Så kan AI bidra till ett hållbart resande

Hur många kliver på bussen vid din hållplats om fem år? Och hur många cyklar egentligen genom centrum på måndagar? Sådana frågor har traditionellt sett varit svåra att hitta svaret på, åtminstone utan att lägga ner väldigt mycket tid och resurser. Detta har förändrats, när AI och machine learning, med hjälp av relevanta data, har skapat nya förutsättningar för trafikplaneringen. I det här blogginlägget berättar jag mer om hur AI kan hjälpa oss på vägen mot ett mer hållbart resande.

Trafikplanering utifrån ett hållbart resande

Historiskt sett har trafikplanering utgått mycket från bilen, både för att den gjort mycket för ökad mobilitet, men också för att det är lätt att mäta bilfordon, då de håller sig i sina körfält och ger utslag på magnetiska impulser. Med tiden har dock baksidan med bilen visat sig i ökad trängsel och utsläppsproblematik och fokus har riktats på mer hållbara färdsätt, Att mäta gång- och cykeltrafik har dock ofta visat sig utmanande, men det är något som har förändrats med AI:s intåg. Med hjälp av en film kan AI numera, genom det som kallas computer vision, identifiera om det är en cykel, en mopedist eller en fotgängare som rör sig framför kameran. Detta sätt att mäta trafik har redan börjat användas i stor utsträckning och i kombination med drönarfilmning kan metoden användas på ett stort upptagningsområde.

Scenarion provas i digital tvilling

Informationen som inhämtas från drönarfilmerna kan användas till att bygga en digital tvilling över trafiksystemet, vilket ger möjligheter att testa olika framtida scenarion. Exempelvis kan man titta på en bussterminal och mata den med framtida trafik för att se vilka åtgärder som krävs framöver. Man kan också skapa en modell över en korsning, eller för all del flera sammankopplade korsningar, för att prova hur länge olika trafikslag måste vänta på sin tur. Då har man möjligheten att balansera väntetiderna, och även att premiera hållbara färdsätt.

I framtiden kan man använda samma teknik för att mer aktivt kunna styra det som händer på en plats. Idag finns kablar i marken som detekterar fordon, och fotgängare meddelar sin närvaro genom att trycka på knappen på trafikljuset, men den nya tekniken gör trafiksystemet mer dynamiskt och har förutsättningar att förutse behovet. Då en cyklist närmar sig korsningen kan signalen slå om automatiskt utan att cyklisten ens behöver stanna. Den kan till och med skapa en grön våg för cyklister genom flera korsningar om det visar sig att många passerar samtidigt, men välja att avbryta vågen och prioritera en fullsatt buss.

Snabbare prognoser för kollektivtrafiken

Att skapa prognoser för resande bygger idag på ett omfattande arbete med stora stadsmodeller som visar hur vi reser. Det är ett stort och tidskrävande arbete och därför görs det inte så ofta och detaljerat som hade behövs för att informera våra beslutstagare. Data som används visar också oftast aggregerad information, och gör det svårt att studera variationer i påstigande vid enskild hållplats. Vi på Sweco har därför skapat en AI-modell som matas med historisk data om resenärer per hållplats. Därigenom har vi kunnat få fram prognoser snabbt och enkelt, något som gör det möjligt att ta fram gott beslutsunderlag för alla tillfällen. Metoden har provats på busslinje 4 i Stockholm med hjälp av historiska data och träffsäkerheten blev över förväntan. Denna typ av beslutsunderlag gör att myndigheter och operatörer kan få bättre prognoser och kan planera trafiken mer effektivt.

Mobildata för att ta fram resmönster

Ett annat sätt att se hur resenärer rör sig är att använda mobildata. Med hjälp av data på aggregerad nivå kan trafikplanerare se hur strömmar av människor rör sig genom att resenärernas mobiltelefoner förflyttar sig från mast till mast. Information om resenärens position, hastighet och sammanhang gör att man genom machine learning kan avgöra om det rör sig om en resa till fots, med buss eller med cykel. För att kunna göra denna typ av uppskattningar har man tidigare fått ringa runt och fråga människor hur de reser. Numera blir svarsgraden alltför låg för att det ska vara meningsfullt att ens försöka. Här kan AI istället snabbt och korrekt sammanställa beslutsunderlag kring hur människor tar sig fram i en stad.

Framtidens trafikplanering med AI

Även om vi idag har alla förutsättningar att samla in data, och ofta gör det, används dessa inte i någon större utsträckning. Data samlas idag in av olika aktörer i olika syften och det finns inga finansiella modeller som gör det attraktivt att dela med sig av informationen. Om det i framtiden blir möjligt att göra data mer tillgängligt kan vi skapa trafikmodeller utifrån helt nya förutsättningar. Med hjälp av AI skulle vi kunna få en överblick över alla relevanta rörelser i staden och tillhandahålla beslutsunderlag som skapar optimala förutsättningar för att främja ett hållbart resande. När och hur vi kommer att nå dit får framtiden utvisa, men redan idag kan AI göra skillnad i trafikplaneringen.

Behöver du hjälp att planera för ett hållbart resande? Hör av dig, så hjälper vi dig!