Dirbtinis intelektas viešajame transporte: pažangi jutikliais pagrįsta prognozavimo sistema Vilniuje ir Seule
Su mūsų tyrėju Henriku kalbėjomės apie neseniai AAI Labs kartu su DFRC Group įgyvendintą projektą, susijusį su pažangia jutikliais pagrįsta viešojo transporto prognozavimo sistema.
Ar galėtumėte pradėti nuo projekto pristatymo?
Šis projektas buvo skirtas keleivių srautų prognozavimui Vilniaus viešojo transporto sistemoje, ypač autobusų ir stotelių. Bendradarbiaudami su Korėjoje įsikūrusiu partneriu "DFRC Group", daugiausia dėmesio skyrėme pažangių jutiklių integravimui į transporto infrastruktūrą. Buvo siekiama padidinti tvarkaraščių sudarymo efektyvumą ir reaguoti į realaus laiko keleivių skaičių autobusų stotelėse. Po išsamaus duomenų rinkimo etapo sukūrėme keletą mašininio mokymosi modelių, kad galėtume tiksliai prognozuoti keleivių srautus.
Ar galite plačiau papasakoti apie problemą, dėl kurios prireikė naujo sprendimo?
Keleivių srautų prognozavimo klausimas viešajame transporte nėra naujas, tačiau mūsų metodas yra naujas. Naudodami naują jutiklių technologiją, siekėme pranokti esamų metodų tikslumą: WiFi pagrindu veikiančius mobiliųjų telefonų detektorius ir autobusų durų skaitytuvus.
Ar galite papasakoti, kaip tai veikia įmones?
Mano požiūriu, mūsų sukurti keleivių srautų prognozavimo modeliai yra labai naudingi viešojo transporto paslaugų teikėjams. Šie modeliai suteikia naujo lygio įžvalgas apie keleivių elgesį, leidžiančias efektyviau planuoti ir paskirstyti išteklius. Taip ne tik optimizuojamos veiklos sąnaudos, bet ir pagerinama keleivių patirtis, nes sumažėja laukimo laikas ir perpildymas viešojo transporto stotelėse.
Ar manote, kad šis produktas gali būti naudojamas ne bandymų vietose? Ar jis gali būti pritaikytas kitur?
Šio projekto sėkmė Vilniuje ir Seule atveria įdomių galimybių kitiems regionams. Mūsų naudota techninė įranga yra universali ir gali būti įdiegta įvairiose vietose, jei tik jutikliai turi tinkamą maitinimą ir aplinkos apsaugą. Mūsų sistemos pritaikomumas pasireiškia tuo, kad ją galima sukalibruoti skirtingoms miesto transporto aplinkoms, o tai suteikia plačias pritaikymo galimybes ne tik mūsų pradiniuose bandomuosiuose miestuose.
Koks buvo didžiausias šio projekto pasiekimas?
Asmeniškai man svarbiausia buvo praktiškai susipažinti su duomenų rinkimui naudojama technine įranga. Šių realių duomenų transformavimas į veiksmingus mašininio mokymosi modelius ir jų vizualizavimas labai pagilino projektą. Visi kartu didžiuojamės, kad per palyginti trumpą laiką sukūrėme išsamią sistemą.
Ar su projektu buvo susijusi kokia nors rizika ir kaip ją sumažinote?
Kaip ir daugelyje mašininio mokymosi iniciatyvų, pagrindinė rizika buvo duomenų pakankamumas. Dėl jutiklių įrengimo ir biurokratinių kliūčių įveikimo kilo abejonių, ar pavyks laiku surinkti pakankamai duomenų. Šią problemą išsprendėme pradėdami kurti modelį su ribotu kiekiu realių duomenų, kuriuos papildėme generuojamais duomenimis. Šis metodas pasiteisino ir leido mums pasiekti tikslumą.