تشخیص الگوی تصادف و اعلام تصادف به صورت برخط

با دریافت اطلاعات مسیر حرکت خودروها به صورت برخط و تشخیص الگوی حرکتی آن‌ها در هر بخش از خیابان‌ها، می‌توان این الگوها را با الگوهای زمان سفر که در پایگاه داده الگوهای ترافیکی نگهداری می‌شود، منطبق کرد. در نتیجه با ترکیب نتایج می‌توان، یک وضعیت خاص ترافیکی را تشخیص داد. برای مثال اگر زمان سفر در یک بخش، به صورت ناگهانی تغییر کند، نشان از یک واقعه مانند تصادف دارد. از سوی دیگر در این پایان‌نامه الگوهای ترافیکی گوناگون مانند تصادف را مورد بررسی قرار می‌دهیم. به این ترتیب با تطبیق این الگوها با هم، می‌توانیم وقایعی مانند تصادف را به صورت برخط تشخیص دهیم.

در ابتدا باید تشخیص وقوع یک واقعه خاص در یک نقطه تفسیر شود. در واقع ما به راحتی نمی‌توانیم وقوع یک تصادف در یک نقطه خاص را بیان کنیم، بلکه تنها می‌توان صحبت از احتمال وقوع یک تصادف یا حادثه در یک نقطه خاص کرد. ساختار ساده شده‌ی یک تصادف به صورت کلی در شکل ۸ نشان داده شده است.

با بروز یک تصادف گرفتگی بعد از آن شروع شده و طول این گرفتگی با گذشت زمان بیشتر می‌شود. با نگاه به مدل موجود در معماری مبتنی بر مسیر، اگر یک گرفتگی در یک قطعه خیابان ایجاد شود، این گرفتگی به مرور به قطعه‌های منتهی به قطعه مورد نظر منتقل شده و این روند ادامه پیدا خواهد کرد. جریان ورود خودروها به قطعه مورد نظر بیش از جریان خروجی شده و نسبت ورود به خروج، رشد طول صف ایجاد شده را مشخص می‌کند. این رشد از ابتدای قطعه و با ایجاد شاخه‌های مختلف دیگر به راحتی قابل تشخیص نمی‌باشد. ولی به طور کلی خود مسئله‌ای است که در پایان این فصل کمی به آن پرداخته خواهد شد. در نهایت برای ساده‌سازی مسئله فرض می‌کنیم در طول زمان‌های مشخص قطعه خیابان‌های منتهی به مرور مسدود می‌شوند و تاثیر تصادف در خیابان‌های یک سطح بعد هم دیده خواهد شد. در واقع اگر فاصله هر قطعه تا قطعه تصادف را در نظر بگیریم، فرض می‌کنیم بعد از زمان T (عددی بین ۲ تا ۵ دقیقه) تاثیر تصادف در قطعات با فاصله ۱ دیده شده و بعد از زمان ۲T تاثیر تصادف در قطعات با فاصله ۲ دیده می‌شود و این روند در طول زمان ادامه پیدا می‌کند. همچنین فرض می‌کنیم با گذشت زمان حداکثری T_a، حتی در صورتی که نمونه‌ای از محل مورد نظر عبور نکند، مشکل تصادف مرتفع خواهد شد.

از نگاه مشاهده‌گر، با دیدن یک گرفتگی در یک قطعه، پی می‌بریم که در قطعه مورد نظر یا قطعات بعدی گرفتگی ایجاد شده است. در نتیجه به صورت احتمالی، احتمال بروز تصادف در قطعه خیابان‌های بعد از قطعه مشاهده شده، بررسی می‌شود.

