Technologie des mégadonnées dans les transports. Big data pour une grande ville. Le transport et la gestion du trafic à Moscou en chiffres

introduction

Selon les prévisions des analystes, 67% des entreprises de l'industrie aérospatiale mettent en œuvre des projets basés sur le Big Data, 10% planifient de tels projets. Quant aux compagnies aériennes, ici la mise en œuvre des projets pour février 2019 a été annoncée par 44% des entreprises, et les plans de tels projets ont été annoncés par 25%.

Ce sont les résultats d'une étude menée en décembre 2017 par FlightGlobal sur le rôle du Big Data pour les entreprises aérospatiales et les compagnies aériennes. Les analystes ont également demandé leur avis sur le partage des données sur la santé des aéronefs avec les fabricants et les entreprises de réparation et de maintenance (MOT). L'étude a impliqué 300 professionnels de l'industrie aérospatiale et aéronautique. La plupart d'entre eux sont convaincus que les technologies Big Data peuvent améliorer la fiabilité opérationnelle et l'efficacité des compagnies aériennes.

Environ la moitié des répondants ont déclaré que leurs entreprises utilisent des ensembles de données sur la santé des avions pour les aider à prendre de meilleures décisions. À court terme, la part de ces entreprises passera à 75%.

Le partage de données avec OEM / MRO est toujours problématique. Cependant, 38% des compagnies aériennes estiment que ce modèle peut leur apporter des avantages commerciaux significatifs.

Selon l'enquête Honeywell «Connected Aircraft» publiée en mai 2018, 47% des compagnies aériennes interrogées prévoient de dépenser jusqu'à 1 million de dollars au cours de l'année prochaine pour connecter les avions au réseau pour chaque avion qu'ils volent. La plupart de ces entreprises prévoient de couvrir le montant de 0,1 à 0,5 million de dollars. Cependant, dans une perspective quinquennale, 38% des transporteurs aériens ont annoncé des investissements d'un montant de 1 à 10 millions de dollars pour chaque avion.

Jusqu'en février 2019, lorsque les compagnies aériennes ont investi dans les technologies liées à l'aviation (technologies connectées), il s'agissait principalement de fournir des communications par satellite et du Wi-Fi. Désormais, les entreprises sont prêtes à capitaliser sur les données qu'elles peuvent obtenir en utilisant des équipements directement à bord. Par exemple, de telles données pourraient leur permettre d'économiser 1% de consommation de carburant, ce qui équivaut à 50 000 dollars par avion et par an, ont calculé les analystes d'Honeywell.

Utilisation du Big Data par des compagnies aériennes étrangères

Les technologies Big Data sont utilisées pour effectuer un certain nombre de tâches dans le domaine de l'aviation civile. Dans ce chapitre, nous nous attarderons plus en détail sur les principaux domaines d'utilisation de l'aviation dans plusieurs pays étrangers. Tout d'abord, il s'agit de la réparation et de la maintenance, assurer l'économie de carburant, créer des jumeaux numériques, optimiser les activités opérationnelles (y compris prévoir les retards de vol), générer des offres personnelles pour les passagers, etc.

Big Data et maintien de la navigabilité des aéronefs

L'un de ces domaines prioritaires dans un proche avenir sera l'entretien (MOT) et la réparation des navires. Ainsi, 88% des répondants analytiques s'attendent à ce que ce soit le domaine dans lequel ils pourront tirer le meilleur parti de l'utilisation de la technologie. L'entretien et les réparations sont bien en avance sur tous les autres domaines d'importance. L'analyse et les réparations prédictives dans l'aviation se révèlent efficaces et prouvent dans la pratique que les technologies connectées fonctionnent.

À la suite de l'entretien et des réparations, les répondants s'attendent à des avantages de la mise en œuvre des technologies de pilotage connexes, notamment l'optimisation de la consommation de carburant et des délais de rotation des avions, et du service aux passagers.

Ainsi, dans l'étude «Sky High Economics: Evaluating the Economic Benefits of Connected Airline Operations», les analystes notent que les avions connectés peuvent transmettre des données vers le cloud ou vers des serveurs au sol, où ces données peuvent être analysées à l'aide d'outils Big Data Analytics. Cela permet aux compagnies aériennes, par exemple, de résoudre les problèmes avant qu'ils ne deviennent des problèmes majeurs. Ces informations peuvent être utilisées pour prendre de meilleures décisions et réduire les temps d'arrêt coûteux des avions (aéronefs au sol).

De plus, avec l'avènement de la modélisation prédictive, il est devenu possible de remplacer des pièces qui, sur la base de l'analyse, sont identifiées comme nécessitant un remplacement, avant qu'elles ne tombent en panne, notamment lors des réparations et des entretiens programmés. Tout cela contribue à réduire les coûts et augmente la sécurité des vols.

Digit Twins. Ce que c'est?

L'utilisation de soi-disant «jumeaux numériques» est également étroitement liée au thème des réparations prédictives (proactives). Cependant, à la différence, par exemple, de l'industrie pétrolière et gazière, où les CD sont déjà utilisés par un certain nombre de grandes entreprises dans la pratique, dans l'industrie aéronautique, ce sujet est encore plus discuté au niveau des experts et des analystes.

En 2019, les experts de l'industrie aéronautique ont commencé à promouvoir activement l'utilisation des «jumeaux numériques»: la direction de la société suédoise IFS, développeur de logiciels pour les entreprises, y compris l'industrie aéronautique, a annoncé en avril 2018 que l'une des innovations technologiques susceptibles d'aider les compagnies aériennes à fournir l'exploitation efficace des navires tout en réduisant les coûts de maintenance et de réparation sont des «jumeaux numériques». Les jumeaux numériques sont des répliques virtuelles d'actifs physiques qui peuvent démontrer le fonctionnement du moteur aux ingénieurs au sol pendant que l'avion est en l'air. Pour rendre cela possible, les ingénieurs installent des milliers de points de collecte de données pendant la conception et la fabrication du moteur. Ils sont ensuite utilisés pour créer un modèle numérique qui surveille et contrôle le moteur en temps réel, fournissant des informations essentielles tout au long de son cycle de vie, telles que la température, la pression et le débit d'air.

GE a aidé à développer un jumeau numérique pour le train d'atterrissage de l'avion. Les capteurs étaient placés sur les parties du châssis les plus sujettes à la casse. Des données en temps réel telles que la pression et la température ont été partagées avec les techniciens, aidant à prévoir les dysfonctionnements ou la durée de vie restante. Ces données ont été comparées aux données d'un jumeau numérique soumis à un stress similaire.

Pour mettre en œuvre le modèle de réparation et de maintenance prédictive, deux solutions seront impliquées: le système d'échange de données d'exploitation et de maintenance à bord (FOMAX) et la boîte à outils d'analyse des données des avions hors bord Skywise. FOMAX, un serveur de Rockwell Collins, collecte des données sur la maintenance et les performances des avions et les envoie automatiquement aux ingénieurs et techniciens. SkyWise, une plate-forme d'analyse basée sur le cloud, a été développée conjointement par Airbus et Palantir Technologies.

