Piko valandomis gatves užplūsta gausūs žmonių ir transporto srautai, sudarydami jose nepravažiuojamus kamščius, kurie kelyje priverčia praleisti ženkliai daugiau laiko nei įprasta: tyrimai rodo, kad paprastai pusvalandį trunkanti kelionė Vilniuje rytinėmis piko valandomis pailgėja 18, o vakare – net 22 minutėmis. Šiandien tokias eismo srautų problemas miestuose bandoma spręsti pasitelkiant dirbtinį intelektą ir išmaniąsias transporto sistemas.
Tokios sistemos, pasak Kauno technologijos universiteto Informatikos fakulteto (KTU IF) lektoriaus Mindaugo Vasiljevo, itin kompleksiškos, o jų veikimui reikalingi duomenys gaunami iš daugybės įvairaus tipo sensorių. Išmaniosios transporto sistemos (ITS) leidžia atlikti eismo padėties monitoringą realiu laiku, priimti operatyvius eismo optimizavimo sprendimus, informuoti eismo dalyvius apie eismo situaciją.
„Gana ilgą laiką tokių sistemų sklandžiam veikimui buvo reikalingas operatorius ar jų komanda. Tačiau šiuo metu į ITS integruojami pažangūs mašininio mokymosi algoritmai, kurie kai kuriais atvejais jau gali pakeisti žmogų“, – tikina M. Vasiljevas.
Minėti algoritmai dažniausiai veikia įvairiomis konfigūracijomis dirbtinių neuroninių tinklų pagrindu. Kuo naudingos tokios sistemos šiuolaikiniams miestams? Kokie duomenys reikalingi efektyviam jų veikimui? Ar renkant juos nepažeidžiamas asmens privatumas?
Išmanių sistemų plėtra – jau ir Lietuvoje
M. Vasiljevas tikina, kad išmanios transporto sistemos diegiamos ne tik užsienio, bet ir Lietuvos miestuose. „Vilniuje yra įdiegta eismo valdymo sistema, tačiau, mano žiniomis, ji yra senesnio tipo. Valdymo sprendimus šioje sistemoje dar priima žmogus“, – teigia jis.
Tuo tarpu Kauno miesto savivaldybės administracija šiuo metu vykdo ikiprekybinį pirkimą, skirtą išmanios transporto sistemos kūrimui.
Be darbo KTU Informatikos fakultete startuolyje „Icybit“ taip pat dirbantis M. Vasiljevas ir pats prisideda prie išmanių eismų sistemų kūrimo. „Icybit“ – tai KTU IF absolventų įkurta tyrimų ir plėtros kompanija, dirbanti dirbtinio intelekto, paskirstytųjų sistemų projektavimo bei didžiųjų duomenų analitikos srityse.
„Šiuo metu kuriame Kauno miesto eismo srautų monitoringo sistemą, kuri leis atlikti dalį tipinės ITS sistemos funkcijų“, – pažymi KTU IF lektorius M. Vasiljevas.
Jo teigimu, dirbtinis intelektas turi neribotas galimybes kuriant aukštą pridėtinę vertę turinčias technologijas. Svarbiausia apsispręsti, kiek ir kokių duomenų žmonės yra pasiruošę suteikti sklandžiam sistemų veikimui.
Iš anksto prognozuoja spūsčių susidarymo vietas
Kadangi išmanios sistemos eismo monitoringą atlieka realiu laiku, jos leidžia stebėti, kur susidaro anomalios eismo situacijos (pavyzdžiui, eismo kamščiai) bei fiksuoja įvairius eismo parametrus.
„Ši informacija saugoma, o remiantis ja galima atlikti probleminių eismo vietų atnaujinimą, pavyzdžiui, tam, kad būtų padidintas pralaidumas. Be to, po rekonstrukcijos darbų galima stebėti, ar jie davė norimą rezultatą“, – pasakoja M. Vasiljevas.
ITS sistemos taip pat taikomos optimaliam šviesoforų valdymui, eismo dalyvių informavimui apie sudėtingas eismo sąlygas per įvairias švieslentes ar mobilias programėles.
„Pastaruoju metu didelis dėmesys mokslo pasaulyje skiriamas eismo srautų prognozavimui. Siekiama pastebėti eismo kamščių požymius dar jiems nesusidarius, kad būtų galima užbėgti sudėtingai eismo situacijai už akių“, – atskleidžia KTU IF lektorius.
Dirbtinio intelekto (DI) dėka, anot M. Vasiljevo, šviesoforai gali būti valdomi algoritmų, kurie priskiriami DI. Tuo tarpu kelio ženklinimui išmaniosios transporto sistemos tiesioginės įtakos nedaro.
