เปลี่ยนการจราจรแบบเดิมด้วย AI: Google เผยผลวิจัยการจัดการเส้นทางเพื่อลดรถติดและการปล่อยก๊าซ

การขนส่งเป็นรากฐานสำคัญของโลกยุคใหม่ที่ช่วยขับเคลื่อนเศรษฐกิจ แต่ก็แลกมาด้วยต้นทุนที่แสนแพง โดยพบว่าผู้ขับขี่ต้องสูญเสียเวลาเฉลี่ย 2.6 ปีของชีวิตบนท้องถนน และรถยนต์ส่วนบุคคลก็มีส่วนทำให้เกิด การปล่อยก๊าซ CO2 ทั่วโลกประมาณ 10%

ปัญหาคือเราจะจัดการจราจรบนถนนให้มีประสิทธิภาพเหมือนการจัดการน่านฟ้าหรือการรับส่งข้อมูลในอินเทอร์เน็ตได้อย่างไร? แม้ที่ผ่านมาถนนจะขาดศูนย์ควบคุมแบบทางกายภาพ แต่แพลตฟอร์มดิจิทัลกำลังก้าวเข้ามาเป็นเครื่องมือสำคัญในการประสานงานการจราจรในอนาคต

การมีบริการนำทาง ยานพาหนะที่เชื่อมต่อกัน และ Smart City ช่วยเปิดโอกาสสู่การวัดผลที่มีประสิทธิภาพ ก่อนหน้านี้ Google Research ได้เปิดตัวโปรเจกต์ Green Light ที่ใช้ AI ปรับจังหวะสัญญาณไฟจราจรเพื่อลดปัญหารถติด อย่างไรก็ตาม การปรับปรุงเส้นทางในระดับระบบยังคงเป็นเรื่องยากแม้จะมีโมเดลทางทฤษฎีรอบรับ แต่การทดสอบจริงในวงกว้างยังมีจำกัด

ในบทความ “Urban congestion relief experiments through routing-app interventions” ที่ตีพิมพ์ใน Nature Cities เราได้นำเสนอการศึกษาผ่านแพลตฟอร์มนำทางในโลกแห่งความเป็นจริง ซึ่งพิสูจน์ให้เห็นว่าการประสานงานแม้เพียงส่วนน้อยในการกระจายการจราจร สามารถช่วยเพิ่มความเร็วและลดมลพิษได้ทั้งเมือง

การทดลอง (Experiment)

เราได้ทำการทดลองใน 10 เมืองใหญ่ของสหรัฐอเมริกา โดยปรับแต่งอัลกอริทึมของ Google Maps ให้เสนอ "เส้นทางทางเลือก" ที่ใช้เวลาใกล้เคียงกัน เพื่อเลี่ยงเส้นทางที่ติดขัดอย่างเป็นระบบ

เป็นระยะเวลา 6 เดือนที่เราใช้วิธีทดลองแบบ switchback ทั่วเมือง โดยสลับการใช้อัลกอริทึมที่ปรับใหม่และแบบปกติรายคืนเพื่อวัดผลเปรียบเทียบ โดยพบว่ามีการเดินทางที่ได้รับคำแนะนำใหม่เพียงไม่ถึง 2% ของยอดการเดินทางทั้งหมด แต่ส่งผลกระทบที่น่าทึ่ง

เราคัดเลือกเมืองจากระดับความหนาแน่นของการจราจร และเลือกถนนประมาณ 100 จุดในแต่ละเมืองที่เป็นคอขวดหรือมีรถสะสมหนาแน่นช่วงเร่งด่วน ดังตัวอย่างในภาพด้านล่าง

ในการศึกษานี้ เราปรับเกณฑ์การคำนวณเส้นทางสำหรับพื้นที่ที่มีความแออัดสูง เพื่อจูงใจให้ผู้ขับขี่เปลี่ยนไปยังเส้นทางที่มีต้นทุนเวลาใกล้เคียงกัน ซึ่งช่วยลดความหนาแน่นของรถยนต์บนถนนสายหลักได้

ผลลัพธ์ (Results)

เราใช้กรอบการวิเคราะห์แบบ hierarchical Bayesian outcome modeling framework เพื่อจับภาพความเปลี่ยนแปลงทั้งในระดับเมืองและรายชั่วโมง

ผลการศึกษาพบว่าการแทรกแซงเพียงเล็กน้อยช่วยให้จราจรดีขึ้นอย่างมีนัยสำคัญ โดยในถนนเป้าหมายมีความเร็วเพิ่มขึ้นเฉลี่ย 2% ส่งผลให้อัตราสิ้นเปลืองเชื้อเพลิงลดลง 0.5% ถึง 1.0% ส่วนภาพรวมทั้งโครงข่ายจราจรมีความเร็วเพิ่มขึ้นราว 0.35% และเพิ่มขึ้นเป็น 0.5% ในช่วงโมงเร่งด่วนเช้ามืดและเย็น ซึ่งเทียบเท่ากับการช่วยลดก๊าซ CO2e ได้หลายพันตันต่อปีในแต่ละเมือง

กราฟแสดงผลลัพธ์ของเวลาเดินทาง ความเร็ว และการปล่อยก๊าซเรือนกระจกผ่านความน่าจะเป็นภายหลัง (posterior probability distribution) ซึ่งชี้ให้เห็นการปรับปรุงที่ชัดเจนแม้กระทั่งในภาพรวมทั้งโครงข่ายถนนในช่วงเวลาเร่งด่วน

ความเร็วและอัตราการปล่อยก๊าซที่ดีขึ้นนี้เกิดจากการกระจายรถจากคอขวดหลักๆ ออกไปยังถนนโดยรอบอย่างมีกลยุทธ์ ทำให้ภาพรวมระบบสามารถรักษาความเร็วได้ดีขึ้น แม้ว่าจะต้องรอบรับปริมาณรถในจุดย่อยต่างๆ มากขึ้นก็ตาม

การสาธิตกระจายจราจรในแอตแลนตา: เมื่อรถถูกเบี่ยงออกจากทางหลวงสายหลักไปยังถนนรอบนอกที่กระจายตัวกันมากขึ้น (สีเขียว) แทนการกระจุกตัวในจุดเดียว ส่งผลดีต่อระบบขนส่งในภาพรวม

บทสรุป (Conclusion)

งานวิจัยนี้ยืนยันว่า เทคโนโลยีการนำทางที่ทำงานร่วมกันเป็นเครือข่ายสามารถเป็นเครื่องมือสำคัญในการจัดการการจราจรเพื่อประโยชน์สาธารณะ การประสานงานเพียงส่วนน้อยให้ประโยชน์แก่ผู้ขับขี่ทุกคน ไม่ใช่แค่เฉพาะผู้ที่ใช้แอปพลิเคชันเท่านั้น

นอกจากนี้ งานวิจัยยังเปรียบเสมือนพิมพ์เขียวสำหรับการบริหารจัดการจราจรในอนาคต ที่จะนำเทคโนโลยี Smart City และการเชื่อมต่อสื่อสารมาใช้แก้ปัญหาที่ซับซ้อน เช่น การปรับสัญญาณไฟแบบไดนามิก เพื่อสร้างการเดินทางที่ยั่งยืนและมีประสิทธิภาพสูงสุดสำหรับชุมชน

กิตติกรรมประกาศ (Acknowledgements)

งานวิจัยนี้ได้รับความร่วมมือจาก Alexandre Bayen, Andrew Tomkins, Theophile Cabannes, Kevin Chen, Yechen Li, Marc Nunkesser, Prem Ramaswami, Eray Turkel, Shoshana Vasserman และ Haizheng Zhang