Technologia Big Data w transporcie. Big data dla dużego miasta. Transport i zarządzanie ruchem w Moskwie w liczbach

Wprowadzenie

Według prognoz analityków 67% firm z branży lotniczej realizuje projekty w oparciu o Big Data, kolejne 10% planuje takie projekty. Jeśli chodzi o linie lotnicze, tutaj realizację projektów na luty 2019 r. Zapowiedziało 44% firm, a plany dotyczące takich projektów zapowiedziało 25%.

Takie są wyniki badania FlightGlobal z grudnia 2017 r. Dotyczącego roli Big Data dla firm lotniczych i linii lotniczych. Analitycy zasięgnęli również opinii na temat udostępniania danych o stanie samolotu producentom oraz firmom zajmującym się naprawami i konserwacją (MOT). W badaniu wzięło udział 300 specjalistów z branży lotniczej i kosmicznej. Większość z nich uważa, że \u200b\u200btechnologie Big Data mogą poprawić niezawodność operacyjną i wydajność linii lotniczych.

Około połowa respondentów stwierdziła, że \u200b\u200bich firmy wykorzystują zbiory danych o stanie samolotów do podejmowania lepszych decyzji. W krótkim okresie udział takich firm wzrośnie do 75%.

Udostępnianie danych OEM / MRO jest nadal problematyczne. Jednak 38% linii lotniczych uważa, że \u200b\u200bmodel ten może przynieść im istotne korzyści biznesowe.

Ankieta firmy Honeywell „Connected Aircraft” opublikowana w maju 2018 r. Wykazała, że \u200b\u200b47% ankietowanych linii lotniczych planuje wydać do 1 miliona dolarów w ciągu następnego roku na podłączenie samolotów do sieci w każdym samolocie, którym latają. Większość z tych firm planuje zrealizować sumę od 0,1 do 0,5 mln dolarów. Jednak w perspektywie pięciu lat 38% przewoźników lotniczych zapowiedziało inwestycje w wysokości 1-10 mln USD na każdy samolot.

Do lutego 2019 r., Kiedy linie lotnicze inwestowały w technologie związane z lotnictwem (technologie połączone), chodziło przede wszystkim o zapewnienie łączności satelitarnej i Wi-Fi. Teraz firmy są gotowe do wykorzystania danych, które mogą uzyskać, korzystając ze sprzętu bezpośrednio na pokładzie. Na przykład takie dane mogą zapewnić oszczędności rzędu 1% na zużyciu paliwa, co odpowiada 50 000 USD na samolot rocznie, obliczyli analitycy Honeywell.

Korzystanie z Big Data przez zagraniczne linie lotnicze

Technologie Big Data są wykorzystywane do realizacji szeregu zadań z zakresu lotnictwa cywilnego. W tym rozdziale zajmiemy się bardziej szczegółowo głównymi obszarami zastosowań lotnictwa w wielu innych krajach. Przede wszystkim jest to naprawa i konserwacja, zapewnienie oszczędności paliwa, tworzenie cyfrowych bliźniaków, optymalizacja działań operacyjnych (w tym przewidywanie opóźnień lotów), generowanie osobistych ofert dla pasażerów itp.

Big Data i utrzymanie zdatności do lotu statków powietrznych

Jednym z tych priorytetowych obszarów w najbliższej przyszłości będzie konserwacja (MOT) i naprawa statków. Zatem 88% respondentów analitycznych spodziewa się, że jest to obszar, w którym będą mogli maksymalnie wykorzystać wykorzystanie technologii. Konserwacja i naprawy znacznie wyprzedzają wszystkie inne ważne obszary. Analiza i naprawy predykcyjne w lotnictwie okazują się skuteczne i dowodzą w praktyce, że połączone technologie działają.

Po konserwacji i naprawach respondenci spodziewają się korzyści wynikających z wdrożenia powiązanych technologii pilotażowych, w tym optymalizacji zużycia paliwa i czasu przestojów samolotów, a także obsługi pasażerów.

Dlatego w badaniu „Sky High Economics: Evaluating the Economic Benefits of Connected Airline Operations” analitycy zauważają, że połączone statki powietrzne mogą przesyłać dane do chmury lub serwerów naziemnych, gdzie dane te mogą być analizowane przy użyciu narzędzi Big Data Analytics. Pozwala to na przykład przewoźnikom lotniczym rozwiązywać problemy, zanim staną się poważnymi problemami. Uzyskane informacje mogą być wykorzystane do podejmowania lepszych decyzji i redukcji kosztownych przestojów statków powietrznych (Aircraft on Ground).

Ponadto, wraz z pojawieniem się modelowania predykcyjnego, stała się możliwa wymiana części, które na podstawie analizy zidentyfikowano jako wymagające wymiany, zanim ulegną awarii, czyli podczas planowych napraw i prac konserwacyjnych. Wszystko to pomaga obniżyć koszty i zwiększa bezpieczeństwo lotów.

Digit Twins. Co to jest?

Stosowanie tzw. „Cyfrowych bliźniaków” jest również ściśle związane z tematem napraw predykcyjnych (proaktywnych). Jednak w odróżnieniu np. Od branży naftowo-gazowej, gdzie płyty CD są już w praktyce wykorzystywane przez szereg dużych firm, w branży lotniczej temat ten jest wciąż szerzej dyskutowany na poziomie ekspertów i analityków.

W 2019 roku eksperci branży lotniczej zaczęli aktywnie promować wykorzystanie „cyfrowych bliźniaków”: kierownictwo szwedzkiej firmy IFS, twórcy oprogramowania dla klientów korporacyjnych, w tym branży lotniczej, ogłosiło w kwietniu 2018 r., Że jedna z innowacji technologicznych, które mogą pomóc liniom lotniczym wydajna eksploatacja statków przy jednoczesnym obniżeniu kosztów utrzymania i napraw to „cyfrowe bliźniaki”. Cyfrowe bliźniaki to wirtualne repliki zasobów fizycznych, które mogą zademonstrować działanie silnika inżynierom na ziemi, gdy samolot jest w powietrzu. Aby było to możliwe, inżynierowie instalują tysiące punktów gromadzenia danych podczas projektowania i produkcji silnika. Następnie są używane do tworzenia model cyfrowyktóry monitoruje i steruje silnikiem w czasie rzeczywistym, zapewniając niezbędne informacje przez cały cykl życia, taki jak temperatura, ciśnienie i przepływ powietrza.

Firma GE pomogła w opracowaniu cyfrowego bliźniaka podwozia samolotu. Czujniki umieszczono na częściach podwozia najbardziej narażonych na pękanie. Dane w czasie rzeczywistym, takie jak ciśnienie i temperatura, były udostępniane technikom, pomagając przewidzieć awarie lub pozostałą żywotność. Dane te porównano z danymi pochodzącymi od cyfrowego bliźniaka, który był poddawany podobnemu stresowi.

Aby wdrożyć predykcyjny model napraw i konserwacji, zaangażowane zostaną dwa rozwiązania - pokładowy system wymiany danych dotyczących operacji lotniczych i konserwacji (FOMAX) oraz zestaw narzędzi do analizy danych z pokładowego statku powietrznego Skywise. FOMAX, serwer firmy Rockwell Collins, gromadzi dane dotyczące konserwacji i osiągów samolotów, automatycznie wysyła je do inżynierów i techników. SkyWise, oparta na chmurze platforma analityczna, została opracowana wspólnie przez Airbus i Palantir Technologies.