„Tačiau ITS sistemos leidžia priimti racionalius eismo elementų rekonstrukcijos sprendimus, o kelio ženklinimas gali būti viena iš rekonstrukcijos dalių“, – pažymi jis.
Duomenų surinkimui – skirtingi metodai
Pačios ITS sistemos yra diegiamos už eismo valdymą atsakingose institucijose, o įvairūs skaičiavimai atliekami lokaliuose ar nutolusiuose serveriuose („debesyse“). Atskiruose miesto dalyse diegiami tik davikliai, kurie renka su eismu gatvėse susijusią informaciją ir perduoda ją į sistemą.
„Surinkti duomenys yra apjungiami ir pateikiami algoritmams ir (arba) atvaizduojami sistemos operatoriams kelių tinklo žemėlapyje“, – teigia M. Vasiljevas. Informaciją renkantys davikliai būna dviejų rūšių – stacionarūs ir judantys.
„Stacionarūs davikliai dažniausiai registruoja transporto priemonių greitį ir intensyvumą. Vieni populiariausių – vaizdo kameros, infraraudonųjų spindulių lazerio, ultragarso, indukcinių kilpų pagrindu veikiantys davikliai“, – tikina M. Vasiljevas.
Tuo tarpu judantys davikliai paprastai yra automobiliai su GPS įrenginiais arba keleiviai su GPS įrenginiais. Automobiliuose gali būti montuojami diagnostiniai OBD įrenginiai, turintys GPS.
„Šio įrenginio pagalba galima stebėti ne tik, kur važiuoja automobilis, bet ir, pavyzdžiui, tikslų momentinį greitį ar variklio apsukas“, – sako KTU IF lektorius.
Tokius įrenginius turi ir Kauno miesto viešasis transportas, todėl keleiviai naudodamiesi tam tikromis programėlėmis gali matyt, kur šiuo metu juda viešojo transporto priemonės.
„Visa ši informacija gali būti naudojama ir ITS sistemoms. Pavyzdžiui, skaičiuojant, kiek laiko eismo srautas užtruks įveikdamas atitinkamas kelio atkarpas“, – pastebi M. Vasiljevas.
Informaciją teikia ir patys vartotojai
Panašiai duomenys gali būti renkami ir iš išmaniųjų telefonų. Pavyzdžiui, iš mobiliųjų programėlių, kurių veikimui reikalinga GPS funkcija. Todėl vartotojams aktyvavus tokias programėles, telefono naudotojo informacija gali būti renkama siekiant stebėti eismo situaciją.
„Platų vartotojų ratą turinčios navigacijos sistemos, tokios, kaip „Google Maps“ ar „Waze“, leidžia ne tik naviguoti nežinomose vietose ar lengviau nuvažiuoti iš taško A į tašką B, bet taip pat renka telefono pozicijos duomenis ir naudoja juos eismo „kamščių“ nustatymui“, – teigia M. Vasiljevas.
Tačiau tam, kad būtų galima nustatyti tikslią eismo informaciją, reikalinga kritinė vartotojų masė.
„Tokiu atveju vartotojai ir patys dalijasi informacija, kad paslauga būtų kokybiškesnė. Tai vadinama crowdsourcing‘u (angl. crowd – minia, sourcing – išteklių panaudojimas)“, – paaiškina KTU IF lektorius.
Dėl privačių duomenų nerimauti nereikėtų
Kitas judančių daviklių šaltinis – mobiliojo ryšio duomenys, kuriuos teikdami paslaugas administruoja mobiliojo ryšio operatoriai. Šiuos duomenis generuoja kiekvienas mobiliojo ryšio naudotojas, nepriklausomai nuo to, kokias programėles naudoja.
„Tačiau vietos nustatymas šių duomenų pagrindu nėra toks tikslus kaip GPS atveju. Be to, tokių duomenų kiekiai milžiniški, todėl jų apdorojimas yra labai brangus“, – priduria jis.
Pasak M. Vasiljevo, mobiliojo ryšio duomenų privalumas tas, kad jų pagalba galima pasiekti labai didelį kelių tinklo padengimą.
Besirūpinantiems savo asmeninių duomenų saugumu, KTU IF lektorius patikina, kad nerimauti nereikėtų.
„Renkami duomenys yra ne apie žmones, kaip asmenis, bet apie jų poziciją ir judėjimo greitį. Asmeninė žmogaus informacija ITS neturi jokios reikšmės, todėl paprastai vartotojų asmeniniai duomenys yra anonimizuojami“, – pažymi M. Vasiljevas.
Be abejo, vartotojai turėtų būti budrūs naudodami mobiliąsias programėles, kurių kūrėjai yra nežinomi arba nepatikimi, nes, pasak KTU IF lektoriaus M. Vasiljevo, nėra garantijos, kad nerenkama daugiau informacijos negu reikia.
