چرا افزودن جاده می تواند ترافیک و سایر مدلهای دلپذیر را افزایش دهد

توسط سیمون انجام داد

کتاب

یک مشکل ازدحام در گوشه من وجود دارد ، گوشه نسبتاً مرفه جنوب لندن ، و برای حل آن ، برنامه ای برای مسدود کردن برخی از جاده ها وجود دارد. می توانید این هیاهو را تصور کنید: یک علامت اعتراض بر تنه هر درخت پیاده رو ظاهر می شود. بسته شدن راه ها چگونه می تواند جریان ترافیک را بهبود بخشد؟

پرس ریاضی دان آلمانی در سال 1968 به این س answeredال پاسخ داد و توضیح داد که افزودن جاده به شبکه به دلیل استفاده بیشتر رانندگان از جاده های مشابه و در نتیجه تردد بیشتر ، می تواند زمان سفر را افزایش دهد. در حال حاضر یک کتاب جدید ، پیش بینی اطلس: مدل سازی و نگاشت آینده های مطلوب ، توسط کتی برنر ، از آن به عنوان مثال خوبی برای نحوه پیش بینی مدل ریاضی و نحوه استفاده از آن برای حل یک مشکل در دنیای واقعی استفاده می کند.

این و بیش از 1300 مدل ، نقشه و پیش بینی دیگر در آخرین اطلس برنر ، سومین اطلس برگرفته از نمایشگاه مسافرتی دانشگاه ایندیانا Places and Spaces: Cartography ، ذکر شده است.

اول ، اطلس علم: تجسم آنچه می دانیم قدرت نقشه ها را در علم نشان داد ، در حالی که دومی نشان داد ، اطلس دانش: هر کسی می تواند ترسیم کند ، بر تجسم متمرکز است. در آخرین سفر خود ، بورنر می خواهد نشان دهد که چگونه مدل ها ، نقشه ها و پیش بینی ها به تصمیم گیری در آموزش ، علم ، فناوری و سیاست گذاری کمک می کند.

این یک استدلال ساختارمند و سنگین است که با توضیحات بیش از 300 برنامه پشتیبانی می شود. برخی از مدخل ها مانند Bernard H. Porter نقشه فیزیک 1939 ، آنها فقط به دلیل زیبایی و ایده هایی که ارائه می دهند ، جای خود را به دست آوردند. اما بیشتر ، برنر مدلهایی را انتخاب می کند که در عمل به کار گرفته شده اند و تغییرات مثبتی ایجاد کرده اند.

محدوده آن چشمگیر است. ما با معادلات شروع می کنیم ، قانون قانون جاذبه جهانی نیوتن را در الگوهای مهاجرت انسان آشکار می کنیم و در قرن ها حرکت می کنیم. ما به کتاب 1713 یعقوب برنولی اشاره می کنیم حدس زدن هنر – که نظریه احتمال را مطرح کرد – و مقاله جیمز کلرک ماکسول در سال 1868 “در مورد فرمانروایان” ، که اولین اشاره به سایبرنتیک بود. سرانجام ، ما به عصر کنونی خود در زمینه محاسبات گسترده و مدل سازی پیچیده تر رسیده ایم.

در اینجا س questionsالات جالب شروع می شود. برای پیش بینی رفتار سیستم های پیچیده ، به ویژه آنهایی که دارای م humanلفه انسانی هستند ، بسیاری از محققان فعلی به دنبال مدل سازی (ABM) هستند که در آن عوامل مستقل مجزا با یکدیگر و با محیط مشترک (مدل سازی عددی) خود تعامل دارند.

اما ، بورنر هشدار می دهد ، “ABM به طور کلی ابزارهای تحلیلی بسیار کمی برای مطالعه آن دارد و اغلب به دلیل تعداد زیادی پارامترها و قوانین درگیر ، نمی توان تحلیل حساسیت گذشته را انجام داد.” به عبارت دیگر ، مدل ABM یک پیش بینی دقیق به ما می دهد ، اما هیچ راه واضحی وجود ندارد که بدانیم چرا مدل نتیجه گیری کرد – با توجه به اینکه داده های آن از افراد آسیب پذیر تهیه شده است ، یک مورد نامطمئن است.

کتاب مجلل و مفصل او به طور مستقیم به مسائل خطا و سوگیری می پردازد ، اما او من را با مشکل دیگری روبرو کرد ، نمونه هایی که بنرهای اعتراضی عصبانی باعث خفه شدن محله من شد.

در بیش از 50 سال از انتشار تحقیقات برایس ، افراد ثروتمند و عمدتاً تحصیلکرده در محیط های راحت ، از نحوه عملکرد جریان ترافیک بی اطلاع هستند. بنابراین این شانس چقدر است که بقیه ما ، مانند ما مشغول و مشغول ، به سایر پارادایم هایی که به طور فزاینده ای زندگی مدنی ما را دیکته می کنند ، بفهمیم یا به آنها اعتماد کنیم؟

برنر معتقد است که مدل سازی داده ها می تواند از قبیله گرایی ، اطلاعات غلط ، تفکر جادویی ، اقتدارگرایی و جن زدایی جلوگیری کند. من نمی توانم ببینم چگونه در زندگی من. چه اتفاقی می افتد وقتی یک مدل آنقدر پیچیده می شود که فقط متخصص می تواند آن را درک کند ، یا وقتی حتی متخصص نمی تواند مطمئن باشد که چرا انتظارات آنچه را که می گویند می گوید؟

ما در درک پیش بینی های آب و هوا به اندازه کافی مشکل داریم ، چه برسد به توضیح آنها. استفاده از این فناوری ها در حوزه غیرنظامی ، مجموعه ای از مشکلات را ایجاد می کند که هیچ ارتباطی با فناوری ندارند و همه اینها به این بستگی دارد که آیا کسی به آنها گوش می دهد یا نه.