Le système FOMAX reçoit toutes les données du système embarqué FDIMU (Flight Data Interface Management Unit). FOMAX a la fonctionnalité d'un routeur 4G: après l'atterrissage d'un navire, toutes les données sont transmises via des antennes 4G Gatelink à la plate-forme analytique Skywise et analysées par des spécialistes d'Airbus. Pour l'analyse, les spécialistes d'Airbus ont développé indépendamment des modèles spéciaux capables de prédire l'occurrence de problèmes systémiques. Après l'analyse, ses résultats sont transmis aux spécialistes d'EasyJet, qui prennent indépendamment des décisions sur la nécessité d'une maintenance prédictive ou de réparations. À partir des informations reçues, les spécialistes du transporteur aérien peuvent créer des algorithmes qui permettront à l'avenir de prédire l'occurrence d'un problème particulier sur l'un des aéronefs.

Les avions du modèle A320 avec FOMAX sont capables de collecter plus de 24 000 paramètres, c'est-à-dire de collecter à 100% des informations à partir des systèmes et composants de l'avion. Les aéronefs sans FOMAX collectent 400 paramètres, soit 2% des informations disponibles.

La direction de Delta affirme que son programme de maintenance prédictive aide la compagnie aérienne à réduire considérablement les perturbations: au cours des 12 derniers mois, l'utilisation de la maintenance proactive a permis d'éviter 1 200 retards ou annulations de vols.

Le programme utilise les données de divers systèmes, tels que la gestion de la santé des aéronefs de Boeing, Airbus et GE. Dans le même temps, la base de la flotte d'aéronefs de la compagnie aérienne est constituée d'avions qui ont été développés avant même le moment où l'extraction et l'analyse des données sont devenues une fonction "incontournable". Après avoir analysé les données obtenues, le programme élabore des recommandations pour le remplacement des pièces et des mécanismes. Delta Air Lines rapporte que le logiciel utilisé démontre un niveau de précision de 95% dans la recommandation de pièces de rechange.

Lors de la présentation de la solution, la startup a indiqué qu'au printemps 2018, un pilote avec un grand transporteur aérien international devrait être mis en œuvre. Cependant, aucune information supplémentaire n'a été publiée sur ce sujet.

Utiliser le Big Data pour analyser et prévoir la demande de voyages aériens

Le développeur de technologies aéronautiques Saber Corporation, développeur de solutions pour l'industrie mondiale du voyage, a annoncé en novembre 2017 qu'il avait signé un accord pluriannuel en vertu duquel Hong Kong Airlines recevra une solution MIDT (Market Information Data Tapes). Cette solution est une base de données qui permet d'accéder aux données historiques et prévisionnelles (jusqu'à 11 mois) sur les réservations. La possession de ce produit permet aux compagnies aériennes d'analyser l'impact des mesures dans le domaine de la formation tarifaire, des programmes de commercialisation.

Hong Kong Airlines prévoit d'utiliser le produit dans ses plans de lancement sur le marché nord-américain. Le produit permet de générer des rapports et dispose d'une fonctionnalité analytique, qui permet à l'utilisateur d'identifier les canaux optimaux pour la mise en œuvre d'une stratégie marketing. Hong Kong Airlines aura accès aux données des agents Sabre du monde entier pour tous les points de départ et de destination où la compagnie aérienne est présente.

Le Big Data pour améliorer la satisfaction client et la personnalisation

British Airways, l'un des TOP 10 en termes de trafic passagers, utilise le Big Data Analytics depuis 2013 pour améliorer le niveau de service de ses clients: le transporteur collecte diverses données sur les passagers dans un stockage spécial, puis les télécharge dans un programme appelé «Know Me». Le but du programme est d'apprendre et de mieux comprendre les besoins des clients, et d'utiliser les données accumulées lors de toutes sortes de contacts avec ces clients pour améliorer leur niveau de service.

«Know Me» contient diverses données sur les passagers: comportement lors de la commande en ligne, souhaits lors des achats, préférences lors du choix d'un siège. Toutes ces informations sont automatiquement générées et automatiquement utilisées lors de la prochaine réservation effectuée par le client.

Le programme est alimenté par un logiciel analytique d'Opera Solutions. Google Image Search est également utilisé, ce qui permet aux employés de la compagnie aérienne de reconnaître déjà de nombreux passagers particulièrement importants au moment où ils entrent dans l'aéroport ou le pavillon d'affaires et, en conséquence, de leur offrir un service de première classe.

Un autre acteur majeur du marché, Virgin Australia, a annoncé fin 2017 qu'il optimisait ses applications d'apprentissage automatique. À ces fins, l'entreprise a attiré une startup DataRobot. Une startup américaine a développé une plateforme d'analyse prédictive pour créer et mettre en œuvre rapidement des modèles prédictifs. La plate-forme aide déjà Virgin Australia à réduire la durée du modèle prédictif de 90%, tout en améliorant la précision des prévisions de 15%.

Depuis février 2019, la compagnie aérienne s'emploie à optimiser son programme de fidélité Velocity Frequent Flyer, en intégrant des analyses prédictives pour aider les clients de la compagnie aérienne à choisir le meilleur moment pour utiliser les points gagnés. DataRobot est chargé de construire des prédictions / modèles de qui est le plus susceptible de voyager, quel prix et quel type de voyage le voyageur préfère. De manière générale, il s'agit d'améliorer le niveau de service des membres du programme de fidélité de la compagnie aérienne.

Utiliser des chatbots intelligents

La première solution est un modèle de chatbot proche de la communication humaine. Dans le même temps, une application d'apprentissage automatique appelée LUIS (Language Understanding Intelligence Service) a été utilisée pour améliorer les capacités conversationnelles. De plus, des services cognitifs sont intégrés au chatbot, notamment la reconnaissance faciale. Grâce à cela, les clients des compagnies aériennes pourront demander une liste de films dans lesquels un acteur particulier joue pour les visionner à bord. Pour ce faire, il vous suffit de télécharger une photo de cet acteur dans l'application.

La deuxième solution est une application d'intelligence artificielle pour analyser le contenu vidéo à l'aide de l'apprentissage automatique. La plate-forme a acquis la capacité d'identifier certains objets, scénarios ou contenus avec des restrictions d'âge, ce qui est souvent requis conformément aux exigences de contenu des compagnies aériennes. Par exemple, l'intelligence artificielle est capable de détecter et de filtrer le contenu lié aux scènes de crash d'avion ou au contenu pour adultes.

En avril 2018, FoxTripper a présenté pour la première fois son programme de «carte mobile». Le programme fournit aux passagers des informations sur les endroits sur lesquels l'avion vole et permet aux passagers de faire des réservations à leur destination. Les données collectées pendant le vol, combinées aux données passagers de la compagnie aérienne, permettent de faire des prédictions sur le total, quels produits et services sont pertinents pour lui.

Un autre exemple intéressant est Gogo Air. La société d'infodivertissement des passagers en vol utilise l'intelligence artificielle et l'apprentissage automatique pour aider les compagnies aériennes à améliorer leur service. Gogo Air utilise la suite d'outils Adobe Analytics, notamment Virtual Analyst, un outil d'apprentissage automatique permettant de collecter des données clients pour un certain nombre de grandes compagnies aériennes.

