Smart City, czyli miasto uczące się

Konrad Kobylecki
Business Development Manager
DOT Systems Sp z o.o

Gdyby do Systemu Zarządzania Ruchem (SZR) w Warszawie dołączyć korelacje z danymi z czujników w środkach komunikacji miejskiej, można by rozszerzyć obszar jego działania i nałożyć dodatkową warstwę algorytmów optymalizacyjnych. Kluczowa jest możliwość integracji danych pochodzących z różnych źródeł. Zwykle w ramach takich projektów powstają modele, które trudno zrozumieć intuicyjnie. Dlatego stosuje się metody przetwarzania złożonych zjawisk, dzięki którym udaje się zdiagnozować sytuację automatycznie. Na przykład dzięki analizie obrazów z kamer ulicznych i czujników zamontowanych w tramwajach można wdrożyć algorytm umożliwiający im wjazd na skrzyżowanie zawsze na zielonym świetle. Jednocześnie odpowiednia predykcja pozwoli na rekomendację optymalnej trajektorii przyspieszania i hamowania, co przełoży się na minimalizację zużycia energii i poprawienie komfortu jazdy. Przy tak opomiarowanym taborze można też obniżyć koszty eksploatacji dzięki wdrożeniu systemu rekomendującego zabiegi serwisowe tuż przed wystąpieniem awarii. Algorytmy optymalizacji i predykcji powinny opierać się na danych z SZR uzupełnionych o dane z dodatkowych czujników. Poprzez ich integrację z wielu źródeł DOT Systems może stosunkowo niewielkim kosztem pomóc istotnie poprawić efektywność zarządzania ruchem. Modele statystyczne tworzone przez nasz zespół uczą się najpierw na podstawie historii przechowywanej w bazach danych wykorzystywanych przez SZR. W dalszej kolejności metodami „machine learning” w sposób ciągły poprawiamy rekomendacje dotyczące zarządzania. W praktyce oznacza to np., że przy wykryciu trudnych warunków drogowych model dostosowuje je do sterowania światłami. Musimy mu tylko zapewnić dane do tego, żeby się uczył.