System FOMAX odbiera wszystkie dane z pokładowego systemu FDIMU (jednostki zarządzania interfejsem danych lotu). FOMAX posiada funkcjonalność routera 4G: po wylądowaniu statku wszystkie dane przesyłane są przez anteny 4G Gatelink do platformy analitycznej Skywise i analizowane przez specjalistów Airbusa. Na potrzeby analizy specjaliści Airbusa niezależnie opracowali specjalne modele umożliwiające przewidywanie wystąpienia problemów systemowych. Po przeprowadzeniu analizy jej wyniki są przekazywane specjalistom EasyJet, którzy samodzielnie podejmują decyzje o potrzebie konserwacji predykcyjnej lub napraw. Na podstawie otrzymanych informacji specjaliści linii lotniczej mogą stworzyć algorytmy, które pozwolą w przyszłości przewidzieć wystąpienie konkretnego problemu na którymkolwiek z samolotów.

Samoloty modelu A320 z FOMAX są w stanie zebrać ponad 24 000 parametrów, czyli w 100% zebrać informacje z systemów i komponentów samolotu. Samoloty bez FOMAX gromadzą 400 parametrów, czyli 2% dostępnych informacji.

Kierownictwo Delta twierdzi, że jej program konserwacji predykcyjnej pomaga linii lotniczej w znacznym ograniczeniu zakłóceń: w ciągu ostatnich 12 miesięcy stosowanie proaktywnej obsługi pomogło uniknąć 1200 opóźnień lub odwołań lotów.

Program korzysta z danych pochodzących z różne systemyjak na przykład Aircraft Health Management firmy Boeing, z systemów Airbus i GE. Jednocześnie podstawę floty samolotów linii stanowią samoloty, które powstały jeszcze przed momentem, gdy pozyskiwanie i analiza danych stały się funkcją obowiązkową. Po przeanalizowaniu uzyskanych danych program opracowuje zalecenia dotyczące wymiany części i mechanizmów. Delta Air Lines informuje, że zastosowane oprogramowanie wykazuje 95-procentową dokładność w zalecaniu wymiany części.

Prezentując rozwiązanie startup wskazał, że wiosną 2018 roku należy wdrożyć pilota z dużym międzynarodowym przewoźnikiem lotniczym. Jednak każdy dodatkowe informacje na ten temat nie została opublikowana.

Wykorzystanie Big Data do analizy i prognozowania popytu na podróże lotnicze

Sabre Corporation, deweloper technologii lotniczych, producent rozwiązań dla globalnej branży turystycznej, ogłosił w listopadzie 2017 r., Że podpisał wieloletnią umowę, na mocy której linie Hong Kong Airlines otrzymają rozwiązanie MIDT (Market Information Data Tapes). Ta decyzja to baza danych zapewniająca dostęp do historycznych i prognozowanych (do 11 miesięcy) danych dotyczących rezerwacji. Posiadanie tego produktu umożliwia liniom lotniczym analizę wpływu środków w zakresie kształtowania taryf, programów marketingowych.

Hong Kong Airlines spodziewa się wykorzystania tego produktu w swoich planach wprowadzenia na rynek północnoamerykański. Produkt umożliwia generowanie raportów oraz posiada funkcjonalność analityczną, która pozwala użytkownikowi zidentyfikować optymalne kanały realizacji strategii marketingowej. Hong Kong Airlines będą miały dostęp do danych od agentów Sabre na całym świecie dla wszystkich punktów odlotu i przeznaczenia, w których obecna jest linia lotnicza.

Big Data w celu poprawy satysfakcji klientów i personalizacji

British Airways, jeden z TOP 10 pod względem ruchu pasażerskiego, od 2013 roku wykorzystuje Big Data Analytics do podnoszenia poziomu usług dla swoich klientów: przewoźnik zbiera różne dane o pasażerach w specjalnym magazynie, a następnie przesyła je do programu „Know Me”. Celem programu jest poznanie i lepsze zrozumienie potrzeb klientów, a także wykorzystanie danych zgromadzonych podczas wszelkiego rodzaju kontaktów z tymi klientami do podnoszenia poziomu ich obsługi.

„Know Me” zawiera różne dane o pasażerach: zachowanie podczas składania zamówień online, życzenia przy dokonywaniu zakupów, preferencje przy wyborze miejsca. Wszystkie te informacje są generowane automatycznie i automatycznie wykorzystywane przy kolejnej rezerwacji dokonanej przez klienta.

Program jest oparty na oprogramowaniu analitycznym firmy Opera Solutions. Wykorzystywana jest również wyszukiwarka grafiki Google, która pozwala pracownikom linii lotniczych rozpoznać szczególnie ważnych i wielu latających pasażerów już w momencie ich wejścia na lotnisko lub business box, a tym samym zaoferować im wysokiej klasy obsługę.

Inny ważny gracz rynkowy, Virgin Australia, ogłosił pod koniec 2017 r., Że optymalizuje wydajność swoich aplikacji do uczenia maszynowego. W tym celu firma pozyskała startup DataRobot. Amerykański startup opracował platformę analityki predykcyjnej do szybkiego tworzenia i wdrażania modeli predykcyjnych. Platforma już pomaga Virgin Australia skrócić czas modelowania predykcyjnego o 90%, jednocześnie poprawiając dokładność prognozowania o 15%.

Od lutego 2019 roku linia lotnicza pracuje nad optymalizacją swojego programu lojalnościowego Velocity Frequent Flyer za pomocą analiz predykcyjnych, aby wspierać klientów linii lotniczej w wyborze najlepszego czasu na wymianę punktów. DataRobot ma za zadanie tworzyć prognozy / modele dotyczące tego, kto najprawdopodobniej będzie podróżował, jaką cenę i jaki rodzaj podróży preferuje podróżny. Ogólnie mówimy o podniesieniu poziomu usług dla członków programu lojalnościowego linii lotniczej.

Korzystanie z inteligentnych chatbotów

Pierwszym rozwiązaniem jest model chatbota, który jest bliski komunikacji międzyludzkiej. W tym samym czasie do poprawy możliwości konwersacyjnych wykorzystano aplikację uczenia maszynowego o nazwie LUIS (Language Understanding Intelligence Service). Ponadto w chatbocie zintegrowane są usługi kognitywne, w szczególności rozpoznawanie twarzy. Dzięki temu klienci linii lotniczych będą mogli poprosić o listę filmów, w których gra dany aktor, do obejrzenia na pokładzie. Aby to zrobić, wystarczy załadować zdjęcie tego aktora do aplikacji.

Drugie rozwiązanie to aplikacja sztucznej inteligencji do analizy treści wideo z wykorzystaniem uczenia maszynowego. Platforma była w stanie zidentyfikować określone obiekty, scenariusze lub treści z ograniczeniami wiekowymi, co często jest wymagane zgodnie z wymogami dotyczącymi zawartości linii lotniczych. Na przykład, sztuczna inteligencja możliwość wykrywania i odfiltrowywania treści związanych z miejscami katastrof lotniczych lub treści dla dorosłych.

W kwietniu 2018 roku FoxTripper po raz pierwszy zademonstrował swój program „ruchomej mapy”. Program dostarcza pasażerom informacji o lokalizacjach, nad którymi przelatuje samolot, oraz umożliwia pasażerom dokonywanie rezerwacji w miejscach docelowych. Dane zebrane podczas lotu, w połączeniu z danymi pasażera linii lotniczej, pozwalają przewidzieć łącznie, jakie produkty i usługi są dla niego istotne.

Innym ciekawym przykładem jest Gogo Air. Firma oferująca usługi informacyjno-rozrywkowe dla pasażerów podczas lotu wykorzystuje sztuczną inteligencję i systemy uczące się, aby pomóc liniom lotniczym w ulepszaniu ich usług. Gogo Air korzysta z zestawu narzędzi Adobe Analytics, w tym Virtual Analyst, narzędzia do uczenia maszynowego do zbierania informacji o klientach wielu głównych linii lotniczych.