En fournissant du contenu de divertissement et un accès Wi-Fi en vol, Gogo Air recueille des informations sur les passagers utilisant ces services. Ensuite, ces informations sont traitées et analysées. En conséquence, les compagnies aériennes reçoivent les données qui les aident à améliorer leur service client et, souvent, offrent à leurs passagers des produits plus ciblés. Les compagnies aériennes découvrent les produits qui pourraient intéresser leurs clients en vol, les appareils qu'elles utilisent en vol, le temps qu'elles sont disposées à passer sur Internet ou les divertissements qu'elles préfèrent dans l'avion.

Les compagnies aériennes utilisent les données reçues pour personnaliser les services en fonction du contexte situationnel, par exemple en adaptant les écrans des systèmes d'infodivertissement de l'avion, en fonction de la durée du vol, des appareils utilisés par le passager et de la destination.

Les technologies de la restauration à bord ne restent pas non plus à l'écart. Ainsi, en avril 2018 à Hambourg, la société Black Swan Data, qui développe des solutions d'analyse de données, a conclu un accord de coopération avec gategroup. L'objectif de la collaboration est d'analyser les données des passagers et les tendances sur les réseaux sociaux pour prédire quel menu les passagers choisiront dans l'avion. Les passagers pourront commander et s'attendre à recevoir leurs plats préférés après l'embarquement. Le projet pilote des deux entreprises a donné de bons résultats: il a été possible de réduire le gaspillage alimentaire de 50% et d'augmenter la productivité de 15%.

En mai 2018, la société de solutions aéronautiques SITA a proposé un système de suivi et de gestion des bagages. La technologie BagJourney développée par elle permet à un nombre croissant de compagnies aériennes de gérer les opérations bagages. Rien qu'au cours des six premiers mois de 2018, plus de 20 transporteurs ont choisi cette solution. SITA BagJourney est l'une des solutions clés aidant l'industrie aéronautique à se conformer à la résolution IATA 753, qui impose le suivi des bagages à chaque étape du voyage.

La solution SITA BagJourney est utilisée chaque année pour traiter des centaines de millions de bagages. Selon les utilisateurs, la solution réduit les erreurs de 30%. BagJourney est compatible avec une variété de matériel, y compris les scanners mobiles ou les appareils fixes.

Selon BahamasAir, l'un des utilisateurs de la solution, après sa mise en œuvre, dans les 7 jours, il a été possible de réaliser le processus de transition complète vers les appareils mobiles pour suivre tous les bagages sur les deux itinéraires les plus fréquentés en termes de bagages - Nassau et Miami. Selon les résultats de six mois, le nombre de plaintes concernant des problèmes de bagages sur l'itinéraire le plus fréquenté a diminué de 60%. La compagnie aérienne prévoit de mettre en œuvre la solution dans toutes les directions et espère que d'ici la fin de l'année, elle se conformera pleinement aux exigences de la résolution 753.

Entretien avec des experts

Application des technologies Big Data dans l'aviation civile russe

Travailler avec la réputation d'un client est d'une grande importance pour les entreprises de transport, y compris l'aviation. Les réseaux sociaux vous permettent de collecter en temps réel les retours des passagers et d'y répondre rapidement.

Les avantages du système considéré sont la capacité de suivre en permanence la satisfaction de l'entreprise et d'interagir avec les utilisateurs sur les réseaux sociaux; assurer la sécurité et identifier les organisations terroristes, l'extrémisme et d'autres problèmes; l'amélioration continue de l'offre pour le client par l'analyse dans les réseaux sociaux et la capacité à communiquer directement avec l'opérateur; maintenir la réputation de la compagnie aérienne grâce à un contact rapide avec le public sur les réseaux sociaux; analyse des préférences des utilisateurs et préparation d'offres de produits individuelles, ainsi qu'une publicité ciblée réussie. En savoir plus sur le projet -

SGBD domestique Tarantool dans un projet d'analyse Big Data

Aeroflot a mis en place des algorithmes d'analyse prédictive dans le cadre d'un projet de plateforme d'analyse et de traitement des demandes des passagers sur les réseaux sociaux. Un développement domestique a été utilisé comme SGBD - la solution Tarantool de la société Mail.Ru Group.

Le complexe se compose d'un grand nombre de modules qui couvrent à la fois les exigences fonctionnelles de l'entreprise et les modules d'intégration dans l'infrastructure informatique existante de PJSC Aeroflot et divers canaux de réception des demandes (réseaux sociaux, e-mail, site officiel, compte personnel).

Le premier module est responsable de l'identification du client sur la base d'une analyse complète des données, à la fois le texte lui-même et les données de profil de l'auteur. Le nombre de demandes peut aller jusqu'à plusieurs milliers par jour.

Le deuxième module est conçu pour rechercher les doublons. Copie de texte pour publication sur différentes ressources ou envoi par courrier. Des publications sémantiquement similaires sont identifiées afin d'identifier les clusters qui sont des incidents. Le traitement simultané de plusieurs de ces postes entraîne une réduction significative de la charge de travail des employés responsables.

Le troisième module "Infoprovods" est l'un des plus importants du système. Sa principale caractéristique est d'identifier de manière prévisible les postes dangereux avant même qu'une augmentation d'activité ne commence. Ainsi, les algorithmes embarqués indiquent une potentielle "info-bombe" et permettent de neutraliser les pertes de réputation.

Le nombre calculé d'accès aux données était égal à plusieurs milliers de requêtes par seconde avec la réponse requise en quelques millisecondes. Pour répondre aux exigences élevées du client, telles que le délai prescrit de trois secondes pour enrichir le traitement de diverses propriétés, l'utilisation d'un logiciel de haute technologie était nécessaire. Sur la base des résultats des tests de performance, de la qualité et de la fonctionnalité du stockage des données, il a été décidé d'utiliser un développement national - le SGBD Tarantool.

Tarantool est utilisé dans la plateforme en tant que base de données opérationnelle, dans laquelle les demandes sont stockées sous la forme de structures de données spéciales requises pour les algorithmes analytiques. Des performances extrêmement élevées et la présence dans la base de données de propriétés telles que des index secondaires et la prise en charge d'un grand nombre de connexions sans sacrifier les performances ont permis de mettre en œuvre avec succès les modules fonctionnels ci-dessus sans dépasser le délai fixé.

L'utilisation des développements nationaux dans une entreprise aussi grande qu'Aeroflot est extrêmement importante. Les logiciels russes ne sont souvent en aucun cas inférieurs et, comme dans notre cas, supérieurs aux homologues étrangers. C'est pourquoi Tarantool a été choisi. Et, bien sûr, un facteur important de substitution des importations est en train d'être rempli, ce qui pour notre entreprise est l'une des principales priorités pour les années à venir.