طبق شکل ۲، فرض می‌کنیم مشاهده در قطعه S و تصادف در قطعه A اتفاق افتاده باشد. فرض می‌کنیم احتمال تصادف در قطعه مشاهده شده µ و با هر یک واحد فاصله قطعات از محل مشاهده، احتمال بروز تصادف در α ضرب شود و احتمال وقوع تصادف تا زمانی جلو می‌رود که از حد T_a نگذرد. به این ترتیب قطعات با فاصله حداکثر k برای احتمال تصادف در نظر گرفته می‌شوند. برای مثال در شکل ۹، احتمال وقوع تصادف (مقدار µ) با فرض مشخص کردن α به شکل زیر محاسبه می‌شود (فرض می‌کنیم احتمال تصادف تا ۲ قطعه خیابان بعد از محل مشاهده ممکن می‌باشد، در واقع k=2):

با ادامه حرکت مشاهده‌گر، اگر مشاهده‌گر از یکی از قطعه‌های غیر از S’ حرکت کند، تنها احتمال تصادف معطوف به دو مسیر دیگر شده و بار دیگر قابل اندازه‌گیری می‌باشد. همچنین با این اتفاق احتمال وجود تصادف در قطعه S کماکان باقی می‌ماند. در نتیجه که در مثال شکل ۸ برابر می‌شود با:

همچنین اگر مشاهده‌گر از قطعه S’ حرکت کند، این احتمال معطوف به قطعه S’ و قطعات بعد از آن می‌شود با این تفاوت که حد تخمین ۱ واحد کاهش پیدا کرده و احتمال تصادف تا k-1 رده محاسبه می‌شود. به این ترتیب برای مثال شکل ۸ خواهیم داشت:

حال فرض می‌کنیم مشاهداتی از نمونه‌های مختلف در یک منطقه بدست بیاید. در این صورت باید روشی برای برهم‌نهی احتمالات داشته باشیم. هر یک از مشاهدات ما فضای احتمالاتی برای تصادف بوجود می‌آورد. حال فرض کنید فضای احتمالاتی دو مشاهده اشتراک داشته باشد. وجود دو مشاهده گرفتگی می‌تواند نشان از دو تصادف مختلف داشته باشد، ولی بدلیل آنکه دو مشاهده در نزدیکی یکدیگر اتفاق افتاده و دارای اشتراک می‌باشند، با کمی اغماض می‌توان فرض کرد که تصادف در محل اشتراک دو مشاهده اتفاق افتاده است. به همین دلیل فضای احتمال بالا را برای فضای اشتراک دو مشاهده ایجاد می‌کنیم و ملاک ما برای در نظر فاصله، کمینه فاصله هر قطعه به هر یک از قطعات مشاهده می‌باشد.

با در نظر گرفتن مثال شکل ۹، اگر فرض کنیم مشاهدات در دو قطعه S و S” اتفاق افتاده باشد، داریم:

به همین روش می‌توان برای مشاهدات بیشتر موضعی عمل کرد.

در هر صورت، ممکن است مشاهده‌گری در زمان مناسب به محل تصادف نرسیده و در نتیجه تصادف کشف نشود. در این صورت تنها احتمال وقوع تصادف در قطعات مختلف برای ما باقی خواهد ماند. در این حالت تاثیر ایجاد صف در پشت نقطه تصادف در احتمال وقوع تصادف در قطعه مورد نظر ضرب می‌شود و این تاثیر برای خیابان‌های مختلف محاسبه می‌شود.

فرض می‌کنیم با احتمال p در قطعه A تصادف شده باشد. تمام قطعاتی که با محدودیت T_a مسیری به قطعه A دارند را در نظر بگیرید. فرض می‌کنیم زمان سفر در قطعه A از زمان تصادف تا رسیدن سیستم به حالت عادی را داشته باشیم (TT_A(t)). با هر واحد دور شدن قطعات از قطعه A، این تابع برای قطعات بعدی با در نظر گرفتن ضریب محاسبه می‌شود. در واقع اگر قطعه‌ای با فاصله ۲ به قطعهA برسد، ضریب تاثیر تابع زمان سفر در هنگام تصادف برای این قطعه خواهد بود. بدست آوردن تاثیر تصادف در زمان سفر و جریان ترافیک مسئله‌ی مناسبی برای تحقیق می‌باشد که در {؟} و {؟} هم به آن پرداخته شده است.