Zapewniając treści rozrywkowe i dostęp do Wi-Fi podczas lotu, Gogo Air gromadzi informacje o pasażerach korzystających z tych usług. Następnie te informacje są przetwarzane i analizowane. W rezultacie linie lotnicze otrzymują dane, które pomagają im poprawić obsługę klienta i często oferują swoim pasażerom bardziej ukierunkowane produkty. Linie lotnicze dowiadują się, jakie produkty mogą interesować ich klienci podczas lotu, jakich urządzeń używają podczas lotu, ile czasu są skłonni spędzać w Internecie lub jaką rozrywkę preferują w samolocie.

Linie lotnicze wykorzystują otrzymane dane do personalizacji usług w oparciu o kontekst sytuacyjny, na przykład dostosowując ekrany systemów informacyjno-rozrywkowych samolotu do klienta, w zależności od długości lotu, urządzeń używanych przez pasażera oraz celu podróży.

Technologie cateringu na pokładzie nie ustępują. Tak więc w kwietniu 2018 roku w Hamburgu firma Black Swan Data, która tworzy rozwiązania do analizy danych, zawarła umowę o współpracy z gategroup. Celem współpracy jest analiza danych pasażerów i trendów w sieciach społecznościowych, aby przewidzieć, jakie menu wybiorą pasażerowie w samolocie. Pasażerowie będą mogli zamówić i spodziewać się ulubionych posiłków po wejściu na pokład. Projekt pilotażowy obu firm przyniósł dobre wyniki: udało się zmniejszyć marnotrawstwo żywności o 50% i zwiększyć produktywność o 15%.

W maju 2018 roku firma SITA zajmująca się rozwiązaniami lotniczymi zaproponowała system śledzenia i zarządzania bagażem. Opracowana przez nią technologia BagJourney umożliwia coraz większej liczbie linii lotniczych zarządzanie operacjami bagażowymi. Tylko w pierwszych sześciu miesiącach 2018 roku ponad 20 przewoźników wybrało to rozwiązanie. SITA BagJourney to jedno z kluczowych rozwiązań pomagających branży lotniczej w przestrzeganiu rezolucji IATA 753, która nakazuje śledzenie bagażu na każdym etapie podróży.

Rozwiązanie SITA BagJourney jest wykorzystywane każdego roku do obsługi setek milionów sztuk bagażu. Według użytkowników rozwiązanie to zmniejsza liczbę błędów o 30%. BagJourney jest kompatybilny z różnymi urządzeniami, w tym z przenośnymi urządzeniami skanującymi lub urządzeniami stacjonarnymi.

Według BahamasAir, jednego z użytkowników rozwiązania, po jego wdrożeniu w ciągu 7 dni udało się przeprowadzić proces pełnego przejścia na urządzenia mobilne, aby śledzić cały bagaż w dwóch najbardziej obciążonych miejscach bagażowych - Nassau i Miami. Według wyników półrocza liczba reklamacji dotyczących problemów z bagażem na najbardziej ruchliwej trasie spadła o 60%. Linia lotnicza planuje wdrożenie rozwiązania we wszystkich kierunkach i oczekuje, że do końca roku będzie ono w pełni zgodne z wymogami Uchwały 753.

Wywiad z ekspertami

Zastosowanie technologii Big Data w rosyjskim lotnictwie cywilnym

Praca z reputacją klienta ma ogromne znaczenie dla firm transportowych, w tym lotniczych. Sieci społecznościowe umożliwiają zbieranie informacji zwrotnych od pasażerów w czasie rzeczywistym i szybkie odpowiadanie na nie.

Zaletami rozważanego systemu są możliwość ciągłego śledzenia satysfakcji z firmy i interakcji z użytkownikami w sieciach społecznościowych; zapewnienie bezpieczeństwa i identyfikacja organizacji terrorystycznych, ekstremizmu i innych problemów; ciągłe doskonalenie oferty dla klienta poprzez analizę w sieciach społecznościowych oraz możliwość bezpośredniej komunikacji z operatorem; utrzymanie reputacji linii lotniczej poprzez szybki kontakt z publicznością w sieciach społecznościowych; analiza preferencji użytkowników i przygotowanie indywidualnych ofert produktowych, a także skuteczna reklama ukierunkowana. Więcej o projekcie -

Krajowy DBMS Tarantool w projekcie analizy dużych zbiorów danych

Aeroflot wdrożył algorytmy analizy predykcyjnej w ramach projektu platformy do analizy i przetwarzania żądań pasażerów w sieciach społecznościowych. Jako DBMS wykorzystano rozwój krajowy - rozwiązanie Tarantool firmy Mail.Ru Group.

Kompleks składa się z dużej liczby modułów, które obejmują zarówno wymagania funkcjonalne biznesowe, jak i moduły do \u200b\u200bintegracji z istniejącą infrastrukturą IT PJSC Aeroflot oraz różne kanały przyjmowania zgłoszeń (sieci społecznościowe, e-mail, oficjalna strona internetowa, konto osobiste).

Pierwszy moduł odpowiada za identyfikację klienta na podstawie kompleksowej analizy danych, zarówno samego tekstu, jak i danych z profilu autora. Dzienna liczba połączeń może dochodzić nawet do kilku tysięcy.

Drugi moduł służy do wyszukiwania zduplikowanych trafień. Kopiowanie tekstu do umieszczenia w różnych zasobach lub wysłanie pocztą. Identyfikowane są semantycznie podobne posty w celu zidentyfikowania klastrów, które są incydentami. Obsługa kilku takich stanowisk jednocześnie prowadzi do znacznego zmniejszenia obciążenia odpowiedzialnych pracowników.

Trzeci moduł „Infoprovods” jest jednym z najważniejszych w systemie. Jego główną cechą jest przewidywalna identyfikacja niebezpiecznych postów jeszcze przed rozpoczęciem wzrostu aktywności. W ten sposób wbudowane algorytmy wskazują na potencjalną „bombę informacyjną” i pozwalają zneutralizować utratę reputacji.

Obliczona liczba dostępów do danych była równa kilku tysiącom żądań na sekundę z wymaganą odpowiedzią w ciągu kilku milisekund. Aby sprostać wysokim wymaganiom klienta, jak np. Przepisany limit czasu trzech sekund na wzbogacenie zabiegu o różne właściwości, wymagane było zastosowanie najnowocześniejszego oprogramowania. Na podstawie wyników testów wydajnościowych, jakości i funkcjonalności przechowywania danych zdecydowano się na wykorzystanie rodzimego rozwoju - Tarantool DBMS.

Tarantool jest wykorzystywany w Platformie jako operacyjna baza danych, w której zapisywane są zapytania w postaci specjalnych struktur danych wymaganych dla algorytmów analitycznych. Ekstremalnie wysoka wydajność oraz obecność w bazie danych takich właściwości jak indeksy wtórne oraz obsługa dużej ilości połączeń bez utraty wydajności pozwoliły z powodzeniem wdrożyć powyższe moduły funkcjonalne bez wychodzenia poza wyznaczone ramy czasowe.

Wykorzystanie rodzimych rozwiązań w tak dużej firmie jak Aeroflot jest niezwykle ważne. Rosyjskie oprogramowanie często nie jest gorsze i, jak w naszym przypadku, przewyższa zagraniczne odpowiedniki. Dlatego wybrano Tarantool. I oczywiście spełnia się ważny czynnik substytucji importu, co dla naszej firmy jest jednym z kluczowych priorytetów na najbliższe lata.

