مجله شهر پایدار

مجله شهر پایدار

هوش مصنوعی در حمل‌ونقل پایدار شهری: تحلیل علم‌سنجی روندها، خوشه‌های مفهومی و شکاف‌های پژوهشی (2005–2024)

نوع مقاله : علمی - پژوهشی

نویسنده
حافظ مهدنژاد
گروه جغرافیا و برنامه ریزی شهری، دانشکده علوم انسانی، دانشگاه سید جمال‌الدین اسدآبادی، اسدآباد، ایران
10.22034/jsc.2026.522219.1844
چکیده
هوش مصنوعی نقش کلیدی در بهینه‌سازی سیستم‌های حمل‌ونقل شهری دارد و با تحلیل داده‌های واقعی، ترافیک را کاهش و مصرف انرژی را کاهش می‌دهد. پژوهش حاضر با رویکرد علم‌سنجی کیفی-کمی و روش توصیفی-تحلیلی، به تحلیل روند، ساختار مفهومی، شکاف‌های پژوهشی و جهت‌گیری‌های آینده در حوزه کاربست هوش مصنوعی در حمل‌ونقل پایدار شهری طی سال‌های 2005 تا 2024 پرداخته است. جامعه آماری متشکل از 172 سند نمایه شده در پایگاه اسکوپوس است که با جست‌وجوی ساختاریافته و تحلیل هم رخدادی کلیدواژگان با نرم‌افزار VOSviewer، تحلیل گردید. بر اساس یافته‌ها پژوهش، تولید علمی از رشد تدریجی (2005–2015) به رشد شتابان (به‌ویژه از 2021 به بعد) تغییریافته که علت آن تحولات فناوری، فشارهای اقلیمی، گسترش شهرهای هوشمند و پاندمی کووید-19 هم‌زمان است. توزیع جغرافیایی منابع نشانگر پیشتازی کشورهایی نظیر هند، چین، ایالات‌متحده و ایتالیا است که نمایانگر تأثیر شهرنشینی شتابان و سیاست‌های ملی در تولید دانش است. تحلیل خوشه‌ای شش حوزه مفهومی کلیدی مشتمل بر فناوری‌های هوش مصنوعی، ابعاد زیست‌محیطی و پایداری، رفتار کاربران و تحرک، سیاست‌گذاری حمل‌ونقل، بهینه‌سازی سیستم‌ها و سیستم‌های پشتیبان تصمیم را آشکار نمود. نتایج نشانگر آن است که هدف نهایی هوش مصنوعی در برنامه‌ریزی حمل‌ونقل شهری، تحقق اهداف پایداری شهری است، اما با شکاف‌هایی در ادغام عدالت اجتماعی، جزئیات الگوریتمی، شاخص‌های زیست‌محیطی و تحلیل‌های زمینه‌محور مواجه است. ازاین‌رو، پژوهش‌های آینده باید هوش مصنوعی را از کارایی به سمت عدالت اجتماعی، یکپارچگی محیطی، الگوریتم‌های زمینه‌محور، همکاری‌های میان‌رشته‌ای و آزمایشگاه‌های زنده شهری به سمت حرکت دهند.
کلیدواژه‌ها
حمل‌و‌نقل پایدار
شهر هوشمند
پایداری
هوش مصنوعی
VOSviewer
  1. Ahmed, S. F., Alam, S. B., Afrin, S., Rafa, S. J., Taher, S. B., & Kabir, M. (2024). Toward a Secure 5G-Enabled Internet of Things: A Survey on Requirements, Privacy, Security, Challenges, and Opportunities. IEEE Access, 12, 13125 – 13145. DOI: 10.1109/ACCESS.2024.3352508.
  2. Ahmed, S., & Badi, S. (2025). Leveraging Artificial Intelligence for Sustainable Transportation Planning in Smart Cities. DOI:10.13140/RG.2.2.15301.15848.
  3. Al-Raeei, M. (2024). The smart future for sustainable development: Artificial intelligence solutions for sustainable urbanization. Sustainable Development, 33(1), 508-517. https://doi.org/10.1002/sd.3131.
