Sztuczna inteligencja nie jest już futurystyczną koncepcją zarezerwowaną dla dobrze finansowanych firm technologicznych dysponujących wyspecjalizowanymi zespołami analityków danych. Jest to praktyczne, dostępne narzędzie, z którego korzystają obecnie operatorzy usług wspólnej mobilności każdej wielkości, aby obniżyć koszty operacyjne, zwiększyć zadowolenie pasażerów oraz podejmować szybsze i trafniejsze decyzje dotyczące zarządzania flotą. Fundamentalną zmianą, jaką sztuczna inteligencja wprowadziła w branży mobilności, jest przejście od operacji reaktywnych, w których problemy są rozwiązywane po ich wystąpieniu, do operacji predykcyjnych, w których problemy są przewidywane i zapobiegane, zanim wpłyną na pasażerów lub przychody. Zanim narzędzia oparte na sztucznej inteligencji stały się dostępne, zarządzanie flotą było w dużej mierze dyscypliną ręczną: operatorzy polegali na doświadczeniu, intuicji i podstawowej analizie arkuszy kalkulacyjnych, aby zdecydować, gdzie umieścić pojazdy, kiedy je serwisować i jak wycenić przejazdy. Te ręczne podejścia sprawdzały się dość dobrze na małą skalę, ale zawodziły, gdy floty rozrosły się ponad kilkaset pojazdów rozmieszczonych w wielu strefach. Obecnie modele uczenia maszynowego mogą przetwarzać miliony punktów danych z lokalizatorów GPS, czujników IoT, interfejsów API pogodowych, kalendarzy wydarzeń i historycznych baz danych przejazdów, aby generować praktyczne rekomendacje, których żaden analityk nie byłby w stanie stworzyć z taką samą szybkością i dokładnością. Operatorzy, którzy wcześnie wdrażają te narzędzia, budują złożone przewagi w zakresie wykorzystania floty, efektywności konserwacji i doświadczeń pasażerów, które będą coraz trudniejsze do nadrobienia dla tych, którzy pozostają w tyle. W niniejszym artykule przeanalizowano pięć zastosowań sztucznej inteligencji, które już teraz przynoszą wymierne wyniki operatorom usług mobilności, wraz z konkretnymi danymi na temat ulepszeń, jakie zapewnia każde z nich.
Prognozowanie popytu na przewozy pasażerskie
Prognozowanie popytu jest najbardziej przydatnym i powszechnie stosowanym rozwiązaniem opartym na sztucznej inteligencji w zarządzaniu flotą pojazdów w ramach mobilności współdzielonej, ponieważ pozwala wyeliminować największą i najkosztowniejszą nieefektywność w tej branży: pojazdy stojące bezczynnie w miejscach, gdzie nikt ich nie potrzebuje, podczas gdy potencjalni użytkownicy w obszarach o wysokim popycie nie mogą znaleźć dostępnych pojazdów. Nowoczesne systemy prognozowania popytu wykorzystują drzewa decyzyjne wzmocnione gradientem lub rekurencyjne sieci neuronowe, które są szkolone na historycznych danych dotyczących przejazdów z ostatnich miesięcy lub lat, wzbogaconych o sygnały zewnętrzne, w tym godzinowe prognozy pogody, harmonogramy lokalnych wydarzeń z obiektów i platform biletowych, alerty o zakłóceniach w transporcie publicznym, kalendarze akademickie szkół i uniwersytetów, a nawet zanonimizowane wzorce przemieszczania się telefonów komórkowych, które wskazują przepływy ludności w ciągu dnia. Wynikiem jest szczegółowa, strefowa prognoza przewidywanego popytu na przejazdy na najbliższe 4 do 48 godzin, aktualizowana na bieżąco w miarę napływania nowych danych. Operatorzy, którzy wdrażają prognozowanie popytu oparte na sztucznej inteligencji, konsekwentnie odnotowują 15- do 25-procentową poprawę wykorzystania floty, mierzoną jako liczba przejazdów na pojazd dziennie, w porównaniu ze strategiami ręcznego rozmieszczania opartymi na intuicji operatora lub prostych zasadach heurystycznych. Skutki finansowe są znaczące: w przypadku floty 500 hulajnóg, przy średnio trzech przejazdach dziennie po 3,50 USD za przejazd, 20-procentowa poprawa wykorzystania przekłada się na około 383 000 USD dodatkowego rocznego przychodu przy tej samej liczbie pojazdów. Prognozowanie popytu zmniejsza również częstotliwość sytuacji, w których użytkownik otwiera aplikację i nie znajduje w pobliżu żadnych pojazdów, co jest jednym z najsilniejszych czynników wpływających na odinstalowanie aplikacji i utratę użytkowników. Najbardziej zaawansowane wdrożenia obejmują pętle sprzężenia zwrotnego, w których prognozy modelu są codziennie porównywane z rzeczywistymi wynikami, a algorytm automatycznie dostosowuje wagę różnych zmiennych wejściowych, aby z czasem poprawić dokładność.