Kirill Bogdanov, dyrektor ds. Informatyki PJSC „Aeroflot”

Bazując na wynikach wdrożenia, klient korzystając z Platformy znacznie zwiększył efektywność procesu rozpatrywania reklamacji i zgłoszeń klientów przez odpowiedzialnych pracowników PJSC Aeroflot, drastycznie skrócił czas dostarczenia zgłoszenia oraz czas załatwienia / załatwienia sprawy dzięki mechanizmom wzbogacania odwołania o kontekst, ton, tematy (tagowanie), profil autor itp. Wszystko to ma na celu osiągnięcie pozytywnego efektu ekonomicznego i reputacyjnego na niemal wszystkich etapach świadczenia usług na rzecz PJSC Aeroflot. Opierając się na udanych doświadczeniach, wszyscy uczestnicy projektu będą nadal używać oprogramowania Tarantool w swoich projektach i wzmacniać partnerstwa

Technoserv wdrożył inteligentny system segmentacji klientów dla Aeroflot

Technoserv potwierdził, że technologie Big Data są generalnie poszukiwane w branży transportowej, co potwierdza wzrost liczby projektów wykorzystujących te technologie. Jednocześnie, jej zdaniem, tematy projektów są zupełnie inne. Są to zadania polegające na zwiększeniu personalizacji komunikacji z klientami, proaktywnej naprawie sprzętu, prognozowaniu popytu i innych zadaniach, które są rozwiązywane za pomocą algorytmów uczenia maszynowego oraz analizy dużych ilości ustrukturyzowanych, nieustrukturyzowanych i częściowo ustrukturyzowanych danych zarówno dla linii lotniczej, jak i jej partnerów. Zwiększono szybkość rozliczania z 14 dni do 23 sekund.

Zawarliśmy umowę kupna biletu lotniczego przez otwarty blockchain API do banku, ale jestem pewien, że z takiego schematu już niedługo skorzysta wiele firm na całym świecie. Platforma blockchain może znacząco zoptymalizować procesy biznesowe. Automatyzuje każdy schemat rozliczeń, nawet bardzo złożony - na przykład dostawy magazynowe. Przy takim mechanizmie prawie nie jest wymagany udział człowieka: nie ma potrzeby wystawiania faktur, przeprowadzania uzgodnień, pisania aktów. Potencjalnie do platformy mogą być podłączeni dostawcy usług cateringowych, paliwowych, lotniskowych - wszystkie te firmy, z którymi S7 Airlines stale i nie tylko współpracują. (Inteligentne kontrakty dotyczące paliwa lotniczego, AFSC) oparte na blockchain. Projekt pozwolił zautomatyzować planowanie i rozliczanie dostaw paliw oraz ma na celu przyspieszenie rozliczeń przy tankowaniu samolotów.

Według oświadczenia przedstawicieli Gazprom Neft jest to pierwsze doświadczenie w stosowaniu technologii rozproszonych rejestrów na rosyjskim rynku lotniczym. Z ich pomocą linia lotnicza była w stanie natychmiast zapłacić za paliwo bezpośrednio przy tankowaniu w samolocie bez przedpłaty, gwarancji bankowych i ryzyka finansowego dla stron transakcji. Podejście to zwiększa efektywność transakcji finansowych i zmniejsza koszty pracy, zdaniem koncernu naftowo-gazowego.

Przewidywanie awarii samolotów S7 Airlines przy użyciu uczenia maszynowego i analizy dużych zbiorów danych

Na początku marca 2018 roku S7 Airlines opracowały system konserwacji predykcyjnej. Według samej firmy, jako pierwszy rosyjski przewoźnik lotniczy zakończył prace nad takim systemem.

Początkowo jest używany w samolotach Airbus A319. W przyszłości system zostanie dostosowany do całej floty samolotów.

System konserwacji predykcyjnej analizuje szereg danych historycznych dotyczących obsługi technicznej statków powietrznych i eksploatacji poszczególnych komponentów.

Oprogramowanie do analizy i kreślenia danych model matematyczny został opracowany przez specjalistów S7 Airlines wspólnie z rosyjska firma Datadvance, specjalizująca się w rozwiązaniach do analizy predykcyjnej.

W marcu 2018 r. Zbiór danych za okres od 2012 do 2017 r. Był już dostępny do analizy. Są to dane rejestrowane w systemach telemetrii statków powietrznych, bazy danych holdingu obsługi i napraw S7 Technics oraz dane meteorologiczne.

Główne zadania, które firma spodziewa się rozwiązać przy pomocy konserwacji predykcyjnej, to zmniejszenie liczby opóźnionych lotów z przyczyn technicznych, poprawa bezpieczeństwa lotów i efektywności obsługi statków oraz przewidywanie prawdopodobieństwa awarii każdego samolotu we flocie firmy.

Kilkaset tagów RFID w każdym z samolotów jest przymocowanych dosłownie do wszystkiego, co nie jest przybite - od kamizelek ratunkowych po pasy bezpieczeństwa. Ponadto metki są przymocowane do żaroodpornych rękawic, megafonów, butli z tlenem, masek, gaśnic itp.

Celem projektu jest przyspieszenie inwentaryzacji sprzętu ratunkowego, który pojawia się po każdym locie. Jedna ze stewardów uruchamia specjalną aplikację na tablecie i przechodzi po kabinie skanując tagi RFID. Na każdy wykryty tag odpowiada krótki sygnał dźwiękowy, a na koniec aplikacja generuje raport o obecności całego sprzętu ratowniczego. Raport jest natychmiast przesyłany na serwer: w tabletach są zainstalowane karty SIM, a część chmurowa jest realizowana w oparciu o Microsoft Azure.

Brak wyposażenia jest od razu widoczny w raporcie, odpowiednio w tym przypadku nie wydaje się komendy wysyłania autobusów na płycie postojowej z pasażerami i są one sprawdzane.

Bez wyposażenia samolot nie może zostać wpuszczony na następny lot (czyli jeśli na pokładzie nie ma wystarczającej ilości kamizelki ratunkowej, oznacza to, że jednemu z pasażerów odmówi się transportu). Ręczna inwentaryzacja zajmuje znacznie więcej czasu i wysiłku: pod krzesłami znajduje się tylko 189 kamizelek i wszystkie należy sprawdzić. Tym samym dzięki technologii Pobeda RFID udało się skrócić minimalny czas postoju samolotu z 30 do 25 minut. To jeden z kluczowych wskaźników KPI w lotnictwie pasażerskim: chodzi o to, że im mniej czasu upływa od przybycia na lotnisko do wylotu następnym lotem, tym wyższa jest efektywność ekonomiczna linii lotniczej, ponieważ samolot generuje dochód tylko wtedy, gdy leci i nie stoi na ziemi. Przy wielkości floty Pobedy wynoszącej półtora tuzina samolotów skrócenie czasu inwentaryzacji każdego samolotu o 5 minut umożliwia wykonanie co najmniej jednego dodatkowego lotu bez zwiększania floty samolotów.

Utworzenie centrum innowacji w dziedzinie lotnictwa cywilnego w celu wzmocnienia ekspertyzy w zakresie Big Data

W 2017 roku Innodata, rosyjski producent oprogramowania w dziedzinie innowacyjnych technologii, wraz z rosyjskim Uniwersytetem IT Innopolis utworzyli Centrum Innowacji Lotnictwa Cywilnego (CIGA). Celem stowarzyszenia jest rozwijanie obecności technologicznej i cyfrowej we współczesnym lotnictwie cywilnym, przyczynianie się do ujawniania istoty i znaczenia nowoczesnych technologii wpływających na podaż i popyt dla graczy branży lotniczej oraz integracja innowacji cyfrowego świata z obecnymi technologiami lotnictwa cywilnego. W 2018 roku Grupa Kapitałowa RAMAX została partnerem Centrum w celu wzmocnienia dotychczasowej wiedzy technologicznej oraz opracowania specjalistycznych rozwiązań dla przemysłu lotniczego.

