeka algoritmalarını kullanan RIP, 125 mph üzeri hızlarda bile her tren vagonunun 360 derece görüntüsünü saniyeler içinde yakalar ve analiz eder. Bu uç tabanlı yapay zeka sistemleri sorunları tespit eder ve demiryolu personelini bakım sorunları konusunda 60 saniye içinde uyarır. Sürekli izleme, potansiyel sorunların hızlı bir şekilde tanımlanmasını ve çözülmesini mümkün kılar.

Enerji yönetimi ve optimizasyonu, metroda yapay zekanın yaygın olarak bilinmeyen diğer uygulamalarıdır. Örneğin, Metro de Madrid havalandırma enerji maliyetlerini %25 oranında azaltmak ve CO2 emisyonlarını yıllık 1.800 ton düşürmek için yapay zeka tabanlı bir sistem kullanmaktadır. Yılda 80 gigavatsate kadar enerji tüketen 891 havalandırma fanını çalıştıran sistem, arı kolonilerinin yiyecek arama davranışından ilham alan bir optimizasyon algoritması kullanır. Bu algoritma; hava sıcaklığı, istasyon mimarisi, tren sıklığı, yolcu yükü ve elektrik fiyatları gibi faktörleri göz önünde bulundurarak büyük miktarda veriyi analiz eder. Her istasyon için en iyi dengeyi tahmin etmek ve elde etmek üzere hem geçmiş hem de simüle edilmiş verileri kullanır ve machine learning aracılığıyla zamanla gelişir.

Şekil 4. Metro de Madrid'in Yapay Zeka Tabanlı Havalandırma Sistemi.

Toplu taşımada YZ'nin artıları ve eksileri#

YZ'nin metro sistemlerine entegrasyonu çok sayıda fayda sağlamıştır. Örneğin, metro sistemlerinin programlara uymasına, gecikmeleri azaltmasına ve daha sorunsuz hizmetler için operasyonları optimize etmesine yardımcı olarak verimliliği artırır. Güvenlik de sürekli izleme ile artırılır ve kestirimci bakım, kazaların ve arızaların önlenmesine yardımcı olur.

Ancak, metro sistemlerinde YZ uygulamak şu gibi zorlukları beraberinde getirir:

• Veri gizliliği endişeleri: Yolcu verilerinin toplanması ve kullanılması, bireysel gizlilik haklarını korumak için dikkatle yönetilmesi gereken önemli gizlilik endişelerini beraberinde getirir.
• Mevcut altyapı ile entegrasyon: YZ sistemlerini mevcut metro altyapısına entegre etmek karmaşık olabilir ve değişiklikler gerektirebilir.
• Yüksek uygulama maliyetleri: Yapay zeka teknolojisini uygulamanın başlangıç maliyetleri yüksek olabilir; bu da bazı metro sistemleri için bir engel teşkil edebilir.
• Nitelikli profesyonellere duyulan ihtiyaç: YZ sistemlerini başarılı bir şekilde uygulamak ve sürdürmek, son derece yetenekli profesyoneller gerektirir ve bu bir kaynak zorluğu olabilir.

Bu zorluklara rağmen, faydaları YZ'yi metro gibi modern kentsel ulaşım sistemlerinde dönüştürücü bir güç haline getirir. Artan verimlilik, gelişmiş güvenlik ve iyileştirilmiş yolcu deneyimi potansiyeli, YZ topluluğunun YZ'nin sunduğu avantajlardan tam olarak yararlanmak için bu engelleri aşmak üzere neden aktif olarak çalıştığını açıklamaktadır. Bu yüzden, bir dahaki sefere metroya bindiğinde yolculuğunun bir parçası olan YZ yeniliklerine dikkat et.

Ulaşımda YZ'nin geleceği#

İstasyona girmekten navigasyona, binmeye ve metrodan çıkmaya kadar, YZ tüm yolculuğu dönüştürüyor. Operasyonları optimize ediyor, güvenliği artırıyor ve kusursuz bir yolcu deneyimi sunuyor. Ray bakımı ve enerji yönetimini iyileştirerek, YZ verimli ve uygun maliyetli metro sistemlerini garanti ediyor. Uygulama maliyetleri ve veri gizliliği endişeleri gibi zorluklara rağmen, metro gibi kentsel ulaşım sistemlerinde YZ'nin faydaları yadsınamaz. Şehirler büyümeye devam ettikçe, YZ metro seyahatini daha akıllı, daha güvenli ve daha verimli hale getirmede giderek daha hayati bir rol oynayacak.

Yapay zeka hakkında bilgi edinmeye devam etmek için topluluğumuzla bağlantıda kal! tarım ve üretim gibi çeşitli endüstrilerde yenilikçi çözümler oluşturmak için yapay zekayı nasıl kullanabileceğimizi keşfetmek üzere GitHub depomuzu incele. 🚀