Big Data és mesterséges intelligencia az intelligens közlekedésben

Az MI-vezérelt lámpák dinamikusan állítják a zöldidőt a valós idejű forgalom alapján. Pittsburgh Surtrac rendszere kamerákat és radarokat használ minden kereszteződésnél a közelgő járművek érzékelésére, és prediktív modelleket futtat, amelyek azonnal optimalizálják a jelzési terveket. A kereszteződések kommunikálnak egymással, így a lefelé haladó lámpák tudják, mikor érkezik forgalom.

Gépi tanulási modellek előrejelzik, hol és mikor alakulnak ki dugók a történeti mintázatok, az időjárás és a különleges események elemzésével. Az MI rendszerek "előre látják" a problémákat, és lehetővé teszik a várostervezők számára, hogy megelőzően eltereljék a forgalmat vagy módosítsák a díjszabást, mielőtt dugó alakulna ki.

Tanulmányok szerint a kamerákon és GPS-adatokon tréningezett MI-algoritmusok sokkal jobban előrejelzik a jövőbeli torlódásokat, mint a manuális módszerek, így az illetékeseknek idejük van proaktívan reagálni.

A navigációs alkalmazások a big data előnyeit kihasználva valós időben kínálnak gyorsabb útvonalakat. A Google Maps és a Waze hatalmas járműpályákat és felhasználói jelentéseket gyűjt, majd MI-t alkalmaz arra, hogy a történeti sebességprofilokat összevesse az élő körülményekkel. Az alkalmazás kerülőutat javasol, ha egy előre jelzett dugó alakul ki, és egyes rendszerek egyszerre több ezer járműnek küldenek alternatív útvonal-értesítést.

Az MI elemezi a kamerafelvételeket és a szenzoradatokat, hogy azonnal észlelje a baleseteket vagy veszélyes körülményeket. A számítógépes látás algoritmusai észlelik a megállt járműveket, törmeléket, kátyúkat, jeges foltokat vagy az úton tartózkodó gyalogosokat, és azonnal riasztásokat küldenek a sofőröknek és az üzemeltetőknek.

Dubai forgalmi laboratóriuma tovább megy: azonosítja a balesetveszélyes helyeket, hogy az illetékesek előzetesen megelőző intézkedéseket telepíthessenek. A közösségi forrásból érkező jelentéseket klaszterezik is, hogy gyorsabban megerősítsék a veszélyeket, mint a hagyományos segélyhívások.

A big data javítja a buszok, metrók és kerékpárhálózatok működését. A MI finomhangolja a buszmenetrendeket az utasforgalmi minták és a forgalmi előrejelzések alapján. Londonban MI-kamerákat és szenzorokat próbáltak ki az utasáramlások kezelésére és a jegykapuk akár 30%-os felgyorsítására.

Az analitika összehangolja a buszokat és vonatokat a jelzőlámpákkal és egymással, csökkentve a várakozási időket. A közlekedési ügynökségek az e-kerékpár és e-roller használati adatokat (mobilalkalmazás-adatok) elemezve terveznek új kerékpársávokat és optimalizálják a multimodális hálózatokat.

Kamion- és futárflották valós idejű forgalmi analitikát használnak az útvonalak üzemanyag-hatékonyság szerinti optimalizálására. A big data platformok élő forgalmi adatokat fogyasztanak, hogy elkerüljék a késéseket és jelentős költségmegtakarítást érjenek el. A raktárak prediktív modelleket alkalmaznak, hogy a szállítmányokat forgalommentes időszakokra időzítsék, és a dinamikus útvonal-optimalizáló MI ma már standard a modern logisztikai szoftverekben.

A mozgásadatok gyűjtése és központosítása adatvédelmi aggályokat vet fel. A hatóságoknak biztosítaniuk kell, hogy a személyes utazási információk anonimizálva és megfelelően védve legyenek.

A kiberbiztonsági intézkedések elengedhetetlenek a forgalomirányító rendszerek jogosulatlan hozzáférése elleni védelemhez.

Az intelligens rendszerek kiterjedt hardvert igényelnek – az elterjedt szenzoroktól a nagysebességű kommunikációig (4G/5G hálózatok) és erőteljes számítástechnikai háttérig. A régi forgalmi berendezések korszerűsítése költséges, és a folyamatos karbantartás sem triviális, különösen az öregedő infrastruktúrával rendelkező városok számára.

A forgalmi adatok sok ügynökségtől és magánvállalattól származnak. A telefonok streaming GPS-adatainak egyesítése a régi hurkok vagy ügynökségi adatbázisok adataival összetett feladat. Az adatformátumok különbségei, lefedetlenségi rések és zajos szenzorok technikai kihívásokat jelentenek.

Sok város ma már vásárol GPS-adatokat a Google-tól/Waze-től saját szenzorainak kiegészítésére, de ezen források összehangolása robusztus adatmérnökséget és gondos validálást igényel.

Az MI-döntéseknek méltányosnak és igazságosnak kell lenniük. Ha a jelzési prioritások bizonyos útvonalakat vagy városrészeket részesítenek előnyben, egyenlőtlenségi problémák merülnek fel. A rendszereket úgy kell hangolni, hogy minden felhasználót méltányosan szolgáljanak.

A közlekedési vezetőknek biztosítaniuk kell, hogy az MI véletlenül se hátráltassa a kerékpárosokat, gyalogosokat vagy hátrányos helyzetű területeket. Szingapúr például ragaszkodik az emberi felügyelethez a torzítások megelőzése és a méltányos eredmények biztosítása érdekében.

Az MI-modellek szokatlan körülmények között (szélsőséges időjárás, nagy incidensek) meghibásodhatnak. A tervezők hangsúlyozzák, hogy ezek az eszközök kiegészítsék, ne helyettesítsék az emberi operátorokat. Ahogy Szöul forgalmi főnöke megjegyezte, az MI "asszisztensként" kell működjön az emberi döntéshozók számára.