Główne obszary działalności to odpowiednio rozwój istniejących i tworzenie nowych rozwiązań dla przemysłu lotniczego. Centrum prowadzi zarówno działalność edukacyjną, jak i projektową, niezależnie od tego, czy jest to realizacja projektów w płaszczyźnie naukowo-technicznej, innowacyjnej czy informacyjno-analitycznej. CIGA jest również otwarta na projekty pilotażowe w celu promowania zaawansowanych technologii i rozwiązań oraz jest gotowa wspierać rozwój.

Wirtualna rzeczywistość do walki z aerofobią, nawigacja lotniskowa w oparciu o technologie wirtualnej rzeczywistości, analiza behawioralna działań pracowników w polu informacyjnym, prognozowanie siły nabywczej pasażerów i generowanie dynamicznych rekomendacji zmian cen biletów, planowanie rozkładów lotów i analiza optymalizacji rozkładu sezonowego, predykcyjne zarządzanie ruchem pasażerskim, zarządzanie personelem na lotniskach, opracowanie systemu doboru osobistych pakietowych ofert usług linii lotniczej i partnerów, a także metody skanowania powierzchni samolotów podczas obsługi po locie, analiza drogi startowej, zarządzanie poziomem overbookingu, analiza zainteresowań pasażerów i tworzenie dla nich propozycji.

Wniosek

Omówione powyżej przykłady pokazują, że linie lotnicze to już nie tylko samoloty, przewoźnicy, do których przyzwyczailiśmy się. Ważną podstawą ich rozwoju są technologie umożliwiające np. Personalizację usług. Indywidualne oferty, które sprawiają, że podróż każdego pasażera jest maksymalnie wygodna. Wyszukaj informacje dotyczące podróży, zamów bilety, zapytania - wszelkie działania w sieci pozostawiają cyfrowe ślady, które można przeanalizować w celu stworzenia najdokładniejszego pakietu usług. Ponadto praca z dużymi zbiorami danych może zwiększyć lojalność klientów, na przykład poprzez szybkie reagowanie na żądania pasażerów.

Systemy produkcyjne generują jeszcze więcej danych. Samoloty, lokomotywy kolejowe i pociągi są źródłem ogromnego strumienia danych technicznych, które pochodzą z czujników zainstalowanych w silnikach i systemach podtrzymywania życia. Szczegółowa analiza tych danych pozwala zidentyfikować i przewidzieć potrzebę naprawy określonej części. W ten sposób mogą podnieść poziom bezpieczeństwa, a także zaoszczędzić znaczne koszty dla przewoźników. Czas potrzebny na naprawy jest skrócony, a statek powietrzny może być używany zgodnie z przeznaczeniem przez dłuższy okres.

Proponowany materiał poruszył niektóre z możliwości i praktycznych skutków wykorzystania technologii Big Data w przemyśle lotniczym, które w rzeczywistości z dnia na dzień stają się coraz większe.

10.01.2018, pon. 10:03 czasu moskiewskiego , Tekst: Maria Sysoykina

Centrum Innowacji Bezpiecznego Transportu, powstałe rok temu w ramach moskiewskiego metra, skupia twórców rozwiązań do pracy z technologiami cyfrowymi. W ramach pierwszej sesji strategicznej centrum innowacji odbyła się dyskusja na temat nowych technologii oferowanych przez rosyjskie firmy, a także inicjatyw już realizowanych przez centrum.

Społeczność wokół „Bezpiecznego transportu”

Centrum Innowacji Bezpiecznego Transportu zaczęło tworzyć społeczność ekspertów i deweloperów w celu wymiany pomysłów i doświadczeń dotyczących wykorzystania nowoczesnych technologii w rozwiązywaniu różnych problemów transportowych Moskwy. Społeczność skupi zarówno te firmy, które już współpracują z Safe Transport, jak i nowych członków. Na pierwszej sesji strategicznej centrum przedstawiciele firm ABBYY, Maxima Telecom, Yandex.Taxi, Avito, Software Product i inni podzielili się wizją niezbędnych zmian technologicznych w transporcie w Moskwie, omówili rolę technologii w tworzeniu nowych innowacyjnych usług oraz zaproponował pomysły na personalizację interakcji miasta z jego mieszkańcami.

Big data zmienia komunikację

Pomysł stworzenia centrum narodził się w sierpniu 2018 roku, a głównym celem tej inicjatywy jest zmiana interakcji z pasażerami, przeniesienie komunikacji z obywatelami na nowy, spersonalizowany poziom. Analiza Big Data pomoże Ci osiągnąć Twoje cele. Centrum innowacji ma możliwość pracy z danymi organizacji podległych działowi transportu, prowadzenia badań, testowania hipotez, wykonywania prac nad budową segmentów dla firm komunikacyjnych.

„Zbieramy wiele niejednorodnych, zdepersonalizowanych danych o pasażerach i na podstawie analizy możemy dostarczyć obywatelom ukierunkowane informacje o ważnych informacjach” - wyjaśnia szef Centrum Innowacji Yuri Emelyanov... - Scenariusze mogą być bardzo różne. Na przykład zmiany tras, naprawy, blokady ruchu często występują w związku z niektórymi wydarzeniami lub czynnościami. Analizując dane, możemy w sposób spersonalizowany informować pasażerów, którzy często podróżują na tych trasach. ”

Projekty ośrodków innowacji

W skarbcu Centrum są też większe projekty, np. Analiza satysfakcji z użytkowania dzielnic moskiewskich transportem lądowym... Eksperci Centrum przeprowadzili liczne ankiety na ten temat, przeanalizowali wyniki i na ich podstawie sformułowali inicjatywy zmiany tras, rozkładów jazdy i przystanków. Centrum przedkłada te inicjatywy różnym komitetom sterującym działającym w ramach kompleksu transportowego, a po zatwierdzeniu są one wdrażane przez podległe organizacje. Informacja zwrotna o realizowanych inicjatywach jest ponownie przesyłana do centrum innowacji, gdzie oceniane są efekty pracy i stopień zadowolenia mieszkańców. Ten program rozpoczął się w marcu 2018 roku i do tej pory okazał się całkiem udany. Obecnie Centrum aktywnie uczestniczy w podobnym programie dla moskiewskiego metra.

Szczególnie interesujący jest projekt Centrum wsparcia analitycznego wydarzeń w ramach Mistrzostw Świata FIFA. Eksperci centrum przeanalizowali ruch pasażerski w dniach meczów rozgrywanych na moskiewskich stadionach (Łużniki, Spartak, strefa kibica na Worobowych Górach), jak najszybciej po meczu przeprowadzili badania satysfakcji i opracowali zalecenia dotyczące optymalizacji obciążenia systemu komunikacyjnego miasta i zwiększenia jego efektywności. organizacja usług transportowych.

Ocena rozkładu obciążeń na stadionie Łużniki. Fragment raportu analitycznego z meczu Rosja - Arabia Saudyjska, który odbył się 14 czerwca w dniu otwarcia mistrzostw

Obsługa aplikacji mobilnych dla obywateli stała się odrębnym obszarem pracy centrum. Safe Transport współpracuje z wieloma programistami, w tym z firmą Infocompass, która rozwija aplikację Moscow Assistant. „Staramy się wspierać inicjatywy tworzenia różnorodnych usług dla obywateli w oparciu o aplikacje mobilne. Dla nas jest to jeden z kanałów komunikacji z mieszkańcami miasta - mówi Yuri Yemelyanov. „Na przykład eksperci Centrum wspólnie z twórcami aplikacji mobilnej Moscow Assistant pracują nad udoskonaleniem algorytmu rozpoznawania państwowej tablicy rejestracyjnej”. Centrum Innowacji ma wiele ambitnych celów na nadchodzący 2019 rok.

„Megafon” opracował i przedstawił na użytek „córek” Kolei Rosyjskich wersję testową usługi analizy ruchu pasażerskiego opartą na „big data” - informuje RBC powołując się na przedstawiciela operatora Maxima Motina. Narzędzie pomaga określić wielkość i szczegółową charakterystykę rynku transportowego, a także udział w nim firmy transportowej w czasie zbliżonym do rzeczywistego.