Kirill Bogdanov, CIO de PJSC «Aeroflot»

Sur la base des résultats de la mise en œuvre, le client, en utilisant la Plateforme, a considérablement augmenté l'efficacité du traitement des réclamations et des demandes des clients par les employés responsables de PJSC Aeroflot, réduit considérablement le temps de livraison de la demande et le temps de traitement / résolution du problème grâce aux mécanismes d'enrichissement de l'appel avec contexte, ton, sujets (marquage), profil auteur, etc. Tout cela vise à obtenir un effet économique et de réputation positif à presque toutes les étapes de la fourniture de services à PJSC Aeroflot. Sur la base d'une expérience réussie, tous les participants au projet continueront à utiliser le logiciel Tarantool dans leurs projets et à renforcer les partenariats

Technoserv a mis en place un système intelligent de segmentation des clients pour Aeroflot

Technoserv a confirmé que les technologies Big Data sont généralement en demande dans l'industrie du transport, ce que confirme l'augmentation du nombre de projets utilisant ces technologies. En même temps, les sujets des projets, selon elle, sont complètement différents. Il s'agit d'augmenter la personnalisation des communications avec les clients, la réparation proactive des équipements, la prévision de la demande et d'autres tâches qui sont résolues à l'aide d'algorithmes d'apprentissage automatique et l'analyse de grands volumes de données structurées, non structurées et semi-structurées pour la compagnie aérienne et ses partenaires. La vitesse de règlement est passée de 14 jours à 23 secondes.

Nous avons conclu un accord pour acheter un billet d'avion via une blockchain api ouverte à la banque, mais je suis sûr qu'un tel système sera très bientôt utilisé par de nombreuses entreprises à travers le monde. La plateforme blockchain peut optimiser considérablement les processus métier. Il automatise tout système de règlement, même très complexe - par exemple, les livraisons en entrepôt. Avec un tel mécanisme, presque aucune participation humaine n'est requise: pas besoin d'émettre des factures, d'effectuer des rapprochements, de rédiger des actes. Potentiellement, la plate-forme peut être connectée à des fournisseurs de restauration en vol, de carburant, de services aéroportuaires - toutes ces entreprises avec lesquelles S7 Airlines travaille constamment et pas seulement. (Contrats intelligents pour le carburant aéronautique, AFSC) basés sur la blockchain. Le projet a permis d'automatiser la planification et la comptabilisation des approvisionnements en carburant et vise à augmenter la vitesse des règlements mutuels lors du ravitaillement des avions.

Selon une déclaration des représentants de Gazprom Neft, il s'agit de la première expérience d'utilisation de technologies de registres distribués pour le marché de l'aviation russe. Avec leur aide, la compagnie aérienne a pu payer instantanément le carburant directement lors du ravitaillement en carburant d'un avion sans prépaiement, garanties bancaires et risques financiers pour les participants à la transaction. Cette approche augmente l'efficacité des transactions financières et réduit les coûts de main-d'œuvre, selon la société pétrolière et gazière.

Prédire les pannes des avions de S7 Airlines à l'aide de l'apprentissage automatique et de l'analyse Big Data

Début mars 2018, S7 Airlines a développé un système de maintenance prédictive. Selon la société elle-même, elle est devenue le premier transporteur aérien russe à terminer le développement d'un tel système.

Initialement, il est utilisé pour les avions Airbus A319. À l'avenir, le système sera adapté à l'ensemble de la flotte d'avions.

Le système de maintenance prédictive analyse un ensemble de données historiques sur la maintenance des aéronefs et le fonctionnement des composants individuels.

Le logiciel d'analyse de données et de construction de modèles mathématiques a été développé par des spécialistes de S7 Airlines en collaboration avec la société russe Datadvance, spécialisée dans le développement de solutions d'analyse prédictive.

En mars 2018, un ensemble de données pour la période de 2012 à 2017 était déjà disponible pour analyse. Il s'agit des données enregistrées dans les systèmes de télémétrie des aéronefs, des bases de données du parc de maintenance et de réparation de S7 Technics et des données météorologiques.

Les principales tâches que l'entreprise s'attend à résoudre avec l'aide de la maintenance prédictive sont de réduire le nombre de vols retardés pour des raisons techniques, d'améliorer la sécurité des vols et l'efficacité de la maintenance des navires et de prévoir la probabilité de pannes possibles pour chaque avion de la flotte de l'entreprise.

Plusieurs centaines d'étiquettes RFID dans chaque avion sont attachées à tout ce qui n'est pas cloué - des gilets de sauvetage aux ceintures de sécurité. De plus, les étiquettes sont fixées sur des gants résistants à la chaleur, des mégaphones, des bouteilles d'oxygène, des masques, des extincteurs, etc.

Le but du projet est d'accélérer l'inventaire du matériel de sauvetage qui a lieu après chaque vol. L'un des agents de bord lance une application spéciale sur la tablette et se promène dans la cabine en scannant les étiquettes RFID. Chaque étiquette détectée reçoit un bip court et à la fin, l'application génère un rapport sur la présence de tous les équipements de sauvetage. Le rapport est immédiatement téléchargé sur le serveur: les cartes SIM sont installées dans les tablettes et la partie cloud est implémentée sur la base de Microsoft Azure.

S'il n'y a pas d'équipement, cela est immédiatement visible dans le rapport, respectivement, dans ce cas, l'ordre n'est pas donné d'envoyer des bus de tarmac avec des passagers et ils sont vérifiés.

Sans équipement, l'avion ne peut pas être autorisé au vol suivant (c'est-à-dire que s'il n'y a pas assez de gilet de sauvetage à bord, cela signifie qu'un des passagers se verra refuser le transport). L'inventaire manuel demande beaucoup plus de temps et d'efforts: il n'y a que 189 gilets sous les chaises et ils doivent tous être vérifiés. Ainsi, grâce à la technologie RFID, Pobeda a réussi à réduire le temps de rotation minimum d'un avion de 30 à 25 minutes. C'est l'un des indicateurs clés de performance clés de l'aviation de passagers: le fait est que moins le temps passe entre l'arrivée à l'aéroport et le départ du prochain vol, plus l'efficacité économique de la compagnie aérienne est élevée, puisque l'avion ne génère des revenus que lorsqu'il vole et ne se tient pas au sol. Avec la taille de la flotte Pobeda d'une douzaine et demie d'avions, la réduction du temps d'inventaire de chaque avion de 5 minutes permet d'effectuer au moins un vol supplémentaire sans augmenter la flotte d'aéronefs.

Création d'un centre d'innovation dans le domaine de l'aviation civile pour renforcer l'expertise dans le domaine du Big Data

En 2017, Innodata, un développeur de logiciels russe dans le domaine des technologies innovantes, et l'Université informatique russe Innopolis ont créé le Centre d'innovation de l'aviation civile (CIGA). Le but de l'association est de développer une présence technologique et numérique dans l'aviation civile moderne, de contribuer à la divulgation de l'essence et de l'importance des technologies modernes qui affectent l'offre et la demande pour les acteurs de l'industrie aéronautique, et d'intégrer les innovations du monde numérique dans les technologies actuelles de l'aviation civile. En 2018, le groupe d'entreprises RAMAX est devenu partenaire du Centre dans le but de renforcer l'expertise existante dans le domaine de la technologie et de développer des solutions spécialisées pour l'industrie aéronautique.

