Aktuality podle tagu
04. 11. 2017
Michal Jakob je zakladatelem a generálním ředitelem high-tech firmy Umotional, která sídlí v Praze a zabývá se vývojem inovativních produktů pro chytrou a udržitelnou mobilitu. Vlajkovým produktem Umotional je aplikace UrbanCyclers, která s využitím velkoobjemových dat a umělé inteligence radí cyklistům, jak se nejlépe pohybovat na kole po městě.
Najít perfektní trasy pro cyklisty je složité
Najít vhodnou cyklistickou trasu mezi dvěma nebo více lokalitami bývá celkem problém. Ve srovnání s řidiči aut jsou cyklisté poněkud vybíraví – když se rozhodují, kudy pojedou, musí vzít v úvahu mnohem víc faktorů než jen dobu jízdy a celkovou vzdálenost. Kvalita povrchu, sklon terénu, četnost zatáček, řešení křižovatek, znečištění, atraktivita okolí nebo hustota dopravy, to jsou některé z faktorů, které pro cyklistu bývají důležité. Kromě toho je každý cyklista jiný a má svou vlastní představu o tom, jak vypadá ideální trasa. A nejen to – taková perfektní trasa může záviset i na počasí, účelu cesty a dalších podmínkách.
Není tedy divu, že ačkoliv jsou navigace pro cyklisty na trhu už dlouhou dobu, stále jsou zavaleny poměrně častou kritikou kvůli kvalitě navrhovaných tras.
Big data ve službách cyklistiky
Naštěstí se nám díky právě probíhající revoluci v oblasti big dat a konektivity otevírají nové možnosti, jak výrazně zkvalitnit navigační systémy pro cyklisty. GPS, zpětná vazba prostřednictvím crowdsourcingu, stejně jako informace uložené v různých senzorech přímo na kole poskytují cenný a bohatý zdroj dat a doplňují stávající mapy a údaje o převýšení, které tvoří základ tradičních navigačních systémů pro cyklisty. V následujícím textu odkazujeme na behaviorální data s důrazem na skutečnost, že jsou generována – přímo či nepřímo - na základě aktivity cyklistů.
Dříve než jsou behaviorální data využitelná pro navigace, musí projít několika fázemi zpracování, včetně informační fúze a strojového učení. Během zpracování jsou data vyčištěna, normalizována, sloučena do využitelných informací. Výsledkem zpracování je datový model chování cyklistů, zachycující chování a jednání cyklistů v reálném světě s ohledem na to jak, kde a kdy na kole jedou.
Hlavní výhodou modelu chování cyklistů je to, že zachycuje nejrůznější měkké faktory ovlivňující rozhodování cyklisty. Cyklisté například mohou preferovat určitou trasu před jinou i přesto, že obě mají shodné fyzikální vlastnosti. V takových případech nebehaviorální mapy a údaje o převýšení nejsou dostačující podklady pro diferenciaci tras. Tradiční navigační zařízení pro cyklisty, které spoléhá pouze na nebehaviorální data, nemůže v těchto případech poskytnout vhodně navrženou trasu.
Obrázek 1. Teplotní mapy jsou jedním ze vstupních podkladů pro datové modely chování cyklistů
Big data potřebují chytré algoritmy
Naváděcí zařízení, která zvládají pojmout a využít i behaviorální data, pak dokážou navrhovat trasy, jež lépe odpovídají tomu, co cyklisté opravdu chtějí. Trasy navržené takovým zařízením nevypadají jako výpočty počítače, ale spíš jako návrhy člověka, který jezdí na kole a dobře zná danou lokalitu.
Správné využití behaviorálních dat v navigacích pro cyklisty však není nic jednoduchého. Problémem může být skutečnost, že údaje o chování je třeba zohlednit současně s mnoha dalšími faktory ovlivňujícími výběr trasy.
Obrázek 2: Analýza dopravního proudu cyklistů pomáhá určit, jakými trasami přes město cyklisté jezdí rádi
Algoritmy pro vyhledávání tras, které jsou bohužel stále využívány pro tradiční navigační systémy cyklistů, byly původně určeny pro navigace v automobilech.
Problém algoritmů pro automobilové navigace je ten, že jako kritéria pro optimální trasu zvažují jen čas a vzdálenost. Samozřejmě mohou být upraveny tak, aby zohlednily i další kritéria, ovšem jen v omezeném rozsahu.
Pro plné využití potenciálu behaviorálních dat proto potřebujeme moderní algoritmy s větším počtem kritérií pro optimalizaci tras. Samozřejmě jsou takové algoritmy náročnější výpočetně, ale jsou mnohem výkonnější a flexibilnější, pokud jde o možnost v procesu optimalizace trasy současně zohlednit několik faktorů. Naneštěstí je však poměrně náročné tyto multikriteriální algoritmy aplikovat v praxi, a proto je jejich využití v reálných aplikacích spíše sporadické.
Nová generace cyklistických navigací je tady
Pokud se však s multikriteriálními algoritmy pracuje správně a v kombinaci s cyklo-behaviorálními modely, umožňují značný kvalitativní posun směrem od tradičních navigací pro cyklisty. Díky kombinaci bohatých datově řízených modelů a pokročilého zpracování můžeme multikriteriální optimalizační algoritmy s behaviorálními modely považovat za první příklad cyklistických navigačních systémů založených na umělé inteligenci.
Výhodou těchto navigací s umělou inteligencí (UI) je jejich schopnost jít nad rámec zjednodušujících optimalizačních matematických kritérií, jako jsou vzdálenost, rychlost nebo energie. Místo toho mohou „myslet“ jako cyklista a doporučit trasu, která optimalizuje i pro tradiční navigace nepolapitelnou, mnohostrannou zkušenost cyklistů. Díky flexibilitě samotné UI, která pracuje i se zkušeností, mohou být navrhované trasy snadno uzpůsobeny přesně na míru konkrétnímu cyklistovi, případně určitému kontextu (počasí atd.).
Obrázek 3: Cyklistická navigace s UI může navrhovat několik tras optimálně podle osobních preferencí cyklisty
V návaznosti na roky trvající akademický výzkum vznikla aplikace UrbanCyclers, vůbec první cyklistická navigace s UI, která využívá multikriteriální algoritmy a cyklistické behaviorální modely v reálném produktu. Navigační funkce UrbanCyclers jsou v současnosti dostupné v Praze, Berlíně, Londýně a Milánu. Reakce prvních uživatelů byly ohromně pozitivní, proto se nyní chystáme rozšířit pokrytí a zpřístupnit naši cyklistickou navigaci nové generace všem cyklistům světa. Do budoucna počítáme s tím, že se navigační techniky založené na UI a využívající velkoobjemová behaviorální data a multikriteriální algoritmy stanou standardem pro všechny typy navigačních aplikací a zařízení pro cyklisty.
Překlad: Asociace měst pro cyklisty