Inteligentne zrównoważenie floty
Inteligentne równoważenie zasobów idzie o krok dalej w prognozowaniu popytu, przekształcając prognozy w zoptymalizowane, praktyczne plany redystrybucji, które zespoły terenowe mogą skutecznie realizować. Tradycyjne równoważenie opiera się na stałych harmonogramach i trasach: technik codziennie rano i wieczorem przejeżdża po ustalonej trasie, odbierając pojazdy z obszarów o niskim popycie i dostarczając je do stref o wysokim popycie w oparciu o przypuszczenia kierownika dotyczące tego, gdzie powinny się znaleźć. Rebalansowanie oparte na sztucznej inteligencji zastępuje te domysły dynamicznym generowaniem zadań, które uwzględnia podaż pojazdów w czasie rzeczywistym w każdej strefie, prognozowany popyt na najbliższe kilka godzin, aktualny poziom naładowania akumulatora każdego pojazdu i szacowany pozostały zasięg, fizyczną odległość i czas jazdy między miejscami odbioru a dostawy, dostępność i aktualną lokalizację każdego technika terenowego oraz względny priorytet różnych działań rebalansujących w oparciu o oczekiwany wpływ na przychody. System generuje dla każdego technika listę zadań z priorytetami, która maksymalizuje liczbę pojazdów umieszczonych w miejscach o wysokim popycie na godzinę pracy, uwzględniając ładowność każdego samochodu serwisowego. Operatorzy korzystający z równoważenia opartego na sztucznej inteligencji zgłaszają 30–40-procentowe zmniejszenie liczby kilometrów przejechanych w związku z równoważeniem, co bezpośrednio zmniejsza koszty paliwa, zużycie samochodów serwisowych oraz ślad węglowy operacji floty. Co może ważniejsze, inteligentne zrównoważenie zapewnia, że pojazdy o najwyższym poziomie naładowania akumulatorów są kierowane do stref o najwyższym przewidywanym zapotrzebowaniu, co maksymalizuje potencjał przychodowy każdego działania w zakresie redystrybucji, zamiast traktować wszystkie pojazdy i strefy jednakowo.
Konserwacja predykcyjna na dużą skalę
Konserwacja predykcyjna to rozwiązanie oparte na sztucznej inteligencji, które wywiera najbardziej wymierny wpływ na trwałość floty, bezpieczeństwo i całkowity koszt posiadania, a mimo to pozostaje niedoceniane przez wielu operatorów, którzy nadal opierają się na harmonogramach serwisowych opartych na terminach kalendarzowych lub reaktywnych procedurach naprawczych uruchamianych w odpowiedzi na skargi użytkowników. Zasada działania jest prosta: czujniki IoT wbudowane w nowoczesne pojazdy współdzielone nieustannie generują dane telemetryczne, w tym krzywe napięcia akumulatora podczas cykli ładowania i rozładowywania, pobór prądu przez silnik w różnych warunkach obciążenia, spójność siły hamowania po lewej i prawej stronie, wzorce kompresji zawieszenia na podstawie odczytów akcelerometru oraz anomalie prędkości obrotowej kół, które mogą wskazywać na zużycie łożysk lub degradację opon. Algorytmy konserwacji predykcyjnej, zazwyczaj modele wykrywania anomalii wyszkolone na historycznych danych dotyczących awarii, analizują te strumienie danych telemetrycznych w celu identyfikacji pojazdów wykazujących wczesne oznaki awarii komponentów na kilka dni, a nawet tygodni przed tym, zanim awaria stanie się widoczna dla użytkownika lub technika terenowego. Zamiast wycofywać pojazdy do planowych przeglądów zgodnie z ustalonym kalendarzem co 30 lub 60 dni, operatorzy mogą ustalać priorytety konserwacji w oparciu o faktycznie zmierzone warunki, kierując ograniczone możliwości warsztatowe na pojazdy, które naprawdę wymagają uwagi. Wyniki są przekonujące w wielu aspektach: operatorzy stosujący konserwację predykcyjną odnotowują 25–40-procentowe zmniejszenie liczby awarii na drogach, 15–20-procentowe wydłużenie średniej żywotności pojazdów oraz 10–15-procentowe zmniejszenie całkowitych kosztów pracy związanych z konserwacją, ponieważ technicy poświęcają mniej czasu na przeglądy sprawnych pojazdów, a więcej na ukierunkowane naprawy pojazdów, które tego wymagają. W przypadku elementów o kluczowym znaczeniu dla bezpieczeństwa, takich jak hamulce i układ kierowniczy, alerty predykcyjne zapewniają dodatkową warstwę ochrony wykraczającą poza standardowe protokoły kontroli.
