Живая урбанистика
Больше половины населения Земли живет в городах, и этот показатель растет: по прогнозам, к 2050 году количество горожан на планете достигнет 70%. Жизнь в мегаполисе привлекательна по многим параметрам. Здесь можно найти качественное образование, высокую зарплату, но из-за роста населения увеличивается и объем общегородских проблем. Ученые и инженеры стараются оптимизировать системы и предсказывать их поведение, но в случае с урбанистическими системами, которые постоянно растут и меняются, предсказанные решения рано или поздно теряют актуальность.
Сегодня в моде идея об «умных городах», в которых предлагается применять искусственный интеллект для оптимизации городской жизни. Но с открытыми изменяющимися сценариями это неэффективно, так как ИИ ограничен. Применительно к мегаполису было бы правильнее использовать такой подход, при котором система рассматривается как живой организм, так как жизнь постоянно адаптируется к частично предсказуемым изменениям окружающей среды – например, как растения адаптируются к смене времен года.
Идея о том, чтобы рассматривать город как живой организм, не нова, хотя традиционная точка зрения заключается в том, что город – это отлаженный механизм. У этого метода множество приложений, я сконцентрируюсь на транспортной мобильности.
Живое метро
Если дом и место работы жителя города находятся далеко от друга, важно сократить время на передвижение из одной точки в другую. Привычное решение этой проблеме – в распределении транспортных передвижений по расписанию. Оно может быть гибким, если есть часы пик. Если просто увеличить масштабы, расширить старые дороги и построить новые, возникает парадокс: появляется больше машин, и мобильность только ухудшается. Тут также есть социальный аспект: во многих культурах считается, что обладание автомобилем повышает социальный статус, хотя в США, например, в последние годы молодежь больше ценит смартфоны.
С теоретической точки зрения, можно уменьшить время на дорогу на общественном транспорте, сократив интервал движения между транспортными средствами. Если поезд метро прибывает на станцию каждые три минуты, пассажиру в среднем приходится ждать на перроне полторы минуты, так как есть одинаковая вероятность прийти как прямо перед прибытием, так и сразу после него. Если с помощью мультиагентного моделирования создать симуляцию движения поездов метро, взять одинаковые расстояние между станциями и скорость поездов, вместимость вагонов и время ожидания на станции, оптимальное время прибытия пассажира на место отличается от того, что есть в теории. На некоторых станциях пассажиропоток выше, поезд ждет на этой станции столько же, сколько и на других, и не всегда успевает забрать всех пассажиров. Увеличение количества поездов не меняет ситуацию, так как в метро время прибытия зависит от скорости самого медленного поезда.
Тем не менее, поездам можно дать возможность самоорганизовываться в соответствии с простейшим правилом – им нужно соблюдать баланс по времени, которое прошло с момента ухода предыдущего поезда, расстоянием до следующего поезда и количеству людей на платформе. Было удивительно, что на самом деле это экономит время в сравнении с подходом, когда используются равные временные промежутки: хотя поезда могут стоять у платформы дольше, общее время в пути сокращается. Появляется эффект «медленнее-значит-быстрее». Пришлось потратить время, чтобы понять, что классический подход ведет к неправильным выводам (подробно об этих симуляциях можно прочитать в статьях Карлоса Гершенсона в журнале PLOS One: 1, 2).
Другой пример – координация работы светофоров. В большинстве городов безостановочное движение транспорта пытаются обеспечить за счет методики «зеленой волны», за свет согласованного включения зеленого света. Но сложность координации растет по экспоненте, с увеличением количества светофоров растет время на поиск решения. Самоорганизующаяся система светофоров адаптируется к уровню загруженности дорог, и это сокращает время ожидания, количество автомобилей, которым нужно останавливаться на светофорах, и увеличивает среднее время передвижения (результаты этого исследования доступны на портале arXiv).
Живые системы
Мы можем использовать живые системы для вдохновения при создании других систем: при планировании логистики на разных масштабах, от предприятия до уровня города или мира, при планировании системы обеспечения безопасности, в телекоммуникациях. Один из лучших примеров того, что мы можем почерпнуть у живых систем – то, как передвигаются стаи птиц, к примеру, скворцы. В стае нет лидера, но работают правила, по которым соседи ориентируются друг на друга на очень большой скорости. Такой подход крайне продуктивен, когда проблема имеет свойство изменяться.
Кроме того, нам вовсе не обязательно использовать искусственный интеллект и вообще интеллектуальный подход: когда бактерия «убегает» от лейкоцита, ей для этого нужны только химические реакции, ровно как и лейкоцит догоняет бактерию благодаря химии, а не сознанию. Городские системы должны просто уметь адаптироваться к изменениям и быстро формировать отклик.
Александр Пушкаш,
Редакция новостного портала Университета ИТМО
