Maršrutų optimizacija
DI sprendimas transportui Klaipėdoje / Projektas
Lietuvos uostamiesčio viešojo transporto paslaugų teikėjui sukūrėme maršrutų planavimo modeliavimo prototipą.
Siekėme optimizuoti viešojo transporto maršrutų tvarkaraščius naudojant mašininio mokymosi modelius, skirtus keleivių srautams ir eismo duomenims analizuoti ir prognozuoti. Integravus istorinius ir prognozavimo duomenis, sistema pagerino tvarkaraščių sudarymą, sumažindama keleivių laukimo laiką, mažindama eismo spūstis ir prisidėdama prie tvaresnės miesto aplinkos kūrimo.
Problema
3 bilietų zonos
31 miesto maršrutas
Maršrutiniai taksi: 3 maršrutai Klaipėdoje, 2 - Palangoje, 2 - Kretingoje
22 priemiesčio maršrutai
Klaipėdos viešojo transporto sistema susidūrė su keliomis problemomis, įskaitant ilgą keleivių laukimą stotelėse dėl neefektyvaus tvarkaraščių sudarymo ir dažno kelių vienu metu autobusų atvykimo, dėl ko susidaro transporto spūstys. Pagrindinėse stotelėse persidengiantys autobusų maršrutai lėmė neefektyvų transporto priemonių naudojimą, o vėlavimai ir blogėjančios eismo sąlygos dar labiau apsunkino problemą, todėl sistema tapo mažiau veiksminga..
Autobusų vėlavimai
Kaip matyti iš toliau pateiktų duomenų, autobusai gali vėluoti arba skubėti iki 3 minučių. Taip pat galima pastebėti, kad autobusai dažniau vėluoja nei važiuoja anksčiau. Nors didžioji dauguma autobusų atvyksta laiku, kai kurie maršrutai dėl vairuotojų klaidų arba eismo spūsčių nukrypsta nuo grafiko.
Sprendimas
Siekdami įveikti šiuos iššūkius, sukūrėme mašininiu mokymusi pagrįstą imitacinį modelį, skirtą Klaipėdos viešojo transporto tvarkaraščiams optimizuoti, analizuojant realaus laiko ir istorinius duomenis. Šis modelis leido tiksliai prognozuoti keleivių srautus įvairiu laiku ir skirtingose vietose, siūlė tvarkaraščių pakeitimus, atsižvelgiant į prognozuojamą keleivių skaičių ir eismo sąlygas, bei optimizavo autobusų ir vairuotojų paskirstymą pagal realaus laiko paklausą. Modeliui apmokyti į sistemą buvo integruoti istoriniai viešojo transporto tinklo duomenys, įskaitant autobusų stotelių vietas, eismo įvykius ir keleivių srautus. Be to, buvo sukurta internetinė vartotojo sąsaja, kurioje rodomi realaus laiko ir istoriniai keleivių srautų duomenys, prognozės ir tvarkaraščių optimizavimo rekomendacijos.
Naudotos technologijos
Sprendimui sukurti serveriui naudojome Python (Flask/Django). Keleivių srautams analizuoti ir prognozuoti analizavome mašininio mokymosi modelius, tokius kaip dirbtinių neuronų tinklai (ANN), atraminių vektorių klasifikatoriai (SVC) ir Monte Karlo metodai. Vartotojo sąsaja buvo sukurta naudojant „React“, o duomenų saugojimui ir integracijai su orų ir eismo sąlygų API buvo naudojama „PostgreSQL“.
Rezultatai
Sėkmingai sukūrus sprendimą, jis buvo išbandytas viename iš miesto autobusų maršrutų. Optimizavus tvarkaraščius pagal prognozavimo modelius, sutrumpėjo keleivių laukimo laikas. Autobusų perskirstymas padėjo išvengti spūsčių pagrindinėse sankryžose ir autobusų stotelėse, todėl pagerėjo eismo srautas.
Be to, perorientavus nepakankamai naudojamas transporto priemones, sprendimas prisidėjo prie anglies dioksido išmetimo mažinimo, kas atitinka savivaldybės aplinkosaugos tikslus. Šis prototipas parodė, kad sprendimą galima pritaikyti ir kitų miestų autobusų maršrutuose.
Pritaikomumas kitose srityse
Mašininiu mokymusi pagrįstą imitacinį modelį, naudojamą viešojo transporto tvarkaraščiams optimizuoti, galima pritaikyti ir kitose pramonės šakose, kurios priklauso nuo logistikos ir išteklių valdymo. Pavyzdžiui, sveikatos priežiūros sektoriuje toks modelis galėtų būti naudojamas pacientų srautams ligoninėse prognozuoti, padedant administratoriams efektyviau paskirstyti personalą ir medicinos išteklius, remiantis realaus laiko ir istoriniais duomenimis.
Panašiai ir mažmeninės prekybos logistikoje prognozavimo modeliai galėtų būti naudingi optimizuojant atsargų valdymą ir darbuotojų skaičių, mažinant švaistymą ir užtikrinant, kad produktų atsargos atitiktų klientų paklausos modelius. Gamyboje mašininis mokymasis galėtų numatyti įrangos naudojimą ir techninės priežiūros poreikius, taip užtikrinant, kad prastovos būtų minimalios, o gamybos grafikai vyktų sklandžiai.
Klientas
Klaipėdos keleivinis transportas