Idzie teraz praca przygotowawcza o wdrożeniu systemu do analizy Big Data - potwierdził Oleg Jemchenko, szef działu systemów ERP (systemy planowania zasobów przedsiębiorstwa) działu informatycznego FPC Russian Railways. „Można to wdrożyć tylko w ramach konkretnego projektu w 2016 roku” - powiedział Jemczenko.

Usługa geoanalityczna „Megafon” została uruchomiona w 2013 roku, a jej początkowym celem było przewidywanie obciążenia sieci. Z jego pomocą można oszacować dokładną wielkość ruchu pasażerskiego, uzyskać informacje o trasach (kto, kiedy, gdzie i dokąd jedzie), rozkładzie według środka transportu. Usługa ocenia również zdolność płatniczą pasażerów i charakter podróży (podróże służbowe, turystyka, potrzeby osobiste). Wszystkie dane są zdepersonalizowane.

Możesz analizować ponad 10 tysięcy zdarzeń na sekundę na podstawie ponad tysiąca parametrów - powiedział Roman Postnikov, dyrektor MegaFon ds. Marketingu segmentowego i analizy klientów. W ciągu trzech lat zgromadzono ponad 5 petabajtów informacji - ilość porównywalna z ponad 30 miliardami zdjęć na Facebooku. Postnikov zapewnia, że \u200b\u200blista parametrów do analizy jest ustalana dla każdego klienta, czyli w rzeczywistości nadchodzi o uniwersalnym rozwiązaniu chmurowym, z którego mogą korzystać zupełnie różni klienci, którzy potrzebują analizować duże ilości danych.

Megafon obliczył, że firmy transportowe w Rosji wydają ponad 1,2 miliarda rubli rocznie na badanie ruchu pasażerskiego. „Jednocześnie same firmy mogą zbierać tylko część dostępnych im danych, a nasz serwis umożliwia oglądanie całego obrazu rynku” - mówi Postnikov. Nawet jeśli dzięki wprowadzeniu usługi przewoźnik będzie mógł zwiększyć swój udział w całym rynku przewozów pasażerskich o 1,5-2%, to będą to miliardy rubli - mówi.

Rozwiązania Big Data można również wykorzystać do zarządzania infrastrukturą miejską. Centrum eksperckie e-administracji rząd moskiewski zawrze w ciągu dwóch lat umowę, na mocy której miasto otrzyma zagregowane anonimowe dane geoprzestrzenne użytkowników lokalnych operatorów telekomunikacyjnych w 11 różnych odcinkach. Odbiorcami tych informacji będą Państwowe Przedsiębiorstwo Unitarne „Instytut Badań i Rozwoju Planu Generalnego Moskwy”, Departament Transportu i Rozwoju Infrastruktury Drogowej i Transportowej, Wydział Kultury i inne wydziały metropolitalne.

Według spisu ludności z 2013 roku Moskwa to ogromna metropolia z 11 979 529 mieszkańcami. Każdy z nich dojeżdża do pracy, korzysta z telefonu komórkowego (a nawet więcej niż jednego), schodzi do metra, stoi w korkach. Wszystko to jest monitorowane przez służby miejskie, agencje rządowe i prywatne firmy świadczące różne usługi. Tysiące kamer wideo, setki tysięcy czujników, monitorów kontrolujących życie miasta, miliony telefony komórkowe, Modemy 3G / 4G. A wszystko razem to miliardy źródeł danych, których przetwarzanie można uzyskać w celu dalszego planowania rozwoju miasta, zarządzania jego potokami ruchu, zapewnienia bezpieczeństwa megalopolis. Jednym z nielicznych narzędzi, które radzą sobie z przetwarzaniem takiej ilości informacji, są rozwiązania klasy Big Data. Najpierw przyjrzyjmy się, gdzie można ich użyć.

Dane o gęstości zaludnienia i przemieszczeniach

Obecnie głównym narzędziem określania liczebności i struktury populacji, jej rozmieszczenia na obszarze jest spis powszechny. Główną wadą spisu jest koszt jego wykonania oraz brak danych o ruchu mieszkańców. Źródłem informacji do spisu są sami mieszkańcy, którzy są badani w miejscu zamieszkania.

Jakie są zalety korzystania z rozwiązań Big Data? Aby odpowiedzieć na to pytanie, najpierw określamy, jakich danych potrzebujemy:

gdzie mieszkańcy śpią i pracują;
gdzie i gdzie chodzą w dni powszednie i weekendy;
z jakiego transportu korzystają Moskale i goście stolicy;
skąd przyjeżdżają do miasta i dlaczego.

Aby zebrać te informacje, musimy najpierw określić źródło danych i sposób ich analizy. Aby określić lokalizację mieszkańca, najbardziej optymalne jest wykorzystanie jego danych lokalizacyjnych komórka (on jest zawsze z nim). Jak to zrobić?

Możesz to dostać:

dane z operatorzy komórkowi lokalizacja zestawu telefonicznego;
dane z usług specjalistycznych (takich jak korki Yandex.Traffic);
dane z aplikacji mobilnych z wbudowaną funkcjonalnością lokalizacyjną udostępnioną przez miasto dla wygody mieszkańców.

Do analizy otrzymanych informacji można wykorzystać różne algorytmy w zależności od źródła, formatu i sposobu ich prezentacji. Ale oto główne punkty.

Określenie miejsca, w którym mieszkańcy spędzają noc i gdzie pracują, można uzyskać analizując dane dotyczące ruchu i wykonywanych czynności. Np. Okresowy brak połączeń od 22:00 do 7:00 i brak ruchu pokaże, gdzie mieszka dana osoba, a brak ruchu w godzinach pracy - gdzie pracuje ta sama osoba, a jednym z kryteriów zwiększających dokładność będzie obecność aktywności na telefonie abonenta tej lokalizacji. Tutaj również będzie można określić, jak często osoba przemieszcza się w godzinach pracy, ile osób w mieście zajmuje stanowiska związane z ciągłym przemieszczaniem się (kurierzy, kierowcy i inne zawody).

Określenie kierunku ruchu mieszkańców odbywa się w ten sam sposób, wykorzystując te same dane dotyczące ruchu abonentów komórkowych i pozwala zidentyfikować główne przepływy ruchów lokalnych mieszkańców, odwiedzających, migrantów zarobkowych, zebrać statystyki dotyczące ruchów według dzielnic i kierunków, dowiedzieć się, jak często mieszkańcy i goście odwiedzają sklepy kulturalne wydarzenia, atrakcje miasta oraz popularność określonych miejsc w mieście.

Śledząc prędkość poruszania się i odwiedzane miejsca, można określić, z jakiego rodzaju transportu korzysta osoba: samochód, metro, naziemny transport publiczny, transport międzymiastowy.

Analiza pracy infrastruktury miejskiej i zapewnienie bezpieczeństwa ludności

Duża liczba sygnalizacji świetlnych, systemy sterowania ruchem miejskim, systemy rejestracji wideo zdarzeń (kamery monitorujące), sterowanie transportem publicznym w mieście liczącym ponad milion mieszkańców wymagają skoordynowanego podejścia do zarządzania danymi i centralizacji. Jednym z problemów zidentyfikowanych jednorazowo podczas wdrażania ogólnopolskich systemów monitoringu wizyjnego był brak możliwości monitorowania zdarzeń (np. W celu identyfikacji działań niezgodnych z prawem) przez dyżurnych. Biorąc pod uwagę obecne możliwości nowoczesnej technologii, staje się możliwe stworzenie zunifikowane systemy rozproszone, które zapewniają zarówno rozpoznawanie zdarzeń z różnych źródeł (systemy kontroli ruchu, kamery monitorujące itp.), jak i ich analizę w celu szybkiej reakcji: wezwanie policji, pracowników organizacji naprawczych i innych służb operacyjnych miasta. Kolejnym zastosowaniem rozwiązań Big Data jest rozproszone i długoterminowe przechowywanie zebranych informacji, wyszukiwanie niezbędnych danych i związanych z nimi zdarzeń. Co spowodowało taką czy inną zmianę sytuacji w mieście, jakie wydarzenia ją poprzedzały, na kogo wpłynęli - to niewielka część pytań, na które Big Data może odpowiedzieć.