  4. Bahamazava, K. (2025). AI-driven scenarios for urban mobility: Quantifying the role of ODE models and scenario planning in reducing traffic congestion. Transport Economics and Management, 1(2025), 92-103. https://doi.org/10.1016/j.team.2025.02.002.
  5. Bijalwan, J. G., Singh, J., Ravi, V., Bijalwan, A., Alahmadi, T. J., Singh, P., Diwakar, M. (2024). Navigating the future of secure and efficient intelligent transportation systems using AI and blockchain. Open Transportation Journal, 18 (1), 1-20. DOI: 10.2174/0126671212291400240315084722.
  6. Elassy, M., Al Hattab, M., Takruri, M., & Badawi, S. (2024). Intelligent transportation systems for sustainable smart cities. Transportation Engineering, 16(2024), 100252. https://doi.org/10.1016/j.treng.2024.100252.
  7. Ferreira dos Santos, J. P. de Matos, C. A., & Groznik, A. (2025). The role of artificial intelligence in smart city systems usage: drivers, barriers, and behavioural outcomes. Technology in Society, 81 (2025), 102867. https://doi.org/10.1016/j.techsoc.2025.102867.
  8. Haji Amiri, M., & Kuşakcı, A.O. (2024). A Scoping Review of Artificial Intelligence Applications in Airports. Computational Research Progress in Applied Science & Engineering, CRPASE: Transactions of Industrial Engineering, 10(2024), 1–12. https://doi.org/10.61186/crpase.10.2.2900.
  9. Iyer, L.S. (2021). AI-enabled applications towards intelligent transportation. Transport Engineer, 5, 100083, https://doi.org/10.1016/j.treng.2021.100083.
  10. Lartey, D., & Law, K. M.Y. (2025). Artificial intelligence adoption in urban planning governance: A systematic review of advancements in decision-making, and policy making. Landscape and Urban Planning, 258(2025), 105337. https://doi.org/10.1016/j.landurbplan.2025.105337.
  11. Li, M., Duan, S. X., & Molla, A. (2025). Artificial intelligence affordances for urban mobility. Industrial Management & Data Systems, 125(2025),1530-1553. https://doi.org/10.1108/IMDS-09-2024-0878.
  12. Li, L., Lin, Y., Zheng, N., Wang, F., Liu, Y., Cao, D., Wang, K. & Huang, W. (2018). Artificial intelligence test: a case study of intelligent vehicles. Artificial Intelligence Review, 50(3), 441-465. doi: 10.1007/s10462-018-9631-5.
  13. Liu, Y., & Xie, X. (2025). The application of artificial intelligence technology empower the development of green urban transportation. Available at SSRN: https://ssrn.com/abstract=5528305 or http://dx.doi.org/10.2139/ssrn.5528305.
  14. Lukic Vujadinovic, V., Damnjanovic, A., Cakic, A., Petkovic, D.R., Prelevic, M., Pantovic, V., Stojanovic, M., Vidojevic, D., Vranjes, D., & Bodolo, I. (2024). AI-Driven Approach for Enhancing Sustainability in Urban Public Transportation. Sustainability, 16(2024), 7763. https://doi.org/ 10.3390/su16177763.
  15.  Luusua, A., Ylipulli, J., Foth, M., & Aurigi, A. (2022). Urban AI: understanding the emerging role of artifcial intelligence in smart cities. AI & SOCIETY, 38(2022),1039–1044. https://doi.org/10.1007/s00146-022-01537-5.
  16. Macioszek, E., & Kurek, A. (2020). P&R parking and bike-sharing system as solutions supporting transport accessibility of the city. Transport Problems, 15(4, Part 2):275-286. DOI:10.21307/tp-2020-066.
