Analys av punktlighet och körtider optimerar resor

I Gaia Public Transports Portal går det att få en nulägesbild av vad som händer i trafiken. Vi överblickar resor, hållplatser och fordon och kan se avvikelser både på övergripande nivå över tid och detaljnivå under det aktuella trafikdygnet. Med en karta som grund för all information, blir data lättillgänglig och vi kan se samband som har geografisk betydelse. Detta i kombination med informationsvisualisering som presenterar insikter från realtidsanalyserade data skapar en lättnavigerad översikt över trafiksituationen.

Punktlighetsanalys i realtid

Ett analysområde som är viktigt för både trafikhuvudmän och operatörer är punktlighet, som i slutändan påverkar passagerarnas tillit till kollektivtrafiken. Genom att i realtid analysera fordons ankomst- och avgångstider kan vi skapa intuitiva visualiseringar av när och vid vilka hållplatser som fordonen är i tid, eller om de är tidiga eller sena. Data från pågående trafik fylls på allt eftersom och de föränderliga diagrammen ger en bild över hur trafiken presterar under dygnet. All realtidsinformation lagras i Gaia Public Transport vilket gör det möjligt att jämföra och analysera bland annat punktlighet tillbaka i tiden. Hans Ekström, ansvarig för Data & AI på Gaia, beskriver:

”Informationen går att vända och vrida på för att göra analyser av punktlighet och körtider ur olika perspektiv. Det går till exempel att se hur en viss linje eller ett specifikt fordon presterar under det pågående trafikdygnet. På så sätt kan Gaia Public Transport tillhandahålla beslutsunderlag för den operativa verksamheten att agera på direkt. Slutresultatet presenteras i intuitiva, visuella och interaktiva rapporter som är tillgängliga direkt i Gaia Public Transports Portal.”

Visualisering av punktlighetsanalys i Gaia Public Transports Portal.

Prediktion av körtider

Ett annat intressant område där vi nyttjar stora datamängder och avancerad analys i Gaia Public Transport är prediktion av körtider. Körtiden mellan hållplatser kan variera beroende på dag och tid på dygnet, men även av många andra påverkande faktorer. Med specialanpassade analysmodeller, byggda med hjälp av maskininlärning, kan vi upptäcka avvikelser från tidtabellen utifrån rådande omständigheter. Genom att träna modellerna på stora mängder historiska data kan vi prognostisera trafikläget framåt i realtid. Det gör det möjligt att optimera prognoser för den pågående trafiken, vilket i slutändan bidrar till en bättre passagerarupplevelse.

”Det finns egentligen inga gränser för vad vi kan göra med data inom uppföljning och analys i Gaia Public Transport. Vårt syfte med att tillhandahålla den här funktionaliteten är dock att göra det så nära realtid som möjligt och i vissa fall redan innan det har hänt. Med det kommer behovet av maskininlärning och automatisering av förslag till beslut, eftersom det handlar om ställningstaganden som ska göras omgående. Där – med just den utgångspunkten – tror jag att vi tillför något nytt som branschen saknar idag.” säger Hans Ekström.

Eftersom Gaia Public Transport använder öppna data är det enkelt att komma igång och direkt applicera analysfunktionerna på ny trafik. Dessutom blir nya analysfunktioner som utvecklas i tjänsten tillgängliga löpande, precis som man förväntar sig av modern programvara. Utvecklingen går snabbt framåt och realtidsanalys är ett område ni kommer få se betydligt mer av framöver.

Gaia Public Transport är ett molnbaserat realtidssystem som ger kontroll över realtidsinformation och innehåll i kollektivtrafiken. Genom att systemet binder ihop informationsflödet i fordon, system och trafik, kan teknik från flera leverantörer samverka. Det ger en översikt och förståelse för vad som händer i resans operativa verksamhet. Gaia Public Transport är inte bundet till specifik hårdvara eller begränsat av utrymme, vilket gör det kostnadseffektivt, enkelt att installera och smidigt att uppdatera. Med ett kartbaserat gränssnitt, samt intelligenta visualiseringar och analyser, förbättrar vi kollektivtrafiken och underlättar vardagen för alla berörda parter.