Systemy dynamicznej wyceny
Dynamiczne ustalanie cen oparte na algorytmach sztucznej inteligencji stanowi zaawansowane podejście do podstawowego wyzwania związanego z równoważeniem podaży i popytu, przed którym stają operatorzy usług mobilności współdzielonej w ciągu dnia. Podstawowy mechanizm działa w obu kierunkach: gdy popyt na przejazdy przewyższa podaż pojazdów w danej strefie, system stosuje niewielki mnożnik szczytowy, zazwyczaj od 1,2x do 1,8x, do standardowej stawki minutowej, co służy podwójnemu celowi: generowaniu dodatkowych przychodów w godzinach szczytu oraz zachęcaniu niektórych wrażliwych na cenę użytkowników do przejścia kilku przecznic do pobliskiej strefy, gdzie pojazdy są dostępne po standardowych stawkach. Z drugiej strony, gdy pojazdy stoją bezczynnie w obszarze o nadmiernej podaży poza godzinami szczytu, system może oferować tymczasowe zniżki, bonusowe kredyty na przejazdy lub obniżone opłaty za odblokowanie, aby stymulować popyt, który w przeciwnym razie nie wystąpiłby. Kluczową różnicą między dobrze wdrożonymi cenami dynamicznymi a agresywnymi cenami szczytowymi, które spotkały się z krytyką w branży przewozów na żądanie, jest skala i przejrzystość korekt. Operatorzy usług transportowych, którzy ograniczają mnożnik podwyżki do 1,5–2,0 i wyraźnie wyświetlają skorygowaną cenę przed potwierdzeniem przejazdu przez pasażera, konsekwentnie utrzymują zadowolenie pasażerów, jednocześnie osiągając znaczący wzrost przychodów. Łącznym efektem dynamicznych cen w całej flocie jest wygładzenie krzywych popytu, co zwiększa całkowitą liczbę przejazdów dziennie o 10–20 procent w porównaniu ze statycznymi cenami, ponieważ pojazdy spędzają mniej czasu w stanie bezczynności, a pasażerowie są płynnie przekierowywani do dostępnej podaży. Silniki cenowe oparte na sztucznej inteligencji umożliwiają również stosowanie poziomów cenowych w zależności od pory dnia, promocje typu „happy hour” w okresach historycznie niskiego popytu oraz korekty cen oparte na wydarzeniach, które można skonfigurować tak, aby aktywowały się automatycznie, gdy na stadionie, w sali koncertowej lub centrum kongresowym w obszarze obsługi planowane jest wydarzenie.
Autonomiczna przyszłość
W dalszej perspektywie połączenie sztucznej inteligencji z technologią pojazdów autonomicznych, zaawansowanym przetwarzaniem obrazu i przetwarzaniem brzegowym zmieni oblicze zarządzania flotą w sposób, który już teraz widać w laboratoriach badawczych i programach pilotażowych na całym świecie. Skutery z funkcją samodzielnego przemieszczania się, wyposażone w systemy autonomicznej jazdy przy niskich prędkościach, które pozwalają im poruszać się po chodnikach i ścieżkach rowerowych w celu samodzielnego powrotu do bazy w nocy, są obecnie intensywnie testowane przez co najmniej trzech głównych producentów pojazdów, a ich ograniczone wdrożenie komercyjne spodziewane jest w ciągu najbliższych dwóch do czterech lat. Opracowywane są systemy wizji komputerowej montowane na pojazdach lub zintegrowane z miejską infrastrukturą kamerową w celu weryfikacji prawidłowości parkowania, wykrywania przeszkód na chodnikach, identyfikacji uszkodzonych pojazdów wymagających odholowania, a nawet oceny stanu nawierzchni drogowej w celu kierowania użytkowników z dala od zagrożeń. Moduły przetwarzania brzegowego wbudowane w sprzęt do monitorowania pojazdów (IoT) umożliwiają wnioskowanie w czasie rzeczywistym na urządzeniu w zastosowaniach związanych z bezpieczeństwem, takich jak wykrywanie upadków, ostrzeżenia o ryzyku kolizji oraz ocena zachowania użytkownika, bez opóźnień związanych z przetwarzaniem w chmurze. Wielomodalne systemy dyspozytorskie oparte na sztucznej inteligencji, które koordynują przejazdy hulajnogami, rowerami, środkami transportu publicznego i usługami przewozowymi, dynamicznie dostosowując rekomendacje w oparciu o warunki w czasie rzeczywistym we wszystkich środkach transportu, przechodzą z etapu badań akademickich do wczesnych pilotażowych wdrożeń komercyjnych w miastach posiadających zaawansowane platformy MaaS. Chociaż pełna autonomia pojazdów pozostaje w odległości kilku lat dla większości aplikacji mobilności współdzielonej, infrastruktura AI, którą operatorzy budują obecnie w celu prognozowania popytu, optymalizacji tras, prognozowania konserwacji i dynamicznego ustalania cen, będzie stanowić niezbędną warstwę podstawową dla tych funkcji nowej generacji. Operatorzy, którzy inwestują obecnie w gromadzenie danych, szkolenie modeli i architekturę systemową opartą na sztucznej inteligencji (API), przygotowują się do wdrożenia technologii autonomicznych i półautonomicznych, gdy tylko staną się one opłacalne komercyjnie.