Les principaux domaines d'activité sont le développement de solutions existantes et la création de nouvelles solutions pour l'industrie aéronautique, respectivement. Le centre mène à la fois des activités pédagogiques et des activités de projet, qu'il s'agisse de la mise en œuvre de projets dans le plan scientifique et technique, de l'innovation ou de l'information et de l'analyse. Le CIGA est également ouvert aux projets pilotes afin de promouvoir des technologies et des solutions avancées et est prêt à apporter son soutien au développement.

Réalité virtuelle pour lutter contre l'aérophobie, navigation aéroportuaire basée sur les technologies de réalité virtuelle, analyse comportementale des activités des collaborateurs dans le domaine de l'information, prédiction du pouvoir d'achat des passagers et génération de recommandations dynamiques pour l'évolution des prix des billets, planification des vols et analyse de l'optimisation de l'horaire saisonnier, gestion prédictive du trafic passagers, gestion du personnel aéroportuaire, développement d'un système de sélection d'offres de packages personnels pour les services des compagnies aériennes et des partenaires, ainsi que des techniques de numérisation des surfaces d'aéronefs lors de la maintenance après vol, analyse des pistes, gestion des niveaux de surréservation, analyse des intérêts des passagers et formation de propositions pour eux

Conclusion

Les exemples évoqués ci-dessus montrent que les compagnies aériennes ne sont plus que des aéronefs, des transporteurs auxquels nous nous sommes habitués. Les technologies qui permettent par exemple de personnaliser les services constituent une base importante de leur développement. Des offres individuelles qui rendent le voyage de chaque passager le plus confortable possible. Recherche d'informations de voyage, réservation de billets, requêtes de recherche - toutes les actions sur le réseau laissent des traces numériques qui peuvent être analysées pour former le package de services le plus précis. De plus, travailler avec le Big Data peut augmenter la fidélité des clients, par exemple en répondant rapidement aux demandes des passagers.

Les systèmes de production génèrent encore plus de données. Les avions, les locomotives de chemin de fer et les trains sont la source d'un énorme flux de données techniques, qui proviennent de capteurs installés dans les moteurs et les systèmes de survie. Une analyse détaillée de ces données vous permet d'identifier et de prévoir la nécessité de réparer une pièce particulière. Ainsi, ils peuvent améliorer le niveau de sécurité et économiser des coûts importants pour les transporteurs. Le temps requis pour les réparations est réduit et l'aéronef peut être utilisé aux fins prévues pendant une période plus longue.

Le matériel proposé abordait certaines des possibilités et des résultats pratiques de l'utilisation des technologies Big Data dans l'industrie aéronautique, en réalité, de telles opportunités de développement deviennent de plus en plus chaque jour.

10/01/2018, Lun, 10:03, heure de Moscou , Texte: Maria Sysoykina

Le Centre d'innovation pour la sécurité des transports, créé il y a un an dans le cadre du métro de Moscou, rassemble des développeurs de solutions pour travailler avec les technologies numériques. La première session stratégique du centre d'innovation a abordé les nouvelles technologies proposées par les entreprises russes, ainsi que les initiatives déjà mises en œuvre par le centre.

Communauté autour de "Safe Transport"

Le Centre d'innovation pour la sécurité des transports a commencé à créer une communauté d'experts et de développeurs pour échanger des idées et des expériences sur l'utilisation des technologies modernes pour résoudre divers problèmes de transport à Moscou. La communauté unira à la fois les entreprises qui travaillent déjà avec Safe Transport et les nouveaux membres. Lors de la première session stratégique du centre, des représentants d'ABBYY, Maxima Telecom, Yandex.Taxi, Avito, Software Product et d'autres ont partagé leur vision des changements technologiques nécessaires dans les transports à Moscou, ont discuté du rôle de la technologie dans la formation de nouveaux services innovants et proposé des idées pour personnaliser l'interaction de la ville avec ses habitants.

Le Big Data change les communications

L'idée de créer le centre est née en août 2018, l'objectif principal de cette initiative est de transformer l'interaction avec les passagers, d'amener la communication avec les citoyens à un nouveau niveau personnalisé. L'analyse de Big Data vous aide à atteindre vos objectifs. Le centre d'innovation a la capacité de travailler avec les données des organisations subordonnées au ministère des Transports, d'effectuer ses recherches, de tester des hypothèses, de travailler sur la construction de segments pour des entreprises de communication ciblées.

«Nous collectons pas mal de données dépersonnalisées hétérogènes sur les passagers et, sur la base de l'analyse, nous pouvons fournir des informations ciblées aux citoyens», explique le responsable du centre d'innovation. Yuri Emelyanov... - Les scénarios peuvent être très différents. Par exemple, il y a souvent des changements d'itinéraire, des réparations, des blocages de trafic liés à certains événements, activités. En analysant les données, nous pouvons informer les changements de manière personnalisée des passagers qui empruntent fréquemment ces itinéraires. "

Projets de centre d'innovation

Il y a aussi des projets plus ambitieux dans la trésorerie du Centre, par exemple une analyse de la satisfaction des districts de Moscou dans l'utilisation du transport terrestre. Les experts du centre ont mené de nombreuses enquêtes sur ce sujet, analysé les résultats et formulé des initiatives pour modifier les itinéraires, les horaires et les arrêts en fonction des résultats. Le Centre soumet ces initiatives à divers comités de pilotage organisés au sein du complexe de transport et, si elles sont approuvées, sont mises en œuvre par des organisations subordonnées. Le retour d'information sur les initiatives mises en œuvre est à nouveau envoyé au centre d'innovation, où les résultats des travaux et le degré de satisfaction des citoyens sont évalués. Ce programme a débuté en mars 2018 et s'est avéré assez fructueux jusqu'à présent. Le Centre participe actuellement activement à un programme similaire pour le métro de Moscou.

Le projet du Centre de support analytique des événements dans le cadre de la Coupe du Monde de la FIFA est particulièrement intéressant. Les experts du centre ont analysé le trafic des passagers les jours de matches organisés dans les stades de Moscou (Loujniki, Spartak, fan zone sur Vorobyovy Gory), mis en œuvre des enquêtes de satisfaction dès que possible après le match et élaboré des recommandations pour optimiser la charge sur le système de transport de la ville et le rendre plus efficace. organisation de services de transport.

Évaluation de la répartition des charges au stade Luzhniki. Fragment du rapport analytique sur le match Russie - Arabie Saoudite, qui s'est tenu le 14 juin, jour d'ouverture du championnat

Le support des applications mobiles pour les citoyens est devenu un domaine de travail distinct du centre. Safe Transport coopère avec un certain nombre de développeurs, dont Infocompass, qui développe l'application Moscow Assistant. «Nous essayons de soutenir des initiatives visant à créer divers services basés sur des applications mobiles pour les citoyens. Pour nous, c'est l'un des canaux de communication avec la population de la ville, - dit Yuri Yemelyanov. «Par exemple, les experts du Centre, en collaboration avec les développeurs de l'application mobile Moscow Assistant, travaillent à améliorer l'algorithme de reconnaissance de la plaque d'immatriculation nationale.» Le Centre d'innovation a de nombreux objectifs ambitieux pour 2019 à venir.

