AI OPTIMALISATIE
AI optimaliseert de kwaliteit en efficiëntie van de metro
LINCOLN, een bedrijf van ALTEN, implementeerde geavanceerde AI-gestuurde oplossingen om een toonaangevend Europees metrosysteem te helpen bij significante verbeteringen op het gebied van veiligheid, efficiëntie en beveiliging. LINCOLN paste robuuste methodologieën toe om algoritmen te valideren en zeer nauwkeurige real-time monitoringsystemen te implementeren.
Grote steden worden geconfronteerd met toenemende transportuitdagingen, waardoor de operationele efficiëntie van het openbaar vervoer een voortdurende zorg is. Metrosystemen wenden zich tot kunstmatige intelligentie om aan de steeds groeiende vraag te voldoen en tegelijkertijd een veilige, efficiënte en duurzame dienstverlening te bieden. LINCOLN, een consultancy van de ALTEN Groep die gespecialiseerd is in Data en AI, nam de uitdaging aan om de kwaliteit van het passagierscomfort en de veiligheid in een groot Europees metrosysteem te verbeteren.
Uitdaging: Gebruik AI om methoden te verbeteren voor het in real-time nauwkeurig schatten van passagiersaantallen, het analyseren van gebruikerstrajecten en het beoordelen van hun reactie op bewegwijzering.
Oplossing: Een AI-gestuurd systeem voor het benutten van multisource-data voor belastingvoorspelling en analyse van gebruikerstrajecten.
Voordelen:
- Verbeterde gebruikerservaring
- Betere communicatie
- Verhoogde passagiersveiligheid
- Geoptimaliseerde lijnoperaties
- Snellere reactietijd van personeel
Voorspelling en analyse – twee cruciale uitdagingen
LINCOLN werd ingeschakeld om het metrosysteem in een van de dichtstbevolkte steden van Europa te ondersteunen. De focus lag met name op het in real-time voorspellen van passagiersaantallen en het analyseren van gebruikerstrajecten en hun reactie op bewegwijzering in stations.
Voorspelling maakt het mogelijk om passagiers te waarschuwen wanneer de drukte op zijn hoogst zal zijn, zodat ze hun gedrag kunnen aanpassen en zo een aangenamere en veiligere reiservaring krijgen. Daarnaast stelt het metroagenten in staat sneller te reageren op onverwachte situaties. Het nauwkeurig inschatten van passagiersaantallen in real-time vereist het combineren van data uit verschillende bronnen, zoals weegsensoren, tele-ticketvalidaties, crowdsourcing en netwerktopologie.
Ook het analyseren van hoe reizigers zich door metrostations bewegen is essentieel om hun ervaring te verbeteren en hun veiligheid te waarborgen. Dit gebeurt door trajectgegevens te bestuderen die verzameld worden via videobewakingscamera’s in stations, met strikte naleving van regelgeving rond persoonsgegevens. Daarnaast is inzicht in hoe gebruikers reageren op de bewegwijzering in het station een belangrijke factor voor verdere optimalisatie.
De toolbox
Om dit te bereiken ontwikkelde LINCOLN deep learning-algoritmen met behulp van computervisie-tools zoals YoLo en DeepSort die zijn ontworpen om gebruikers in de ruimte te detecteren en te volgen. Een aantal uitdagingen, zoals de kwaliteit van de videobeelden, de aanwezigheid van obstakels (zoals palen) en de enorme passagiersstromen tijdens piekuren, maken individuele tracking complex. De ontwikkelde oplossing stelt de netwerkbeheerder in staat het ruimtegebruik te optimaliseren door de drukste en potentieel risicovolle gebieden te identificeren. Belangrijke inzichten over onvoldoende of slecht ontworpen bewegwijzering werden verkregen door stations met en zonder bewegwijzering te vergelijken en door te observeren hoe gebruikers hierop reageerden.
Op alle fronten beter
Deze ervaring toonde de aanzienlijke voordelen van data en kunstmatige intelligentie voor stedelijk railvervoer. Variërend van efficiëntere operaties en een verbeterde passagierservaring tot voorspellend onderhoud, prijsstrategie en verkeersoptimalisatie. Het gebruik van data in combinatie met AI-technologieën is een cruciale factor om mobiliteitsuitdagingen aan te pakken. Het helpt stedelijke transportnetwerken te transformeren in intelligente, responsieve systemen die zijn afgestemd op de behoeften van gebruikers. Door hoge-precisiemonitoring, geavanceerde voorspellingsmodellen, geautomatiseerde detectiesystemen en verfijnde deep learning-algoritmen te combineren, kunnen moderne metronetwerken de veiligheid, efficiëntie en algehele passagierservaring aanzienlijk verbeteren. Dit gebeurt met strikte naleving van regelgeving rond persoonsgegevens.