Kunstig intelligenss rolle i transport.

Følgende artikel hjælper dig med: Kunstig intelligenss rolle i transport.

Kunstig intelligenss rolle i transport er meget afgørende. Anvendelser af kunstig intelligens i transport kan hjælpe med brugeroplevelse, driftsstyring og forudsigelig vedligeholdelse og dermed forbedre kvaliteten og reducere omkostningerne uden at øge forureningen. Her er et kort indblik i fremtiden for kunstig intelligens inden for transport.

Introduktion – Kunstig intelligenss rolle i transport.

Mange af os, der bor i store storbyer, bruger offentlig transport, og vi kender godt til udfordringerne ved at bruge offentlig transport. Der har været mange undersøgelser, papirer og forskning, der viser, at folk, der opholder sig tæt på eller har adgang til offentlig transport, øger deres chancer for beskæftigelse og forbedrer deres levevilkår.

Der er ingen tvivl om, at offentlig transport er en stor ressource for mennesker og også byer, det hjælper med at bekæmpe forurening på tværs af byerne, ved at reducere bilerne på gaden. Det gør byen mere beboelig.

Lad os tage New York City som et eksempel, det er en meget succesfuld by. Jeg tror, ​​det er, fordi det har blandet brug og god offentlig transport, men alle, der bor i NYC, ved, hvor notorisk uforudsigelige togene og busserne er. Jeg klager ikke, planlægning af offentlig transport er meget kompleks og kommer med en række forskellige udfordringer. Denne artikel handler om at forstå disse udfordringer og se, hvordan AI på et konceptuelt niveau kan hjælpe os med at tyde disse udfordringer og ved at bruge et ekstra lag af menneskelig intelligens kan hjælpe med at forbedre vores offentlige transport på tværs af flere byer.

Før vi dykker ned i, hvordan AI kan hjælpe med at forbedre offentlig transport, lad os forstå udfordringerne ved AI med offentlig transport.

#

#

#

Forbedring af datakvalitet og reduktion af støj i data.

Ligesom alle data, som enhver organisation indsamler til ethvert eksperiment, skal offentlige transportvirksomheder gennemsøge dataene og reducere støjen i dataene for en vellykket udførelse af enhver AI-algoritme, de bruger. Organisationen skal identificere bias og reducere eller fjerne bias fra dataene så meget som muligt. Mennesker er ikke altid nøjagtige, algoritmerne skal også tage højde for unøjagtigheder i dataene.

En måde at undgå dette på er ved at bruge ikke-emotionelle maskiner, der kan indsamle og assimilere dataene, hvilket ville være en del af de første trin i automatisering til dataindsamling.

Kunstig intelligenss rolle i offentlig transport.

Opbygning af kunstig intelligens-kapaciteter og implementeringsteams.

Det er vigtigt, at organisationen udvikler en klar strategisk plan for at implementere AI-kapaciteter og -teams, dette vil være en gradvis proces, der vil hjælpe organisationen med at vokse og udvide disse kapaciteter og teamene. Implementering af AI-kapaciteter i en stor organisation med en kompleks udfordring vil ikke ske fra den ene dag til den anden. Dette vil tage tid og ledelsesindkøb.

Indsamling af de rigtige data

Organisationerne bør indsamle de rigtige datasæt, der er nødvendige for at træne algoritmerne og køre, eksekvere og rense dataene, indtil de begynder at se de passende resultater.

Lad os se, hvordan kunstig intelligens kan hjælpe organisationer med offentlig transport med at forbedre brugen af ​​kunstig intelligens. Lad os opdele funktionerne i tre kategorier.

• Bruger/kundeoplevelse.
• Driftsledelse.
• Forudsigende vedligeholdelse.

Bruger/kundeoplevelse:

• AI-applikationer har den største positive indvirkning på kundeservice og driftssikkerhed. Brugen af ​​kunstig intelligens forventes at forbedre den økonomiske effektivitet og udbredelsen af ​​offentlig transport.
• PTAAS (Public Transit As A Service)
• En velforbundet applikation, der giver dig de bedst mulige permutationer og kombinationer baseret på realtidsinformation.
• Et højt touchpoint-system, der er godt forbundet fra betalingssystemer til transitplanlægning.
• Forudsigelig prisstruktur baseret på brugerens kørehistorik og vedligeholdelsesomkostninger.