تشخص روان شدن ترافیک قطعه‌هایی که در یک تصادف درگیر بوده‌اند، خود مسئله پیچیده‌ای می‌باشد. در واقع سرعت حل مشکل تصادف در مواقع و حالت‌های مختلف متفاوت است. در نتیجه تابع زمان سفر در زمان تصادف یک حالت پیش‌فرض داشته و با حل سریع تصادف دچار کشیدگی در محور زمان می‌شود. حال اگر مشاهده‌ای از یک قطعه انجام پذیرد که وضعیت زمان سفر روان‌تر از حالت پیش‌فرض زمان سفر به هنگام تصادف با توجه به ضرایب تاثیر در قطعه مورد نظر باشد (در صورتی که ضرایب تاثیر مناسب انتخاب شده باشند)، می‌توان فرض کرد تصادف رخ داده زودتر از زمان پیش‌فرض حل شده است. در این صورت با توجه به مشاهده انجام شده، نقطه مناسب بر روی تابع زمان سفر به هنگام تصادف برای قطعه مشاهده شده محاسبه شده و قطعه‌های منطقه تصادف به صورت مشابه دچار کشیدگی در طول زمان می‌شوند و در نتیجه وضعیت ترافیک و زمان سفر در همه قطعات بروزرسانی می‌شود. این حالت ممکن است ما را به نقطه‌ای برساند که بتوانیم حل گرفتگی ایجاد شده بر اثر تصادف و رسیدن به شرایط پایدار را نتیجه‌گیری کنیم.

روش‌های کلی گفته شده در این فصل برای ارائه راه حل کلی در این روش و معماری بوده است تا بتوانیم گرفتگی‌های حاصل از تصادف را تشخیص دهیم. به دلیل اینکه تعداد تصادفاتی که ممکن است در یک لحظه در شهر اتفاق بیفتد کم می‌باشد، می‌توان روش‌ها و تحلیل‌های پیچیده‌تری را برای تشخیص تصادف و تخمین زمان سفر به هنگام تصادف به کار ببریم که نیاز به تحقیق بیشتری دارد. همچنین تخمین زمان سفر به هنگام تصادف خود مقوله‌ای است که در این فصل به آن نخواهیم پرداخت. مطالعات و شبیه‌سازی‌های زیادی در این باره صورت گرفته است که به صورت مناسبی قابل انطباق برای استفاده در این معماری می‌باشند که به یکی از این روش‌ها بر مبنای ایده Kalman Filter در فصل {۲.۳.۶} اشاره شد.

لینک مطلب ویراتک شریف

انطباق داده‌های خودرو بر روی مسیرهای نقشه

انطباق داده‌های دریافتی از طریق GPS با داده‌های مکانی نقشه، از پیچیدگی‌های روش‌های مبتنی بر داده‌های مکانی و مبتنی بر مسیر می‌باشد. از آنجایی که این داده‌ها به صورت برخط دریافت می‌شوند و باید به صورت برخط پردازش شوند، نیاز به الگوریتم‌هایی با کارآیی بالا برای انطباق این داده‌ها با خیابان‌های نقشه داریم. در نتیجه بخشی از کار ما در این پایان‌نامه، پیدا کردن و استفاده از الگوریتم‌هایی با کارآیی بالا برای استفاده به صورت برخط در این سامانه می‌باشد.

انطباق داده‌های مسیر حرکت اتوبوس‌ها بر روی خطوط و تصحیح مختصات آن‌ها یکی از مسائلی است که برای تخمین زمان سفر اتوبوس‌ها مورد نیاز می‌باشد. در این مسئله مسیر حرکت اتوبوس به صورت یک مسیر مشخص به صورت دنباله‌ای از نقاط در دسترس می‌باشد. در همین راستا یکی از فعالیت‌هایی که در این پایان‌نامه انجام شد، انطباق این داده‌ها بر روی خط اتوبوس به منظور اطلاع‌رسانی زمان رسیدن اتوبوس‌ها به ایستگاه‌ها بوده است.