"Megafon" a développé et présenté à l'usage des "filles" des chemins de fer russes une version test du service d'analyse du trafic passagers, basé sur des "big data", rapporte RBC en référence au représentant de l'opérateur Maxim Motin. L'outil permet de déterminer la taille et les caractéristiques détaillées du marché du transport, ainsi que la part de l'entreprise de transport dans celui-ci, en temps quasi réel.

Des travaux préparatoires sont en cours pour mettre en place un système d'analyse Big Data, a confirmé Oleg Yemchenko, chef du département des systèmes ERP (systèmes de planification des ressources d'entreprise) du département informatique du FPC des chemins de fer russes. «Cela ne peut être mis en œuvre que dans un projet spécifique en 2016», a déclaré Yemchenko.

Le service de géoanalyse "Megafon" a été lancé en 2013, l'objectif initial était de prévoir les charges du réseau. Avec son aide, vous pouvez estimer le volume exact du trafic de passagers, obtenir des informations sur les itinéraires (qui, quand, où et où va), la disposition par type de transport. Le service évalue également la capacité de paiement des passagers et la nature des voyages (voyages d'affaires, tourisme, besoins personnels). Toutes les données sont dépersonnalisées.

Vous pouvez analyser plus de 10 000 événements par seconde par plus d'un millier de paramètres, a déclaré Roman Postnikov, directeur de Megafon pour le marketing de segment et l'analyse client. Au cours des trois dernières années, plus de 5 pétaoctets d'informations ont été accumulés - un volume comparable à plus de 30 milliards de photos sur Facebook. Postnikov assure qu'une liste de paramètres d'analyse est déterminée pour chaque client, c'est-à-dire que nous parlons en fait d'une solution cloud universelle qui peut être utilisée par des clients de types complètement différents qui ont besoin d'analyser de grandes quantités de données.

Megafon a calculé que les entreprises de transport en Russie dépensent plus de 1,2 milliard de roubles par an pour la recherche sur le trafic de passagers. «Dans le même temps, les entreprises elles-mêmes ne peuvent collecter qu'une partie des données dont elles disposent, et notre service permet d'avoir une vue d'ensemble du marché dans son ensemble», déclare Postnikov. Même si, grâce à l'introduction du service, le transporteur pourra augmenter sa part du marché total du transport de passagers de 1,5 à 2%, ce sera des milliards de roubles, dit-il.

Les solutions Big Data peuvent également être utilisées pour gérer les infrastructures urbaines. Le centre d'experts e-gouvernement, le gouvernement de Moscou va conclure un contrat en vertu duquel la ville recevra des données géospatiales anonymes agrégées des utilisateurs des opérateurs de télécommunications locaux dans 11 sections différentes d'ici deux ans. Les consommateurs de ces informations seront l'entreprise unitaire d'État "Institut de recherche et de développement du plan général de Moscou", le Département des transports et du développement des infrastructures routières et de transport, le Département de la culture et d'autres départements de la capitale.

Moscou est une immense métropole avec 11 979 529 habitants, selon le recensement de 2013. Chacun d'eux se rend au travail, utilise un téléphone portable (ou même plus d'un), descend le métro, se tient dans les embouteillages. Tout cela est surveillé par les services de la ville, les agences gouvernementales, les entreprises privées fournissant divers services. Des milliers de caméras vidéo, des centaines de milliers de capteurs, des moniteurs qui contrôlent la vie de la ville, des millions de téléphones portables, des modems 3G / 4G. Et tous ensemble, ce sont des milliards de sources de données, le traitement desquelles vous pouvez obtenir des informations pour planifier davantage le développement de la ville, gérer ses flux de trafic, assurer la sécurité de la mégalopole. Les solutions de classe Big Data sont l'un des rares outils capables de gérer le traitement d'une telle quantité d'informations. Voyons d'abord où ils peuvent être utilisés.

Données sur la densité de la population et les déplacements

Le principal outil de détermination de la taille et de la structure de la population, sa répartition sur la zone à l'heure actuelle est le recensement. Le principal inconvénient du recensement est le coût de sa mise en œuvre et le manque de données sur les déplacements des résidents. La source d'information pour le recensement est les résidents eux-mêmes, qui sont enquêtés sur leur lieu de résidence.

Quels sont les avantages de l'utilisation de solutions Big Data? Pour répondre à cette question, nous définissons d'abord les données dont nous avons besoin:

où les résidents dorment et travaillent;
où et où ils vont en semaine et le week-end;
quels transports les Moscovites et les hôtes de la capitale utilisent-ils;
où viennent-ils en ville et pourquoi.

Pour collecter ces informations, nous devons d'abord déterminer la source des données et la méthode de leur analyse. Pour déterminer la localisation d'un résident, il est le plus optimal d'utiliser les données de localisation de son téléphone portable (il est toujours avec lui). Comment faire?

Tu peux l'avoir:

les données des opérateurs cellulaires sur l'emplacement du poste téléphonique;
les données de services spécialisés (tels que Yandex.Traffic jams);
données provenant d'applications mobiles avec fonctionnalité de localisation intégrée fournie par la ville pour la commodité des résidents.

Pour analyser les informations reçues, différents algorithmes peuvent être utilisés selon la source, le format et la méthode de leur présentation. Mais voici les principaux points.

La détermination de l'endroit où les résidents passent la nuit et où ils travaillent peut être obtenue en analysant les données sur les mouvements et les actions effectuées. Par exemple, l'absence périodique d'appels de 22h00 à 7h00 et l'absence de mouvement montreront où habite la personne, et l'absence de mouvement pendant les heures de travail - où la même personne travaille, et l'un des critères qui augmente la précision sera la présence du téléphone de l'abonné. ce lieu. Ici, il sera également possible de déterminer à quelle fréquence une personne se déplace pendant les heures de travail, combien de personnes dans la ville occupent des postes liés au mouvement constant (coursiers, chauffeurs et autres professions).

La détermination du sens de circulation des résidents est effectuée de la même manière, selon les mêmes données sur le mouvement des abonnés cellulaires, et vous permet d'identifier les principaux flux de mouvements de résidents locaux, de visiteurs, de travailleurs migrants, de collecter des statistiques sur les mouvements par quartiers et directions, de savoir à quelle événements, attractions de la ville et la popularité de certains endroits de la ville.

En suivant la vitesse de déplacement et les lieux visités, il est possible de distinguer le type de transport utilisé par une personne: voiture, métro, transports publics terrestres, transports interurbains.

Analyse du travail des infrastructures urbaines et assurer la sécurité de la population

Un grand nombre de feux de signalisation, des systèmes de gestion du trafic urbain, des systèmes d'enregistrement vidéo d'événements (caméras de surveillance), le contrôle des transports publics dans une ville de plus d'un million d'habitants nécessitent une approche coordonnée de la gestion et de la centralisation des données. L'un des problèmes identifiés en temps voulu lors de la mise en œuvre des systèmes de vidéosurveillance à l'échelle de la ville était l'impossibilité de contrôler les événements (par exemple pour identifier les actions illégales) par les agents de service opérationnels. Compte tenu des capacités actuelles des technologies modernes, il devient possible de créer des systèmes distribués unifiés qui fournissent à la fois la reconnaissance d'événements provenant de diverses sources (systèmes de contrôle du trafic, caméras de surveillance, etc.) et leurs analyses dans le but d'une réponse rapide: appeler la police, les employés des organisations de réparation et d'autres services opérationnels villes. Une autre application des solutions Big Data est le stockage distribué et à long terme des informations collectées, la recherche des données nécessaires et les événements associés. Qu'est-ce qui a provoqué tel ou tel changement dans la situation dans la ville, quels événements l'ont précédée, qui ont-ils influencé - voilà une petite partie des questions auxquelles le Big Data peut répondre.