Driftsledelse.

• Automatisering af dataindsamling og rapportering.
• Forudsigende netværk og ruteplanlægning baseret på mængden af ​​brugere.
• Forudsigelige togplaner baseret på begivenheder i hele byen.
• Forudsigende modellering for at reducere ulykker og forbedre infrastrukturen.
• Forudsigende modellering for at forbedre fremtidig ruteudvikling.
• Forudsigende modellering for at forbedre sourcing.
• Forudsigende modellering for at forbedre finansielle operationer/investeringer.
• Analyser trafikken for at levere en bedre oplevelse til ryttere på stationer/busstoppesteder
• AI-baserede autonomt drevne busser og tog.
• AI-baseret papirløs billettering og økonomistyring.
• AI-baserede tilsluttede busser og tog for at forudsige og reducere forsinkelser.
• Analyser data for at forudsige energibehov og stille dette energibehov ved hjælp af vedvarende energikilder.
• Forudsige vedvarende energikilder, der kan implementeres effektivt, og identificer, hvor lang tid det tager at være rentable. Dette skal besluttes ud fra flere faktorer som region, ridelighed, tilgængeligheden af ​​den vedvarende kilde og klima. Dette vil være langt den mest komplekse, men kritiske beslutning.

Forudsigende vedligeholdelse

1. Predictive Maintenance er allerede begyndt at blive vedtaget i den offentlige transportindustri. Metro St. Louis havde en reaktiv vedligeholdelsespolitik, hvor en bus bryder sammen på en rute tog 12 timers arbejde at reparere og havde en gennemsnitlig tid mellem fejl (MTBF) på 4000 timer.
2. Da Metro St. Louis skiftede til et forudsigende vedligeholdelsesprogram ved hjælp af forudsigende vedligeholdelsesanalyse, var de i stand til at øge deres MTBF til 21.000 timer samt øget deres gennemsnitlige buslivscyklus fra 12 år til 15 år. Du kan finde flere oplysninger her.
3. Hurtigere og mere præcis udstyrsovervågning.
4. Med reaktiv eller tidsplanbaseret vedligeholdelse kommer en stor del af vedligeholdelsesomkostningerne fra at tage sig tid til manuelt at inspicere aktivet for at finde årsagen til sammenbruddet eller fejlen. Forudsigende vedligeholdelse giver os mulighed for at overvåge sundheden for individuelle komponenter i flåden; gør det muligt at foretage proaktiv fejlfinding for at finde kilden til problemet hurtigt og præcist og undgå dyre manuelle inspektioner af flåden som helhed.
5. Bedre operativ beredskab
6. Bedre operationel parathed af alle kritiske aspekter af offentlig transport er meget vigtigt i denne proces. Når vi har det operationelle beredskab, er du i stand til at reagere på enhver situation i realtid. Dette hjælper med at spare en masse omkostninger og forbedre servicen som helhed.

Konklusion

Kunstig intelligens er dukket op som en revolutionerende kraft i transportsektoren, som har ændret den måde, vi pendler på, leverer varer og vedligeholder vores infrastruktur. Fra autonome køretøjer og trafikstyring til forudsigelig vedligeholdelse og forbedrede sikkerhedsfunktioner har AI potentialet til ikke kun at gøre vores transportsystemer mere effektive, men også sikrere og mere miljøvenlige.

Det er dog vigtigt at huske, at integrationen af ​​kunstig intelligens i transport også giver betydelige udfordringer, herunder etiske overvejelser, bekymringer om privatlivets fred og behovet for robuste reguleringsrammer. Derfor er det afgørende, at når vi fortsætter med at omfavne kunstig intelligens i transport, sikrer vi også en ansvarlig og retfærdig udbredelse af disse teknologier, idet vi finder en balance mellem innovation og beskyttelse af offentlige interesser. Ser vi fremad, med løbende fremskridt inden for kunstig intelligens, virker fremtiden for transport lovende, og vi kan forudse en verden, hvor rejser er mere forbundet, bæredygtige og intelligente.

Referencer

TPO, Space Coast. “Intelligente transportsystemer: Et blik.” , Video, 17. juni 2021, https://www.youtube.com/watch?v=OnjX0O9dPMc. Tilgået 3. juni 2023.