Wyzwania projektowe
Optymalizacja czasowo-kosztowa sieci połączeń transportu publicznego. Usprawnienie rozkładów jazdy przez rozmieszczenie pojazdów do zakładanego obciążenia w sposób proaktywny - przed jego faktycznym wystąpieniem. Dostosowanie systemu do dynamicznie zmieniającego się środowiska. Przewidywanie zatłoczonych obszarów dzięki uczeniu maszynowemu. Uwzględnienie sytuacji losowych, wpływających na ruch naziemny - takich, jak pogoda, roboty drogowe, wypadki komunikacyjne oraz imprezy masowe (np. koncerty, mecze).
Rozwiązanie technologiczne
System, który umożliwia analizę oraz predykcję obciążenia sieci transportu miejskiego. W tym celu system wykorzystuje dane transakcyjne, uzyskane z płatności kartami płatniczymi (rozliczanymi w modelu Mass Transit Transaction). Rozwiązanie bazuje na funkcji danych o przejazdach, wybranej taryfie oraz miejscu zakupu biletów. Funkcja ta jest później zestawiana z modelami predykcji danych, opartymi o algorytmy uczenia głębokiego. Jest to połączenie technologii informatycznych AI z najnowszymi osiągnięciami w systemach płatności, które stosuje się w komunikacji miejskiej.
Python
React
TensorFlow