Comparaison des données

L'un des moments clés des événements en cours est la définition des caractéristiques des objets qui y sont impliqués. Pour collecter des données, des sources complètement différentes peuvent être utilisées: par exemple, pour les données reçues d'un opérateur cellulaire, - les caractéristiques d'un individu à qui une carte SIM est enregistrée, pour les systèmes de surveillance - des informations provenant de systèmes de reconnaissance faciale, de bases de données départementales. L'un des points clés est la possibilité d'anonymiser les informations, d'exclure les composants personnels lors du transfert de données de divers propriétaires et sources.

Problèmes principaux

Et pourtant, il y a une mouche dans la pommade dans tout cela. Le principal problème de toutes les solutions d'intégration, en particulier si l'échange de données est effectué entre différents services, organisations, sont les restrictions légales qui ne permettent pas la fourniture de données sous la forme dans laquelle elles existent. En conséquence, leur traitement préliminaire est requis du côté du propriétaire.

Total

En résumé, je voudrais noter que les technologies modernes de traitement des «big data» permettent de fournir à la ville bien plus que les services informatiques existants. Dans le même temps, il n'est pas nécessaire de mettre à jour l'infrastructure existante, car les sources de données actuellement disponibles peuvent être utilisées.

Avec l'aide de solutions de la classe Big Data, il est possible d'augmenter la commodité des habitants de la ville et de ses invités, réduire le nombre d'embouteillages non pas dus à des restrictions à l'entrée dans la ville, mais en gérant les flux de trafic, réduire le nombre de délits grâce à une réponse rapide, améliorer la qualité de la fourniture des services de la ville grâce à leur rapidité et automatisation contrôle.

Depuis de nombreuses années, la capitale prédit un effondrement de la circulation en raison de la croissance rapide du nombre de voitures dans ses rues. Cependant, le système de transport intelligent introduit dans la ville ces dernières années ne permet pas à cette prévision de se réaliser. Alexander Polyakov, directeur de l'Institut de recherche et de conception des transports urbains de Moscou (entreprise unitaire d'État MosgortransNIIproekt), qui depuis 2013 est en charge du développement de l'analyse des transports, des systèmes d'information du bâtiment et du développement de programmes de développement complets, a expliqué comment le trafic est contrôlé dans la capitale. infrastructure de transport, étant le chef adjoint du Centre pour l’organisation du trafic du gouvernement de Moscou. Lors du forum BIG DATA 2017, organisé par la maison d'édition Open Systems le 29 mars, il a expliqué comment le complexe de transport de Moscou utilise le Big Data pour développer un système de transport intelligent, comment les systèmes de contrôle du trafic sont créés sur sa base et comment résoudre nos tâches, vous pouvez utiliser les moyens de la réalité virtuelle et augmentée.

- Quand a commencé la «numérisation» des transports moscovites?

Tout a commencé par une résolution sur le développement d'un système de transport intelligent dans la ville, que le gouvernement de Moscou a approuvée le 11 janvier 2011.

Depuis lors, le ministère des Transports travaille au développement des infrastructures de transport en utilisant des systèmes d'information modernes.

Dans le cadre du projet, en 2014, un centre de situation du centre de données a été créé, dont les spécialistes sont responsables de l'organisation du trafic et de tous les systèmes impliqués dans les travaux de ce centre, y compris ceux qui permettent le contrôle des feux de signalisation et des caméras de télévision, la surveillance des conditions de circulation, l'information visuelle des usagers de la route, enregistrement photo et vidéo des violations de la gestion du transport terrestre de voyageurs en milieu urbain.

- Les projets de quels pays ont-ils été prélevés comme échantillons?

L'expérience des États européens, en particulier l'Espagne et l'Allemagne, a été prise en compte, l'expérience de Singapour, de Hong Kong et d'un certain nombre de villes américaines a également été prise en compte. Mais en même temps, nous avons compris que chaque ville est unique, donc l'infrastructure de transport de Moscou se développe selon son propre scénario, sans parler des charges dans les rues. Maintenant, disons, 683 mille voitures roulent à Moscou.

- Comment est la gestion de la situation du trafic dans la capitale maintenant?

Ces dernières années, un certain nombre de systèmes informatiques ont été créés au sein du complexe de transport de Moscou qui résolvent divers problèmes dans ce domaine, notamment l'utilisation du Big Data.

Le modèle de transport statique, construit en 2013, permet de prévoir la situation sur le long terme, en tenant compte de différentes options pour l'évolution des conditions de circulation. Il peut être utilisé pour calculer des scénarios à l'échelle de la ville, qu'il s'agisse de fermetures de circulation à long terme ou de la mise en service de nouveaux viaducs.

Ce modèle, entre autres, prend en compte les données sur les résidents qui nous sont fournies par divers services: le nombre de personnes, leur âge, leur sexe, leur statut social, le nombre de travailleurs, le nombre de chômeurs, etc. Moscou est divisée en zones dites de transport, et nous nous analysons où vont les habitants de chacune de ces zones, pourquoi, à quelle heure.

Grâce aux données obtenues, nous analysons la matrice de correspondance - la totalité de tous les «échanges» de trafic entre les quartiers. Par exemple, s'il y a 600 enfants d'âge préscolaire et 500 places dans les jardins d'enfants d'un quartier, il est évident qu'une centaine d'enfants seront emmenés dans un autre quartier le matin. Pour clarifier le tableau général de ce qui se passe, nous menons des enquêtes qui aident à comprendre quel type de transport et dans quels cas les gens choisissent: quand - une voiture personnelle, quand - les transports publics. En outre, nous devons prévoir comment certains changements dans la planification urbaine ou la gestion du trafic affecteront les préférences de transport des gens, ce qui entraînera des fermetures de routes pendant la construction ou, au contraire, l'ouverture d'une nouvelle.

Nous surveillons la situation actuelle à l'aide d'un modèle de transport dynamique, qui donne une image complète du trafic de Moscou en temps réel et nous permet de répondre aux problèmes émergents. Pour ce faire, DTM agrège les données obtenues à partir des capteurs GLONASS installés dans les transports publics, des caméras d'enregistrement photo et vidéo, des détecteurs de transport - des capteurs radar qui lisent l'intensité du trafic, la vitesse des véhicules et un certain nombre d'autres paramètres.

Le DTM vous permet de contrôler les feux de signalisation, d'analyser les zones à problèmes, par exemple, de détecter les centres d'accidents, les endroits où la congestion se produit tout le temps; identifier les difficultés dans la circulation des passagers et les éliminer; surveiller le fonctionnement des complexes d'enregistrement photo et vidéo mobiles (les soi-disant parkons, délits d'enregistrement), évaluer la demande de transport sur la base de la matrice de correspondance quotidienne.