  17. Makanadar, A., Shahane, S. (2024). Smart Mobility and Cities 2.0: Advancing Urban Transportation Planning Through Artificial Intelligence and Machine Learning. In: Manoj, M., Roy, D. (eds) Urban Mobility Research in India. UMI2023 2023. Lecture Notes in Civil Engineering, vol 551. Springer, Singapore. https://doi.org/10.1007/978-981-97-8116-4_2
  18. Nikitas, A., Michalakopoulou, K., Njoya, E.T. & Karampatzakis, D. (2020). Artificial intelligence, transport, and the smart city: definitions and dimensions of a new mobility era. Sustainability, 12 (7), 2789. https://doi.org/10.3390/su12072789.
  19. Ogundare, E. (2024). Understanding the Mediating Role of Artificial Intelligence in Urban Transportation Planning for Smart City Development and its Implications for the United States. International Journal of Innovative Science and Research Technology, 9(12). DOI:10.5281/zenodo.14613884.
  20. Rahman, M., & Thill, J. (2023). Impacts of connected and autonomous vehicles on urban transportation and environment: A comprehensive review. Sustainable Cities and Society, 96(2023), 104649. https://doi.org/10.1016/j.scs.2023.104649.
  21. Salhi, A., Algarni, F., Alshamrani, R., Althbiti, A., Ismail, A., & Hassan, B. M. (2025). Leveraging artificial intelligence to enable sustainable urban development through the creation of smart and environmentally friendly carbon-free cities. Sci Rep, 15(2025), 35791. https://doi.org/10.1038/s41598-025-16801-z.
  22. Shaygan, M., Meese, C., Li, W., Zhao, X., & Nejad, M. (2022). Traffic prediction using artificial intelligence: Review of recent advances and emerging opportunities. Transportation Research Part C: Emerging Technologies. 145(2022), 103921. https://doi.org/10.1016/j.trc.2022.103921.
  23. Schulz, T., Bohm, M., Gewald, H., Celik, Z. & Krcmar, H. (2020). The negative effects of institutional logic multiplicity on service platforms in intermodal mobility ecosystems. Business and Information Systems Engineering, 62(5), 417-433. doi: 10.1007/s12599-020-00654-z.
  24. Tahir, F., & Rasool, M. (2025). The Role of Artificial Intelligence in Urban Transportation for Smart City Development and Sustainable Transportation Planning. DOI:10.13140/RG.2.2.33756.09607.
  25. Theissler, A., Velasquez, J.P., Kettelgerdes, M., & Elger, G. (2021). Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry. Reliability Engineering & System Safety, 215(2021), 107864. https://doi.org/10.1016/j.ress.2021.107864.
  26. Wang, Q. R. (2024). Towards zero-emission urban mobility: Leveraging AI and LCA for targeted interventions. BUILD SIMUL, 17 (2024), 1653–1657. https://doi.org/10.1007/s12273-024-1193-7.
  27. Willing, C., Brandt, T., & Neumann, D. (2017). Intermodal mobility. Business and Information Systems Engineering, 59 (3), 173-179. doi: 10.1007/s12599-017-0471-7.
  28. Xia, H., Liu, R., Li, L., & Zhang, Y. (2025). The Fundamental Issues and Development Trends of AI-Driven Transformations in Urban Transit and Urban Space. Sustainable Cities and Society, 1(2025), 106422. https://doi.org/10.1016/j.scs.2025.106422.
  29. Yuan, Y., Shao, C., Cao, Z., He, Z., Zhu, C., Wang, Y., & Jang, V. (2020). Bus Dynamic Travel Time Prediction: Using a Deep Feature Extraction Framework Based on RNN and DNN. Electronics, 9(11), 1876. https://doi.org/10.3390/electronics9111876.
  30. Zhang, P., & Qian, S. (2020). Path-based system optimal dynamic traffic assignment: A subgradient approach. Transportation Research Part B: Methodological. 134(2020), 41–63. https://doi.org/10.1016/j.trb.2020.02.004.
  31. Zemmouchi-Ghomari, L. (2025). Artificial intelligence in intelligent transportation systems. Journal of Intelligent Manufacturing and Special Equipment, 6 (1), 26–42. https://doi.org/10.1108/JIMSE-11-2024-0035.
مجله شهر پایدار
دوره 8، شماره 4
زمستان 1404
صفحه 61-78