トロント大学工学部の研究者らによる新しい分析では、機械学習を活用して、最大の利益をもたらすために新しく保護された自転車レーンをどこに配置すべきかという難しい質問に答えるのに役立ちます。

「現在、一部の人々は保護された自転車に非常に簡単にアクセスできますインフラストラクチャー: 彼らは自転車で通勤できます。食料品店あるいは娯楽施設へ」と、土木鉱物工学科の博士研究員であり、『交通地理学ジャーナル。

「車線が増えれば、到達できる目的地の数も増える可能性があります。以前の作品のショーそうすれば自転車旅行の回数も増えるでしょう。

「しかし、多くの人は保護された自転車インフラにほとんど、またはまったくアクセスできず、移動能力が制限されています。これは疑問を引き起こします。接続された目的地と潜在的な旅行の数を全体的に最大化することが良いのか、それとも、ネットワークへのアクセスから恩恵を受ける人の数を最大化することに重点を置きますか?」

ボンスマ・フィッシャーと彼女のチームには、共同指導者のショシャナ・サックス教授とティモシー・チャン教授、そして博士号が含まれます。学生の Bo Lin は、機械学習と最適化を使用して、そのような意思決定を支援します。これは、新しい計算アプローチを必要とする挑戦です。

「この種の最適化問題は NP 困難問題と呼ばれるものです。つまり、この問題を解くために必要な計算能力は、ネットワークのサイズに応じて非常に急速に拡大します」と Saxe 氏は言います。

「トロントほどの規模の都市で従来の最適化アルゴリズムを使用した場合、すべてがクラッシュするだけです。しかし、博士課程の学生ボー・リンは、1,000 を超える異なるインフラストラクチャ プロジェクトの何百万もの組み合わせを考慮してテストできる、非常に優れた機械学習モデルを発明しました。」新しい自転車インフラを構築するのに最も影響力のある場所はどこですか。」

自動車中心の北米の大都市の代役としてトロントを使用し、チームは主要道路に沿った将来の自転車レーン ネットワークの地図を作成し、大きく 2 つのタイプの戦略に従って最適化しました。

1つ目は功利主義的アプローチと呼ばれるもので、誰が乗車するかに関係なく、30分以内に保護された自転車専用レーンのあるルートのみを使用して移動できる移動回数を最大化することに焦点を当てた。

2 つ目は、彼らが株式ベースと呼んだもので、ネットワークに少なくとも何らかのつながりを持つ人の数を最大化することを目的としていました。

「公平性を重視して最適化すると、より分散した、ダウンタウンへの集中が減った地図が得られます」とボンズマ・フィッシャー氏は言います。

「市内には自転車で最低限アクセスできる地域が増えていますが、平均的なアクセスの全体的な向上は若干小さくなります。」

「そこにはトレードオフがあります」とサックス氏は言う。

「最終的に市内全域に完全な自転車ネットワークが整備されることを前提とすると、このトレードオフは一時的なものですが、それまでの私たちのやり方には意味があり、自転車インフラの構築に向けた継続的な課題を考慮すると、長期間続く可能性があります。」

もう 1 つの重要な発見は、どのような戦略が追求されたとしても、不可欠であると思われるルートがいくつかあることです。

「たとえば、ブロアウェスト沿いの自転車レーンはすべてのシナリオに登場します」とサックス氏は言います。

「これらの自転車レーンは、近くに住んでいない人々にも恩恵をもたらし、自転車ネットワークの公平性と有用性の両方を最大化するための重要な幹となっています。その影響はモデル間で非常に一貫しているため、次の考えに疑問を投げかけます」自転車レーンローカルな問題であり、近くにいる人々だけに影響を及ぼします。私たちのモデルでは、最適化されたインフラストラクチャが、かなり離れた地域にサービスを提供していることが繰り返し判明しています。

チームはすでにトロントの都市計画担当者とデータを共有し、インフラ投資に関する進行中の決定に情報を提供しています。今後、チームは分析を他の都市にも適用したいと考えています。

「地域の問題が何であれ、最終的にどのような選択をすることになるとしても、目指している目標を明確に理解し、それが達成できているかどうかを確認することが非常に重要です」とボンスマ・フィッシャー氏は言います。

「この種の分析は、これらの難しい質問に答えるための証拠に基づいたデータ主導のアプローチを提供できます。」