Sur la base du DTM, une carte interactive du trafic de Moscou a été créée, qui affiche en temps réel des informations sur la congestion du trafic en points, le nombre d'accidents, les véhicules en ce moment et par jour, le transport urbain terrestre de passagers, le nombre d'infractions à la circulation enregistrées par des caméras.

En 2015, des spécialistes DPC basés sur un modèle dynamique ont créé un système de réalité virtuelle et augmentée qui simule un vol au-dessus d'une ville et fournit des données sur la situation du trafic en ligne. Grâce à ce système, vous pouvez déjà voir la congestion qui en résulte en vous connectant à une caméra qui montre une véritable image en trois dimensions de cette zone, ce qui vous permet de mieux comprendre la situation.

Pour les citoyens, cette carte fournit diverses informations (texte, photo et vidéo) sur des objets historiques, culturels et sociaux importants, en fait, la réalité augmentée.

- Par quels canaux informez-vous les citoyens sur la situation du transport routier?

Les données reçues du DTM sont diffusées en temps réel par un certain nombre de stations de radio, le messager Telegram et la signalisation routière. La chaîne de télévision Moscou 24 et son portail Internet m24.ru montrent une carte de la situation actuelle sur les routes de la ville.

Ces informations sont également un moyen de contrôler les flux de transport. Les Moscovites voient la situation dans les rues qui les intéressent, choisissent des voies de contournement, envisagent la possibilité de se déplacer par d'autres moyens de transport, par exemple, ils passent de personnel à public.

- Existe-t-il des indicateurs numériques de votre performance?

Un programme complet de gestion du trafic conçu pour optimiser la gestion des flux de trafic sur les rues de la ville, ainsi que pour augmenter leur débit, a été lancé en 2015. Et dès la première année, des résultats considérables ont été obtenus.

Je vais donner ces chiffres. La ville compte désormais 4,6 millions de voitures immatriculées, tandis que le taux d'accidents, selon la police de la circulation, est le plus bas des dix dernières années. En 2016, par rapport à 2010, le nombre d'accidents de la route a diminué de 45% et le nombre de tués de 56%. Dans la partie centrale de la ville, à l'intérieur du troisième périphérique, la vitesse moyenne des véhicules individuels a augmenté de 11% et celle du transport de passagers de 7%. Le trafic passagers sur les voies réservées mises en place en 2016 a augmenté en moyenne de 11%. L'heure moyenne d'arrivée d'une ambulance a été réduite de 21 minutes à 8, presque trois fois, grâce au fait que des voies pour les transports en commun sont apparues, et les bus et trolleybus peuvent céder la place à l'ambulance, rentrant dans les poches aux arrêts.

Si l'on compare des périodes plus rapprochées, alors en 2016, par rapport à 2015, le nombre d'accidents avec dommages matériels a diminué de 18%, les accidents avec blessés de 12% et le nombre de collisions avec des piétons a diminué de 14%.

- Sur quelles solutions se basent les développements du data center?

Nous prenons les meilleurs développements occidentaux. Par exemple, le système actuel de gestion des feux de signalisation est basé sur une solution espagnole, le modèle de transport statique est construit sur une plate-forme allemande. Mais la solution qui unit tous ces développements est domestique. Tous ces systèmes ont été intégrés par nos spécialistes.

Sur la base de l'expérience accumulée, nous créons des solutions de gestion du trafic pour d'autres villes, à la fois dans notre pays et à l'étranger. Par exemple - pour Téhéran.

- Sommes-nous juste en train de rattraper ou sommes-nous déjà en avance sur d'autres pays d'une certaine manière?

Nous sommes en route vers un nouveau modèle de gestion. L'année dernière, un projet pilote de contrôle automatique des feux de signalisation a été lancé sur la base d'un système de contrôle de la circulation automatisé. Désormais, le système fonctionne sur les autoroutes Altufevskoye et Varshavskoye, ainsi que sur l'avenue Andropov, où les modes des feux de signalisation sont automatiquement modifiés en fonction des données DTM sur la charge de trafic sur les autoroutes. Il n'y a rien de tel dans aucune ville du monde. Par exemple, même dans le système de gestion des transports de Londres Transport for London, les modes de feux de signalisation sont acceptés par les opérateurs.

Nous nous sommes maintenant donné pour tâche d'étendre le travail de ce système à d'autres autoroutes. La difficulté réside dans le fait que toutes les routes sont interconnectées, et il est nécessaire, en "dégageant" certaines, de ne pas arrêter la circulation sur les autres.

- Quels nouveaux projets sont prévus?

Nous continuerons à développer davantage le système de prévision des accidents de la route. Pour faire des prévisions, il analyse en permanence les conditions météorologiques, les caractéristiques des tronçons à problèmes (configurations des goulots d'étranglement, le degré de réduction de leur capacité), les indicateurs de trafic (score moyen de congestion du trafic en ville et sur le tronçon de route, débit sur le tronçon de route, etc.). ).

Nous devons être préparés à l’émergence des véhicules sans conducteur à l’avenir. Leurs navigateurs seront déjà chargés d'informations, par exemple sur la limite de vitesse dans une section particulière, et la voiture choisira indépendamment une limite de vitesse sûre.

Les perspectives à long terme incluent le développement d'un système de transport public, qui devrait devenir une alternative attractive à la voiture particulière. Entre autres, une infrastructure de transport développée est un facteur économique important qui contribue à la concurrence des villes pour attirer les touristes, les entrepreneurs, etc.

Ils aideront à décharger les routes et les systèmes de réalité augmentée. S'il est possible de ne pas aller à la conférence, mais de regarder des performances vidéo à 360 ° depuis le lieu de travail ou même d'y participer, et pas à travers des lunettes spéciales, mais sur un écran de smartphone, alors beaucoup préféreront cette option.

Le transport et la gestion du trafic à Moscou en chiffres

Dans le centre de traitement des données, situé sous le bâtiment du centre de situation du centre de données, il y a plus de 100 serveurs, qui stockent un total d'environ 2 Po de données. Certaines informations sont constamment mises à jour - par exemple, les données reçues des caméras sont stockées sur des serveurs pendant sept jours. En raison de la croissance constante du flux de données, il est prévu d'augmenter considérablement la capacité du serveur.

Un matin de travail ordinaire, environ 700 000 voitures partent pour les principales «artères de transport» de Moscou.

Aux heures de pointe, 71% du trafic passagers se fait dans les transports en commun, c'est pourquoi ce sont ses intérêts au ministère des Transports qui sont au premier plan.

Les caméras vidéo reconnaissent jusqu'à 22 types d'infractions - parmi lesquelles conduire sur le bord de la route ou dans une voie réservée, tourner à partir de la deuxième voie, entrer dans une intersection achalandée, ne pas laisser passer un piéton, passer des camions sans laissez-passer, etc. Par jour, ils transmettent des informations environ 100000 violations (valeur arrondie).

Il y a les concepts de «transport midi» et «transport minuit». A Moscou, ils sont décalés - "midi" dure de 14h00 à 15h00 et "minuit" arrive "à 3 heures du matin.