Ang trapiko sa Pilipinas ay isa sa mga pangunahing hamon na kinakaharap ng mga driver at commuter araw-araw. Ayon sa pag-aaral ng Japan International Cooperation Agency (JICA), ang matinding trapiko sa Metro Manila ay nagdudulot ng ₱3.5 bilyong pagkalugi bawat araw sa ekonomiya [3]. Sa ganitong sitwasyon, ang teknolohiya ng Artificial Intelligence (AI) ay nagiging isang mahalagang sandata.

Ang paggamit ng AI sa pag-optimize ng ruta ay hindi na lamang isang konsepto ng hinaharap. Ito ay kasalukuyan nang ginagamit upang gawing mas mabilis at mas episyente ang ating pagbiyahe sa mga pangunahing kalsada [5].

Isang mataas na anggulo ng abalang interseksyon sa Metro Manila kung saan makikita ang paggamit ng teknolohiya upang ma-optimize ang daloy ng mga sasakyan. — Image created by AI

Ang epekto ng teknolohiya sa daloy ng trapiko

Ang Metropolitan Manila Development Authority (MMDA) ay nagsimulang gumamit ng mga smart traffic signal [1]. Ang mga sistemang ito ay gumagamit ng mga sensor at camera upang suriin ang dami ng sasakyan sa bawat lane sa real-time. Sa halip na fixed timer, awtomatikong inaayos ng AI ang tagal ng berdeng ilaw base sa sitwasyon [4].

Ang ganitong adaptive traffic control system ay nakakatulong upang maiwasan ang mga bottleneck sa mga interseksyon. Dahil dito, nababawasan ang oras na nasasayang ng mga driver sa paghinto sa gitna ng kalsada. Ang mas maayos na daloy ng trapiko ay nagreresulta rin sa mas mababang pagkonsumo ng gasolina at mas kaunting carbon emissions [5].

Inobasyon mula sa mga lokal na mananaliksik

Isa sa mga kapansin-pansing proyekto sa bansa ay ang CATCH-ALL o Contactless Apprehension Traffic Management on Highways using Artificial Intelligence Technologies. Ito ay binuo ng mga eksperto mula sa De La Salle University sa ilalim ng suporta ng DOST-PCIEERD [2].

Gumagamit ang proyektong ito ng computer vision upang subaybayan ang mga paglabag sa trapiko nang walang direktang interbensyon ng tao. Sa pamamagitan ng deep learning algorithms, natutukoy ng system ang bilis ng sasakyan at mga baradong bahagi ng kalsada [2]. Ang teknolohiyang ito ay nagbibigay ng mahalagang datos para sa mas maayos na urban planning sa hinaharap.

AI sa mga ride-hailing app

Para sa mga driver ng Grab, JoyRide, at Lalamove, ang AI ay bahagi na ng kanilang pang-araw-araw na trabaho. Ang mga platform na ito ay gumagamit ng machine learning para sa dynamic route optimization [4]. Sinusuri ng AI ang mga historical data at kasalukuyang kondisyon ng kalsada upang magmungkahi ng pinakamabilis na alternatibong ruta.

Ang epekto ng AI sa karanasan sa pagmamaneho at serbisyong pangkonsumo ay ramdam na ng marami. Sa pamamagitan ng mas tumpak na Estimated Time of Arrival (ETA), nakakapagplano nang maigi ang mga pasahero at driver. Bukod dito, maaari mo ring basahin ang tungkol sa paano pinapataas ng sistema ng ADAS ang kaligtasan sa kalsada para sa karagdagang impormasyon sa teknolohiya ng sasakyan.

Mga hamon sa pagpapatupad ng AI

Bagama't malaki ang potensyal ng AI, mayroon pa ring mga hamon sa pagpapatupad nito sa Pilipinas. Ang digital infrastructure ay nananatiling isang hadlang sa ilang mga rehiyon. Kailangan ng mabilis at stable na internet para sa epektibong pagpapadala ng real-time data mula sa mga sensor patungo sa control center [4].

Bukod dito, mahalaga ang pagsunod sa Data Privacy Act of 2012. Ang paggamit ng mga camera para sa surveillance ay nangangailangan ng mahigpit na proteksyon sa impormasyon ng mga mamamayan. Ang mataas na gastos sa maintenance ng mga hardware tulad ng thermal cameras ay isa ring konsiderasyon para sa mga lokal na pamahalaan [5].

Ang hinaharap ng trapiko sa bansa

Ang paggamit ng AI ay isang hakbang patungo sa mas matalinong lungsod. Sa pamamagitan ng data-driven urban planning, mas madaling matukoy ng mga awtoridad kung saan kailangan ang mga bagong bypass roads o overpass. Ang integrasyon ng teknolohiyang ito ay naglalayong bawasan ang travel time nang hanggang 25% sa mga pangunahing daanan tulad ng EDSA [3].

Sa patuloy na pag-unlad ng teknolohiya, inaasahan na mas magiging maayos ang daloy ng trapiko sa mga susunod na taon. Ang kooperasyon sa pagitan ng gobyerno, mga tech company, at mga mamamayan ay susi sa tagumpay ng mga inisyatibong ito.

More Information

  1. Smart traffic signals: Mga traffic light na gumagamit ng AI sensors upang awtomatikong mag-adjust ng green light duration base sa dami ng sasakyan sa isang interseksyon.
  2. Computer vision: Isang sangay ng AI na nagpapahintulot sa mga computer na mag-interpret at mag-analyze ng visual data mula sa mga camera o video feed.
  3. Route optimization: Ang proseso ng paghahanap ng pinakamabilis o pinaka-episyenteng ruta para sa isang sasakyan gamit ang real-time traffic data at machine learning algorithms.
  4. Deep learning: Isang uri ng machine learning na gumagamit ng mga neural network upang matuto mula sa malalaking set ng datos, gaya ng pagtukoy sa pattern ng trapiko.
  5. Predictive traffic analytics: Paggamit ng historical at real-time data upang mahulaan ang posibleng congestion sa mga kalsada bago pa man ito mangyari tuwing rush hour.