ЕКСПЕРТИ ОТ СОФИЙСКИЯ УНИВЕРСИТЕТ ПРЕДСТАВИХА ПОДХОД НАСОЧЕН КЪМ „ПЛАТФОРМАТА ЗА ОБЩЕСТВЕН ТРАНСПОРТ ПРИ ПОИСКВАНЕ“
В рамките на ИНОЕЪР експертите от Софийския университет представиха подход насочен към „Платформата за обществен транспорт при поискване“ чрез оптимизиране на маршрута и прогнозиране на времето на пристигане, като разработиха и предоставиха алгоритми, които да бъдат внедрени в платформата, включително:
• методологични подходи за дефиниране на общия проблем за оптимизация на платформата;
• картографиране на данни, необходимо за жизнеспособността на решението;
• избрани модели за прогнозиране на времето за пътуване между спирките.
Освен това бе поставен акцент върху изчисленията на отправна точка-дестинация въз основа на големи данни за пътническия поток в градския транспорт – обикновено такива данни се получават чрез големи извадкови проучвания, които са скъпи и се правят в най-добрия случай годишно. Софийския университет предприе алтернативен методологичен подход, като бяха използвани напълно анонимни данни за позициониране на мобилни телефони.
Основният източник на данни се състои от набор от анонимизирани и обобщени регистрационни файлове на мобилни устройства, генерирани всеки път, когато мобилно устройство взаимодейства с мрежата на мобилния оператор поради гласови повиквания, текстови съобщения или сесии с данни, които се съхраняват от оператора за целите на таксуването.
Наборът от данни бе получен чрез споразумение за сътрудничество с един от трите основни мобилни оператора „Yettel“ в България, с пазарен дял над 28,6%.
Анализираният набор от данни съдържа информация за пътувания от кв. „Манастирски ливади“ до 619 различни дестинации в гр. София за период от 6 месеца.
София-град има общо 98 района. Квартал „Манастирски ливади“ е един от най-бързо развиващите се и гъсто населени.
За да се създадат оптимални маршрути и разписания на градския транспорт, е необходимо да се анализира потенциалният пътникопоток между всеки две спирки (1) и (2) в зоната на обслужване, като се вземе предвид фактът, че гражданите използват много и различни начини на пътуване.
За всяка начална дестинация можем да дефинираме индикатор NTnj(k), който приема стойност 1, ако имаме поне пет пътувания до дестинация n във времевия интервал j на ден k или стойност 0, ако нямаме поне пет пътувания в съответния времеви интервал.
Индикаторът NTnj(k) ни позволява да обобщим пътникопотока, генериран от всяка начална дестинация в OD матрица на пътувания A от следния тип:
За OD матрица на пътуванията, A, прилагаме групиране на k-средни стойности, което позволява всеки голям брой дестинации да бъдат намалени до три напълно дефинирани основни групи:
(1) дестинации, до които има пътувания предимно в пиковите часове 08:00-11:00 и 18:00-21:00;
(2) дестинации, към които има пътникопоток през целия ден
(3) дестинации, където има ограничен брой пътувания в много малък брой часови интервали.
За начална автобусна спирка "Манастирски ливади" създадохме 619 реда OD матрица на пътуванията а клъстерирането на k-средните показва следните резултати:
Диаграмата на автокорелационната функция (ACF) на една от времевите серии, описващи броя пътувания до конкретна дестинация от клъстер 2, измерени на почасова база.
ACF показва, че има значително големи автокорелации, особено на всеки 24-ти лаг.
Това показва, че данните имат 24-та степен на сезонна интеграция. Това е типично за всички времеви редове от клъстер 2 и клъстер 3. Такива времеви редове могат да бъдат добре моделирани от модели SARIMA.
Въз основа на подхода можем да намерим модели SARIMA за прогнозиране и моделиране на потоците от пътувания до дестинации от Клъстер 2. Демонстрирахме такъв модел на данни за квартал „Манастирски ливади“ в София, България. Всички коефициенти са статически значими, като анализът на грешките на модела показва, че той добре описва динамиката в пътникопотока.
Научната работа допринесе не само за проекта INNOAIR, но и за постигането на целите на Европейската зелена сделка чрез директно намаляване на емисиите на CO2 в град София. Статистиката потвърждава, че транспортният сектор представлява почти една пета от глобалните емисии на CO2 и ние като граждани трябва да действаме осъзнато и устойчиво в ежедневието си.