یک خط اتوبوس از مجموعه‌ای نقاط و در نتیجه مجموعه‌ای از پاره‌خط‌ها تشکیل شده است. پاره‌خط‌های موجود در خط را به صورت مرتب شده با شماره ۱ تا k در نظر می‌گیریم و فرض می‌کنیم اتوبوس از ابتدای مسیر شروع به حرکت می‌کند. همچنین فرض می‌کنیم خط مورد نظر دارای S ایستگاه می‌باشد که ایستگاه اول و آخر در ابتدا و انتهای خط قرار دارد. فاصله گرفتن اتوبوس بیش از حد مشخص L (50 متر) از ایستگاه اول، به معنای شروع حرکت اتوبوس بر روی خط تلقی می‌شود و در نتیجه حالت اتوبوس از STOP به INLINE تغییر پیدا خواهد کرد. با دریافت اولین نقاط، نزدیک‌ترین نقطه بر روی پاره‌خط اول به عنوان مختصات تصحیح شده اتوبوس در نظر گرفته می‌شود. با دریافت هر مختصات جدید از اتوبوس (p)، فاصله نقطه p از پاره‌خطی که اتوبوس آخرین بار بر روی آن مشاهده شده است شروع می‌شود. این فاصله حالت نزولی داشته تا جایی که به نزدیک‌ترین پاره‌خط (LP) به نقطه p برسیم. با صعودی شدن فاصله در می‌یابیم مختصات تصحیح شده اتوبوس باید بر روی پاره‌خط LP باشد. به این ترتیب با محاسبه نزدیک‌ترین نقطه به نقطه p بر روی پاره‌خط LP نقطه تصحیح شده اتوبوس به دست می‌آید.

لینک مطلب ویراتک شریف

معماری سامانه‌های تحلیل ترافیک

شرکت ویراتک شریف با بهبود در استفاده از راه‌کارهای تحلیل ترافیک، به طور کلی هسته‌ای برای تخمین زمان‌سفر و سامانه‌ای برای اطلاع‌رسانی مسافر بوجود آورده است. بخش اول دغدغه‌ی ما از جنبه‌ی دقت تخمین می‌باشد؛ به طوری که بتوانیم تخمین‌هایی از زمان سفر ارائه کنیم که بتواند نیازمندی‌های سیستم ما را برآورده کند. بخش دوم دغدغه‌های ما مربوط به جنبه‌های عملیاتی ایجاد هسته‌ی تحلیل ترافیک است. در واقع باید در الگوریتم‌های استفاده شده برای تحلیل زمان‌سفر یک شبکه‌ی گسترده، بهبودهایی حاصل کنیم؛ در حدی که بتوان از این الگوریتم‌ها برای چنین شبکه‌ای استفاده کرد. در این مورد، هم بحث تحلیل‌های غیربرخط و هم بحث تحلیل‌های برخط و چگونگی بازیابی اطلاعات و تعیین زمان سفر، باید مورد بررسی قرار گیرد.

در مجموع می‌توان هدف ویراتک را، ایجاد یک سیستم کامل پیش‌بینی زمان سفر دانست. مبنای اصلی کارهای ما برای بخش تخمین، استفاده از ایده‌های مبتنی بر داده‌های مکانی می‌باشد. در حال حاضر فعالیت‌های زیادی بر روی این ایده انجام نشده است. در واقع در این ما در ویراتک سعی داریم، با نصب دستگاه‌های مجهز به GPS بر روی خودروها و با بهره‌گیری از ساختار ارتباطی شبکه‌ی GSM روش‌هایی ارائه کنیم که به صورت برخط داده‌های مکانی خودروها را دریافت کرده و با تحلیل آن‌ها، اطلاعات مربوط به زمان سفر را استخراج کند. به این ترتیب اولا، با ارائه‌ی راه‌کارهایی با کارآیی بالاتر و ارائه‌ی یک معماری جدید، سعی در بهبود روش‌های قبلی می‌کنیم. در درجه‌ی دوم، با در نظر گرفتن محدودیت‌های زمانی و کارآیی برای یک سیستم برخط، سعی در ارائه‌ی الگوهایی برای تشخیص وقایع به صورت برخط می‌کنیم.

