Big Data muliggør bedre bytransportnetværk

SIADE SaaS-projektet (Spatial Decision Support System for Transportation Planning) markerer i det væsentlige en ændring i placeringen af ​​spanske SMV-terrænteknologier. Fra en konsulenttjeneste bygget op omkring en algoritme til at udlede passagerernes destinationer, virksomheden anmodede om støtte fra Horizon 2020 til at blive softwareleverandør.

Nu, byer i hele Europa kan drage fordel af en løsning, der beriger Big Data med en rumlig komponent, muliggør kompleks analyse af rejsendes adfærd for at forbedre offentlige transportnetværk.

María J. Arguelles, projektkoordinator, fortæller os mere om virksomhedens løsninger og resultater indtil videre.

Hvordan kan Big Data være med til at give en bedre offentlig transportoplevelse i Europa?

María J. Arguelles:Smartcard-billetsystemer, der i øjeblikket er tilgængelige i mange byers offentlige transportsystemer, muliggør en enorm mængde data. Disse datasæt afspejler, hvordan folk opfører sig, hvilket igen betyder, at det er muligt at vurdere deres transportbehov og give et præcist billede af deres vaner, enten som grupper (baseret på pristyper, såsom studerende, ældre, osv.) eller på individuelt niveau. Takket være Big Data-analyse, vi kan tilpasse den offentlige transport til disse behov, planlægge nye tjenester, minimere gåtiden, etc.

Hvad har været manglerne ved forsøg på at bruge disse data hidtil, og hvordan skiller din software sig ud i denne henseende?

Det er vigtigt at præcisere, at Big Data bringer stor kompleksitet til transport på grund af noget iboende til det:hvad der almindeligvis defineres som '5 Vs' (volumen, hastighed, sandhed, variation og værdi).

For eksempel, en stor mængde datavolumen indebærer stor lagerkapacitet. Vi kan ikke glemme, at byer som Madrid, for eksempel, generere næsten 500 millioner rejser om året, og omkring 1,2 milliarder kroner for hele Madrid-området, hvilket er næsten lige så mange som i Istanbul.

Variationsdimensionen involverer datasæt genereret fra forskellige kilder såsom busvalidatorer eller mobiltelefoner, mens sandfærdighed fremhæver vigtigheden af ​​kvalitetsdata og tillidsniveauet. For at komplicere billedet endnu mere, det faktum, at transportregistreringer er relateret til geografiske placeringer, betyder, at vi har at gøre med data med en rumlig komponent, eller Spatial Big Data.

For at overvinde disse vanskeligheder, SIADE SaaS er designet som en kerne-GIS-udvikling, fusionerer den rumlige karakter af data med avancerede dataanalysemetoder.

Hvordan kompenserer du helt præcist for fraværet af information om passagerernes destinationer?

Det er en af ​​SIADEs kernealgoritmer. Vi kan udlede op til 88 procent af passagerernes destinationer med en nøjagtighed på 96 procent. Disse resultater bekræfter, at vi er meget stærke i at bygge oprindelsesdestinationsmatricer baseret på transportdata, og er meget hurtigere, billigere og mere komplet end dem, der genereres ved at bruge en traditionel metode i offentlig transport:interviews. Det er vigtigt at bemærke, at vores matricer er baseret på millioner af optegnelser, mens interviews er baseret på en lille procentdel af hele befolkningen.

Hvad har du været i stand til at opnå takket være EU-finansiering indtil videre? Hvad mangler du stadig at nå inden projektets afslutning?

Projektet var baseret på forståelsen af, at vi var nødt til at ændre forretningsmodellen og omdanne den til SaaS (Software as a Service). Men det er en dyr proces, så uden EU-finansiering ville vi ikke have nået det mål så hurtigt. Projektet involverer også flere transportrådgivningsvirksomheder, bl. transportoperatører og/eller transportbureauer i hele Europa, som har været altafgørende ved test af SIADE-versioner. Udover det, vi er heldige at blive støttet af en gruppe trænere leveret af EU, som styrer vores beslutninger i markedsstrategien.

Vi har allerede afsluttet to af de tre faser af projektet, inklusive det fulde analysemodul og simulatoren. Simulatoren kan med en nøjagtighed på 93 procent forudsige ændringerne i passagerernes flow efter at have ændret eller slettet nogen af ​​elementerne i et transportnetværk, såsom busstoppested, linjer, overførselspolitik, frekvenser, osv. Vi er i øjeblikket i Big Data-fasen, løse alle problemer relateret til 5 Vs. Dele af algoritmerne er med succes blevet forfinet for at tilpasse sig de nye rammer.

Kan du give et par eksempler på udfordringer fra specifikke kunder, som er blevet overvundet takket være din teknologi?

Jo da. For eksempel, vi har med succes vist, at bustransport i Oradea (Rumænien) ikke dækkede hele byens centrum effektivt. I Gijón (Spanien), vi fandt, takket være simulatoren, at ændringer i rute 14 ville øge den kommercielle hastighed, men til en pris:Folk, der bor i et af de kvarterer, der er berørt af det nye rutedesign, ville holde op med at være buskunder, mens de fleste af dem ville bruge en anden rute (18) i stedet for at bruge overførsler. I Modena (Italien), datamodellen er blevet forbedret og ændret for at udnytte SIADEs muligheder meget bedre. Vores forslag om at lave en cirkelrute i Gijón er også blevet implementeret i byens nye Mobilitetsplan.

Kan du fortælle os mere om din markedsrækkevidde på dette tidspunkt?

Vi samarbejder i øjeblikket med flere transportkonsulentfirmaer for sammen at udforske udbudsmuligheder i Spanien, Latinamerika og Østeuropa. At vi har et succesfuldt projekt finansieret af EU er en ekstraordinær konkurrencefordel.

Hvad er dine opfølgningsplaner, når projektet er afsluttet?

Det lykkes os at skabe en platform, der passer 100 procent til vores kunders og partneres behov, så vi forventer at fortsætte udviklingen på andre markeder uden for Europa og Latinamerika, som USA og Canada.