Porównanie danych

Jednym z kluczowych momentów zachodzących wydarzeń jest określenie cech obiektów w nich uczestniczących. Do zbierania danych można wykorzystać zupełnie inne źródła: na przykład dane otrzymane od operatora komórkowego, charakterystyki naturalna osoba, na którym zarejestrowana jest karta SIM, do systemów monitoringu - informacje z systemów rozpoznawania twarzy, wydziałowych baz danych. Jednym z kluczowych punktów jest możliwość anonimizacji informacji, wykluczenia elementów osobistych podczas przesyłania danych od różnych właścicieli i źródeł.

Główne problemy

A jednak w tym wszystkim jest mucha w maści. Głównym problemem wszystkich rozwiązań integracyjnych, zwłaszcza jeśli wymiana danych odbywa się pomiędzy różnymi działami, organizacjami, są ograniczenia prawne, które nie pozwalają na dostarczanie danych w takiej postaci, w jakiej istnieją. W rezultacie wymagana jest ich wstępna obróbka po stronie właściciela.

Całkowity

Podsumowując, chciałbym zwrócić uwagę, że nowoczesne technologie przetwarzania „big data” pozwalają zapewnić miastu znacznie więcej niż istniejące usługi IT. Jednocześnie nie ma potrzeby aktualizowania istniejącej infrastruktury, ponieważ można wykorzystać te źródła danych, które są obecnie dostępne.

Za pomocą rozwiązań klasy Big Data można zwiększyć wygodę mieszkańców miasta i jego gości, zmniejszyć liczbę korków nie ze względu na ograniczenia wjazdu do miasta, ale poprzez zarządzanie potokami ruchu, zmniejszyć liczbę przestępstw dzięki szybkiej reakcji, poprawić jakość świadczenia usług miejskich dzięki ich szybkiemu i automatycznemu kontrola.

Stolica od wielu lat przewiduje załamanie ruchu spowodowane szybkim wzrostem liczby samochodów na jej ulicach. Jednak inteligentny system transportowy wdrożony w mieście w r ostatnie lata, nie pozwala na spełnienie się tej prognozy. Alexander Polyakov, dyrektor Instytutu Badań i Projektowania Transportu Miejskiego w Moskwie (Państwowe Przedsiębiorstwo Unitarne MosgortransNIIproekt), który od 2013 roku odpowiada za rozwój analityki transportu, budowę systemów informatycznych i opracowywanie kompleksowych programów rozwojowych infrastruktury transportowej, będąc zastępcą szefa Centrum Zarządzania Ruchem rządu moskiewskiego. Na forum BIG DATA 2017, zorganizowanym przez wydawnictwo Open Systems 29 marca, opowiadał o tym, jak moskiewski kompleks transportowy wykorzystuje Big Data do opracowania inteligentnego systemu transportowego, jak na jego podstawie powstają systemy sterowania ruchem i jak rozwiązać problem nasze zadania, możesz korzystać ze środków wirtualnej i rozszerzonej rzeczywistości.

- Kiedy rozpoczęła się „cyfryzacja” moskiewskiego transportu?

Wszystko zaczęło się od dekretu o rozwoju inteligentnego systemu transportowego w mieście, który został zatwierdzony przez rząd moskiewski 11 stycznia 2011 roku.

Od tego czasu Departament Transportu pracuje nad rozwojem infrastruktury transportowej z wykorzystaniem nowoczesnych systemów informatycznych.

W ramach projektu w 2014 roku powstało centrum sytuacyjne data center, którego specjaliści odpowiadają za organizację ruchu i wszystkich systemów biorących udział w pracy tego centrum, w tym umożliwiających sterowanie sygnalizacją świetlną i kamerami telewizyjnymi, monitorowanie warunków ruchu, informacje wizualne użytkowników dróg, rejestracja fotograficzna i wideo naruszeń zarządzania naziemnym miejskim transportem pasażerskim.

- Projekty z których krajów pobrano jako próbki?

Uwzględniono doświadczenia państw europejskich, w szczególności Hiszpanii i Niemiec, a także Singapuru, Hongkongu, a także szeregu miast amerykańskich. Ale jednocześnie zrozumieliśmy, że każde miasto jest wyjątkowe, więc infrastruktura komunikacyjna Moskwy rozwija się według własnego scenariusza, nie mówiąc o obciążeniach na ulicach. Powiedzmy, że teraz po Moskwie jeżdżą 683 tysiące samochodów.

- Jak jest teraz zorganizowane zarządzanie sytuacją drogową w stolicy?

W ostatnich latach w ramach moskiewskiego kompleksu transportowego powstało wiele systemów informatycznych, które rozwiązują różne problemy w tym obszarze, w tym z wykorzystaniem Big Data.

Statyczny model transportu, zbudowany w 2013 r., Pozwala przewidywać sytuację w dłuższej perspektywie, uwzględniając różne możliwości zmiany sytuacji drogowej. Może być używany do obliczania scenariuszy obejmujących całe miasto, czy to długoterminowych zamknięć ruchu, czy też uruchamiania nowych wiaduktów.

Model ten uwzględnia między innymi dane o mieszkańcach przekazane nam przez różne usługi: liczbę osób, ich wiek, płeć, status społeczny, ilu pracowników, ilu bezrobotnych itp. Moskwa jest podzielona na tzw. Obszary transportowe, a my analizujemy, dokąd udają się mieszkańcy każdego takiego obszaru, dlaczego, o której godzinie.

Dzięki uzyskanym danym analizujemy macierz korespondencji - całość wszystkich „wymian” ruchu pomiędzy dzielnicami. Na przykład, jeśli w dzielnicy jest 600 przedszkolaków i 500 miejsc w przedszkolach w dzielnicy, jest oczywiste, że rano do innej dzielnicy zostanie zabrana setka dzieci. Aby wyjaśnić ogólny obraz tego, co się dzieje, przeprowadzamy ankiety, które pomagają zrozumieć, jaki rodzaj transportu iw jakich przypadkach ludzie wybierają: kiedy - samochód osobowy, kiedy - transport publiczny. Ponadto musimy przewidzieć, jak pewne zmiany w planowaniu urbanistycznym lub w schemacie zarządzania ruchem wpłyną na preferencje transportowe ludzi, co spowoduje zamknięcie drogi w trakcie budowy lub odwrotnie - otwarcie nowej.

Monitorujemy aktualną sytuację za pomocą dynamicznego modelu transportu, który daje pełny obraz moskiewskiego ruchu w czasie rzeczywistym i pozwala reagować na pojawiające się problemy. W tym celu DTM agreguje dane pozyskane z czujników GLONASS zainstalowanych w transporcie publicznym, kamer fotograficznych i wideo, detektorów transportu - czujników radarowych odczytujących natężenie ruchu, prędkość pojazdu i szereg innych parametrów.

DTM umożliwia sterowanie sygnalizacją świetlną, analizę obszarów problemowych, np. Wykrywanie centrów wypadków, miejsc, w których przez cały czas występują korki; zidentyfikować trudności w ruchu przewozów pasażerskich i je wyeliminować; monitorować pracę mobilnych kompleksów foto i wideo (tzw. parkony rejestrujące wykroczenia), oceniać zapotrzebowanie transportowe na podstawie macierzy dziennej korespondencji.