ایده‌های زیادی برای تحلیل ترافیک به هنگام تصادف، تشخیص تصادف و شرایط ترافیک قبل و بعد از تصادف وجود دارد که در حال حاضر نیز تحقیقات زیادی بر روی آن انجام شده است. تشخیص جریان ترافیک در این شرایط، نیاز به داده‌برداری‌هایی با حجم بالا دارد تا سیستم بتواند در سریع‌ترین زمان ممکن از وضعیت و مکان حادثه با خبر شود. پیدا کردن روش‌هایی که با هزینه‌ی کم و کارآیی بالا بتوانند حوادثی مانند تصادف را تشخیص دهند، از مسائلی است که هنوز ذهن بسیاری از محققان را به خود مشغول کرده است و یکی از زمینه‌هایی می‌باشد که در ویراتک به آن توجه می‌شود.

 

معماری مبتنی بر GPS

در معماری‌های ارائه شده بر مبنای نقاط GPS، مبنای تصمیم‌گیری سیستم‌های تحلیل ترافیک، تعیین میزان ترافیک به صورت نقطه‌ای می‌باشد. در واقع در این نوع معماری‌ها، یک پارامتر مشخص انتخاب می‌شود و الگوهای این پارامتر برای هر نقطه جغرافیایی در طول زمان تحلیل شده و تخمین زده می‌شود. به این ترتیب تحلیل ما به صورت محلی معنادار است.

برای مثال تابع مشخص v(t,x) نشان‌دهنده سرعت متوسط در زمان t در نقطه x را در نظر بگیرید. بر مبنای این معماری، مقادیر ثبت شده در نقطه x در طول زمان نگهداری می‌شود و به صورت تحلیلی بر مبنای شباهت زمانی نقاط ثبت شده با زمان t مانند زمان مشخص در روزهای قبل، الگوی سرعت در زمان مورد در نقطه مورد نظر بدست می‌آید.

این معماری به دلیل استفاده از نمونه‌های در حال حرکت بسیار کارا می‌باشد و به ما کمک می‌کند تا بتوانیم نمونه‌هایی در مکان‌های جغرافیایی متفاوت داشته باشیم. این امر دقت تخمین به صورت نقطه‌ای را به دلیل کم شدن نمونه‌ها پایین می‌آورد، ولی در عین حال باعث گسترده شدن سطح نمونه‌برداری می‌شود. نکته قابل توجه این است که وجود نمونه‌برداری نقطه‌ای با نصب شمارنده در یک محل دقتی به مراتب بالاتر از حد نیاز را برای ما فراهم می‌کند و این در حالی است که این سطح دقت با توجه به هزینه‌های نصب برای ما نیاز نیست. به این ترتیب ما با در حرکت بودن نمونه‌ها می‌توانیم با نمونه‌های بسیار کم‌تر سطوح جغرافیایی گسترده‌تری را پوشش دهیم. همچنین ساده بودن تکنولوژی GPS نسبت به تکنولوژی‌های شمارنده و قیمت به مراتب کمتر آن‌ها، باعث می‌شود تا بتوانیم با قیمت معادل یک شمارنده که تنها می‌تواند در یک نقطه نصب شود، تعداد زیادی نمونه در حال حرکت داشته باشیم.

