Dynamiska tidtabeller - ett sätt att spara smart i spåren av Covid-19

Viktiga resultat som projektet gav

Projektets mål var att visa på nya möjligheter och räkna på effekten av dynamiska tidtabeller i kollektivtrafiken. Pga pandemin fick projektet en annan inriktning då samma indata kunde användas för att utveckla en AI-teknik för prognoser av resande och ombordkapacitet i syfte att förebygga trängsel. Projektets resultat: En ny AI-motor som prognosticerar påstigande, avstigande och ombordvarande. Den är integrerad i Train Brain-plattformen, är helt självlärande, och kan användas på alla busstrafiksystem i världen som har någon form av positionering och någon form av kundräkning.

Långsiktiga effekter som förväntas

Den självlärande intelligens som tagits fram i detta projekt ger kollektivtrafiken möjlighet att ge resenärer trängselprognoser, att förebygga trängsel i planering och trafikledning, förståelse och förmåga att prognosticera det nya mer volatila resandet samt möjligheten att bli mer resurseffektiv genom att på ett nytt sätt kunna balansera utbud och efterfrågan. Efter bara 30 dagars träning är tjänsten ca 80% fulltränad och kan tas i drift förutsatt att det finns kundräkningsutrustning ombord och 12 månaders historisk data.

Upplägg och genomförande

Projektet inleddes med att vi säkrade indata i form av tidtabeller, fordonspositioner och resenärsräkning (från optiska sensorer vid bussdörrarna. Den har tillhandahållits av bussoperatören Nobina. Indatan har inte varit i realtid, som önskat, utan vi får den för dag för dag batchvis varje natt. För att möjliggöra realtidsberäkning byggde vi en funktion som med den batchdatan simulerade en realtidsdataström. Med utgångspunkt i vår teknik för att prognosticera körtider kunde vi med ovanstående indata utveckla, validera och testa prognoser av resande och ombordkapacitet.