Na podstawie DTM powstała interaktywna mapa moskiewskiego ruchu, która w czasie rzeczywistym wyświetla informacje o zatłoczeniu dróg w punktach, liczbie wypadków, pojazdach na ten moment oraz dziennie, naziemny miejski transport pasażerski, liczba wykroczeń drogowych zarejestrowanych przez kamery.

W 2015 roku specjaliści DPC w oparciu o model dynamiczny stworzyli system rzeczywistości wirtualnej i rozszerzonej, który symuluje lot nad miastem i dostarcza online danych o sytuacji na drogach. Dzięki temu systemowi możesz już zobaczyć wynikający z tego zator, podłączając się do kamery, która pokazuje prawdziwy trójwymiarowy obraz tego obszaru, co pozwala lepiej zrozumieć sytuację.

Dla obywateli mapa ta zawiera różne informacje (tekst, zdjęcia i wideo) o ważnych obiektach historycznych, kulturowych i społecznych, a właściwie rzeczywistości rozszerzonej.

- Jakimi kanałami informujesz obywateli o sytuacji w transporcie drogowym?

Dane otrzymane z DTM są nadawane w czasie rzeczywistym przez szereg stacji radiowych, komunikator Telegram i tablice drogowe. Kanał telewizyjny Moscow 24 i portal internetowy m24.ru pokazują aktualną sytuację na drogach miasta.

Informacje te służą również do kontrolowania strumieni transportowych. Moskale widzą sytuację na interesujących ich ulicach, wybierają obwodnice, rozważają możliwość poruszania się innymi środkami transportu, np. Przesiadają się z prywatnych na publiczne.

- Czy są jakieś liczbowe wskaźniki efektywności Twojej pracy?

Kompleksowy system zarządzania ruchem, mający na celu optymalizację zarządzania potokami ruchu na ulicach miast, a także zwiększenie ich przepustowości, został uruchomiony w 2015 roku. I już w pierwszym roku osiągnięto znaczące wyniki.

Przytoczę następujące liczby. W mieście jest obecnie zarejestrowanych 4,6 miliona samochodów, a wskaźnik wypadkowości według policji drogowej jest najniższy od dziesięciu lat. W 2016 r. W porównaniu z 2010 r. Liczba wypadków drogowych spadła o 45%, a ofiar śmiertelnych o 56%. W centralnej części miasta, w obrębie III Obwodnicy, średnia prędkość poszczególnych pojazdów wzrosła o 11%, a dla przewozów pasażerskich o 7%. Ruch pasażerski na wydzielonych pasach wprowadzonych w 2016 r. Wzrósł średnio o 11%. Średni czas przyjazdu karetki skrócił się z 21 minut do 8, prawie trzykrotnie, dzięki temu, że pojawiły się pasy dla komunikacji miejskiej, a autobusy i trolejbusy mogą ustąpić karetce, pozostawiając w kieszeniach na przystankach.

Jeśli porównamy bliższe okresy, to w 2016 r. W porównaniu z 2015 r. Liczba wypadków ze szkodami materialnymi spadła o 18%, wypadków z rannymi o 12%, a wypadków z pieszymi o 14%.

- Na jakich rozwiązaniach bazuje rozwój centrów danych?

Bierzemy najlepsze zachodnie osiągnięcia. Przykładowo, obecny system zarządzania sygnalizacją świetlną oparty jest na rozwiązaniu hiszpańskim, statyczny model transportu zbudowany jest na niemieckiej platformie. Ale rozwiązanie, które łączy wszystkie te zmiany, ma charakter wewnętrzny. Wszystkie te systemy zostały zintegrowane przez naszych specjalistów.

Bazując na zgromadzonym doświadczeniu tworzymy rozwiązania do zarządzania ruchem dla innych miast, zarówno w naszym kraju, jak i za granicą. Na przykład - dla Teheranu.

- Czy po prostu nadrabiamy zaległości, czy już w jakiś sposób wyprzedzamy inne kraje?

Jesteśmy na najlepszej drodze do nowego modelu zarządzania. W ubiegłym roku został uruchomiony pilotażowy projekt automatycznego sterowania sygnalizacją świetlną w oparciu o zautomatyzowany system sterowania ruchem. Teraz system działa na autostradach Altufevskoye i Varshavskoye, a także na Alei Andropowa, gdzie tryby sygnalizacji świetlnej są automatycznie zmieniane na podstawie danych DTM o natężeniu ruchu na autostradach. Nie ma czegoś takiego w żadnym mieście na świecie. Na przykład nawet w londyńskim systemie zarządzania transportem Transport for London operatorzy akceptują tryby sygnalizacji świetlnej.

Teraz postawiliśmy sobie za zadanie rozszerzenie działania tego systemu na inne autostrady. Trudność polega na tym, że wszystkie drogi są ze sobą połączone i konieczne jest „oczyszczenie” jednych, aby nie blokować ruchu na innych.

- Jakie nowe projekty są planowane?

Będziemy dalej rozwijać system prognozowania wypadków drogowych. W celu wykonania prognozy stale analizuje warunki pogodowe, charakterystykę problematycznych odcinków dróg (konfiguracja wąskie gardła, stopień zmniejszenia ich przepustowości), wskaźniki natężenia ruchu (średni wynik natężenia ruchu w mieście i na odcinku drogi, natężenie ruchu na odcinku drogowym itp.).

Musimy być przygotowani na pojawienie się w przyszłości pojazdów bez kierowcy. Ich nawigatory zostaną już załadowane informacjami np. O ograniczeniu prędkości na danym odcinku, a samochód samodzielnie wybierze bezpieczne ograniczenie prędkości.

Długofalowe perspektywy obejmują rozwój systemu transportu publicznego, który powinien stać się atrakcyjną alternatywą dla prywatnego samochodu. Między innymi rozwinięta infrastruktura transportowa jest ważnym czynnikiem ekonomicznym, który sprzyja konkurencji miast w przyciąganiu turystów, przedsiębiorców itp.

Pomogą rozładować drogi i systemy rzeczywistości rozszerzonej. Jeśli będzie można nie iść na konferencję, ale oglądać występy wideo 360 ° z miejsca pracy lub nawet wziąć w nim udział, a nie przez specjalne okulary, ale na ekranie smartfona, wielu wybierze tę opcję.

Transport i zarządzanie ruchem w Moskwie w liczbach

W centrum przetwarzania danych, zlokalizowanym pod budynkiem centrum sytuacyjnego centrum danych, znajduje się ponad 100 serwerów, które przechowują łącznie około 2 PB danych. Część informacji jest stale aktualizowana - na przykład dane otrzymane z kamer przechowywane są na serwerach przez siedem dni. W związku ze stałym wzrostem przepływu danych planowane jest znaczne zwiększenie wydajności serwera.

W zwykły poranek roboczy około 700 tysięcy samochodów wyjeżdża na główne „arterie transportowe” Moskwy.

W godzinach szczytu 71% ruchu pasażerskiego pochodzi z komunikacji miejskiej, dlatego na pierwszym miejscu znajdują się jego zainteresowania w Departamencie Transportu.

Kamery rozpoznają aż 22 rodzaje wykroczeń - m.in. jazdę poboczem jezdni lub wydzielonym pasem, skręcanie z drugiego pasa, wjeżdżanie na ruchliwe skrzyżowanie, omijanie pieszego, przejeżdżanie ciężarówek bez przepustki itp. naruszenia (zaokrąglone).

Istnieją pojęcia „południe transportu” i „północ transportu”. W Moskwie są przesuwane - „południe” trwa od 14:00 do 15:00, a „północ” nadchodzi ”o 3 rano.

Dzielić

Ćwierkać

Lubić