مشکل اصلی در این معماری، وجود تغییرات زیاد در داده‌های بدست آمده از طریق GPS می‌باشد که باعث می‌شود نمونه‌های بدست آمده دارای دقت پایینی باشند. برای مثال سرعت یک خودرو در طول یک مسیر ممکن است تغییرات زیادی داشته باشد که نمونه‌برداری ما را دچار مشکل کند. این مشکل با گرفتن نمونه‌های زیاد در طول زمان حل شده و الگوی مورد نظر به سمت میانگین میل می‌کند. ولی چون پارامتری از جنس زمان در این تخمین تاثیرگذار است باعث می‌شود نمونه‌های زیادی در طول زمان‌های مختلف برای بالابردن دقت گرفته شود که خود از ضعف‌های این معماری به حساب می‌آید.

 

معماری مبتنی بر مسیر

ایده‌ی کلی کار ترکیب روش‌های سری‌زمانی و روش‌های مبتنی بر تشخیص الگوها مانند شبکه‌های عصبی برای تشخیص الگوهای زمان سفر و نگهداری این الگوها برای استفاده‌های بعدی است. به این ترتیب با دریافت داده‌های مکانی از خودروها، الگوهای زمان سفر با استفاده از این روش‌ها بروز رسانی می‌شوند. در نتیجه به نوعی سری زمانی تا نقطه خاصی برای تخمین‌های آینده نگهداری می‌شود.

تفاوت عمده این معماری با معماری مبتنی بر GPS در این نکته است که مبنای تحلیل ما در این روش زمان‌سفر نمونه در مسیرها یا بازه‌های مشخص می‌باشد. در نتیجه در این روش ما به دنبال تحلیل زمان‌سفر در بازه‌ی مورد نظر خواهیم بود و الگوهای مورد نظر را با توجه به بازه‌ها و مسیرها نگهداری خواهیم کرد. برای مثال بازه‌ی بین دو ایستگاه اتوبوس برای یک اتوبوس، پارامتر مناسبی برای تحلیل زمان‌سفر یک اتوبوس خواهد بود. نکته قابل توجه در این معماری این است که به دلیل وجود نگاه بازه‌ای به مکان، امکان نگهداری و تحلیل ماهیت زمان‌سفر خواهد بود. از آنجایی که زمان سفر، ماهیت مناسب و قابل سنجشی از طرف تحلیل‌گر و استفاده کننده سیستم‌های حمل و نقل می‌باشد، در نتیجه می‌توان امیدوار بود تکیه بر این معماری تحلیل‌های مناسب و تخمین‌های خوبی برای ما رقم خواهد زد.

یکی از نکات قابل توجه در این معماری کاهش هزینه‌های اجرا و نگهداری سیستم‌های تحلیل می‌باشد. در سیستم‌های ایستگاهی که به دنبال تحلیل جریان ترافیک در ایستگاه‌های مختلف هستند به دلیل وجود تکنولوژی‌های پردازش تصویر و یا دیگر تکنولوژی‌ها، نیاز به تحلیل‌های محلی در ایستگاه خواهیم داشت. به همین ترتیب به نوعی یک جریان پردازش توزیع‌شده در درون معماری قرار دارد. جریان دریافت داده‌های مکانی از خودروها، تحلیل و بازیافت پارامترهای و الگوهای ترافیکی در این معماری همگی در سمت سرور انجام می‌شود. محلی بودن این کار یک مذیت به حساب خواهد آمد ولی در عین حال دغدغه باید جبنه‌های کارآیی و حجم اطلاعات در نظر گرفته شود. برای مثال داده‌های مکانی ۲۰۰۰ اتوبوس شهر مشهد در یک بازه ۱ ماهه که در دوره‌های زمانی ۵ ثانیه‌ای مختصات خود را ذخیره می‌کردند در حدود ۳۰ گیگابایت حجم داشته و چیزی بالغ بر ۱ میلیارد نقطه را در بر می‌گیرد. این اعداد نگرانی ما را برای تحلیل و نگهداری داده‌ها و الگوها و چگونگی تحلیل و بازیابی زمان‌سفر از این حجم داده بر می‌انگیزد.

