Τρίτη, 5 Νοεμβρίου, 2024

Τα «μεγάλα δεδομένα» στην υπηρεσία των συγκοινωνιών: το παράδειγμα του Λονδίνου

Share

    Καθημερινά 19 εκατομμύρια άνθρωποι χρησιμοποιούν το Μετρό του Λονδίνου με τη χρήση της ηλεκτρονικής κάρτας Oyster. Με κάθε συναλλαγή, η εταιρεία Transport for London συγκεντρώνει ένα πλήθος «μεγάλων δεδομένων» (big data) τα οποία στη συνέχεια μπορούν να χρησιμοποιηθούν για τη βελτίωση του συγκοινωνιακού συστήματος. 

    Ο δημοτικός οργανισμός του Λονδίνου, που πέρα από το Μετρό είναι υπεύθυνος για τις λεωφορειακές γραμμές, τους δρόμους, τα φανάρια και ποδηλατικές υποδομές χρησιμοποιεί τα μεγάλα δεδομένα για τη μείωση του συνωστισμού, την ειδοποίηση του κοινού σχετικά με καθυστερήσεις και μεταβολές σε δρομολόγια και για την αύξηση της αποδοτικότητας στις μετακινήσεις. 

    Με σύνθημα “κάθε διαδρομή έχει τη σημασία της” (every journey matters) το τμήμα Δεδομένων της TfL συγκεντρώνει καθημερινά πληροφορίες για 26,8 εκατομμύρια μετακινήσεις στο συγκοινωνιακό δίκτυο της βρετανικής πρωτεύουσας. 

    Καθημερινά ,υπάρχουν 134 εκατομμύρια δεδομένα τηλεματικής από το δίκτυο των λεωφορείων με τη θέση του κάθε οχήματος, 15.000 αισθητήρες σε διασταυρώσεις παράγουν 5,2 δισεκατομμύρια δεδομένα ενώ από μία μόνο γραμμή μετρό παράγονται 500.000 διαγνωστικά δεδομένα κάθε μέρα. Το ζητούμενο για την TfL είναι να μετατρέψει αυτό το τεράστιο πλήθος δεδομένων σε πληροφορίες που μπορεί να χρησιμοποιήσει.

    Προσωποποιημένα email

    Αντί για την αποστολή email με το ίδιο περιεχόμενο στο σύνολο των χρηστών των μέσων, η Transport for London στέλνει προσωποποιημένα email με πληροφορίες που αφορούν τον κάθε χρήστη ξεχωριστά (π.χ. για πληροφορίες σε γραμμές που χρησιμοποιούν ή για μία νέα λεωφορειακή γραμμή στην περιοχή τους) μεγιστοποιώντας έτσι την αξία των πληροφοριών αυτών για το κάθε άτομο. 

    Η TfL χρησιμοποιεί επίσης δεδομένα για να υπολογίζει την πληρότητα που έχει το κάθε δρομολόγιο με τις πληροφορίες αυτές να στέλνονται μέσω email ή να ανακοινώνονται δημόσια. Αυτές οι πληροφορίες είναι ιδιαίτερα χρήσιμες για επιβάτες που ενδεχομένως δεν χρησιμοποιούν συχνά ένα δρομολόγιο. Η εταιρεία προωθεί την ειλικρίνεια σχετικά με την πληρότητα των δρομολογίων και οι πληροφορίες αυτές μπορούν εύκολα να εξαχθούν με τη χρήση των δεδομένων.

     

    Διαδρομές με λεωφορεία

    Η καταγραφή της διαδρομής ενός επιβάτη στο Μετρό είναι απλή υπόθεση καθώς υπάρχουν δεδομένα από τη χρήση της Oyster Card κατά την είσοδο και την έξοδο από ένα σταθμό.

    Στα λεωφορεία όμως η χρήση της κάρτας γίνεται μόνο κατά την είσοδο στο όχημα και όχι κατά την έξοδο, κάτι που αποτελεί πρόβλημα για την TfL Έτσι, η εταιρεία συνεργάστηκε με το Τεχνολογικό Πανεπιστήμιο του Michigan για τη ανάπτυξη ενός αλγορίθμου που «μαντεύει» σε ποια στάση αποβιβάζεται ο κάθε επιβάτης λαμβάνοντας υπόψη σε ποιο σημείο του συγκοινωνιακού συστήματος έγινε η επόμενη χρήση της κάρτας του. Για παράδειγμα, αν ο επιβάτης χρησιμοποίησε την κάρτα του για να εισέλθει σε ένα σταθμό του Μετρό, το ποιο πιθανό είναι ότι αποβιβάστηκε στην κοντινότερη στάση του λεωφορείου. 

     

    Τα Wifi hotspots ως πηγή δεδομένων

    To 2016 η TfL δοκίμασε μία νέα μέθοδο εισαγωγής δεδομένων συγκεντρώνοντας στοιχεία για τις συσκευές που προσπαθούσαν να συνδεθούν με τα δημόσια δίκτυα Wifi στους σταθμούς του Μετρό. Με τη χρήση των δεδομένων αυτών μπορεί να υπολογιστεί ο αριθμός των επιβατών που αναμένουν στην αποβάθρα ενός σταθμού ώστε στη συνέχεια να ακολουθήσουν ενέργειες για τη μείωση του συνωστισμού. 

    Μέσα σε διάστημα τεσσάρων εβδομάδων, 500 εκατ. δεδομένα συλλέχθηκαν ανώνυμα από 5,6 εκατ. συσκευές. Έτσι για παράδειγμα παρατηρήθηκε πως η γραμμή Victoria ήταν ιδιαίτερα επιβαρυμένη για το πεντάλεπτο μεταξύ 8:20 – 8:25 π.μ. Με βάση αυτό, προτάθηκε στους επιβάτες να μετακινούνται 10 λεπτά νωρίτερα ή αργότερα βοηθώντας τόσο τους επιβάτες αυτούς όσο και το σύστημα συνολικά. 

    Τα δεδομένα αυτά μπορούν επίσης να χρησιμοποιηθούν για να βγουν συμπεράσματα σχετικά με το τις ροές των επιβατών εντός των σταθμών και τον χρόνο που χρειάζονται για να περπατήσουν μέσα σε αυτούς, ιδιαίτερα όσον αφορά τους πιο περίπλοκους σταθμούς του δικτύου. Έτσι, μπορεί να προβλεφθεί ποιοι σταθμοί θα έχουν αυξημένη κίνηση και να τεθούν σε εφαρμογή εγκαίρως διαφορετικές μέθοδοι ελέγχου του πλήθους για την μείωση του συνωστισμού.  

    Πηγή: compelo.com

    — — — —

    Σημείωση για δημοσιογράφους – bloggers: Αν χρησιμοποιήσετε το παραπάνω άρθρο, εν μέρει ή ολόκληρο, παρακαλώ τουλάχιστον να αναφέρετε την πηγή (athenstransport.com) και να προσθέσετε ένα σύνδεσμο προς το άρθρο αυτό

 
 

Διαβάστε Περισσότερα