به این ترتیب در این فصل تلاش می‌کنیم معماری طراحی کنیم که علاوه بر تحلیل مناسب ترافیک و ارائه تخمین خوب از زمان سفر با توجه به معیارهای ارزیابی ارائه شده، بتواند جنبه‌های کارآیی سیستم را نیز در بر بگیرد و به صورت عملیاتی قابل استفاده باشد. شکل ۱ نمای کلی معماری ما بر مبنای جریان داده‌ها را نمایش می‌دهد.

شکل ۱ – معماری مبتنی بر مسیر

 

در این معماری ما به تحلیل مسیر حرکت خودرو می‌پردازیم و با تک داده‌های دریافتی از خودرو کاری نداریم. به این ترتیب قدرت ما برای تحلیل مسیر حرکت به منظور پیدا کردن زمان سفر و الگوهای حرکت خودروها بسیار بالا می‌رود.

معماری ارائه شده، ساختار کلی معماری مورد نظر در این پایان‌نامه می‌باشد؛ در ادامه‌ی این فصل، معماری و الگوریتم‌های بخش‌های مختلف این معماری مشخص شده و جنبه‌های مختلف هر یک مانند کارآیی مورد بررسی و تحلیل قرار خواهند گرفت.

جنبه‌ی دیگر مسئله، پیدا کردن مجموعه‌ای مناسب از خودروها می‌باشد که با قرار گرفتن سیستم مورد نظر بر روی آن‌ها بتوانیم به خوبی داده‌های ترافیکی شهر را دریافت، ذخیره و بروزرسانی کنیم. به این منظور برای مثال می‌توان سیستم‌های GPS را بر روی خودروهای آژانس و یا تاکسی قرار داد. اینکه این سیستم دقیقا در چه خودروهایی قرار گیرد و چه حجمی از خودروها لازم است تا داده‌های کافی برای تحلیل یک شبکه‌ی ترافیکی بزرگ مانند تهران را داشته باشیم، خود مسئله‌ای است که در این پایان‌نامه مورد توجه قرار خواهد گرفت.

لینک مطلب ویراتک شریف

استفاده بیشتر از سیستم‌های هوشمند حمل و نقل؛ نیازمند فرهنگ سازی

 | در بخشی دیگر از گزارش مربوط به "نگاه شما در شبکه‌های اجتماعی"، موضوع زیر که توسط " جاوید " در اتاق فکر حمل و نقل در شبکه اجتماعی " لینک‌دین " مطرح شده است به همراه دیدگاه‌های شما در این مورد بازنشر می شود: 
چرا سیستم های هوشمند حمل و نقل بین عموم مردم مورد توجه ( علاقه و کنجکاوی) قرار نگرفته ؟
سیستم های هوشمند حمل و نقل و قابلیت های فوق العاده آن برای متخصصین کم و بیش شناخته شده است اما هنوز در باور مردم( و حداقل قشری که روزانه تردد دارد ) جای خود را باز نکرده و چندان مورد توجه و علاقه ورزی قرار نگرفته است. 
شاید جواب های مختلفی را بتوان برای این مسئله برشمرد. مثلا :
- مردم این سیستم را مترادف جریمه بیشتر و پرداخت پول بیشتر می دانند - با برنامه های جذاب تلویزیونی و با زبان ساده کمتر درباره آن گفتگو شده است. 
- برخی درهم ریختگی ها مانند قطع شبکه بانک و بیمه و... در زمان حضور ارباب رجوع به این سیستم هم تعمیم داده می شود.
- کلا موضوع تخصصی است (حتی پیچیده تر از هوا و فضا!) و لذا کشش اقبال عمومی را ندارد.
- با وجود سیستم هایی مانند وایبر و... جائی برای عطش "دانستن" در این حوزه باقی نمانده است.
- تا حدی که لازمست مردم توجه نشان داده اند و این میزان کاملا طبیعی است.

لینک مطلب تین نیوز