Brug af maskinlæring til at incitamentere bæredygtig transport

Maskinlæring er en af de mest avancerede former for AI, der findes i dag. Evnen til at registrere data, finde sammenhænge og lave forudsigelser gør teknologien velegnet til mange af nutidens presserende problemer. For nylig har den fået et nyt anvendelsesområde: at hjælpe med at planlægge bæredygtige transportnet og tilskynde til brugen af dem.

Maskinlæringsalgoritmer

Maskinlæringsalgoritmer findes i mange former og bruges overalt omkring dig. Systemerne bliver stadig bedre til deres særlige opgaver, og der er flere algoritmer at vælge imellem efter behov. Populære eksempler er kunstige neurale netværk, beslutningstræer og supportvektormaskiner.

Når du ser anbefalinger på Netflix (NFLX ) og opslag på sociale medier, taler med virksomheders chatbots eller kører i selvkørende biler, bruger du maskinlæringsalgoritmer. Systemerne er hurtige, billige at drive og effektive og giver ny indsigt. Derfor egner de sig godt til at udvikle bæredygtige transportnet.

Mål for bæredygtig transport

Efterhånden som forureningen stiger og miljøforholdene forværres, er både efterspørgslen efter og udbuddet af bæredygtig transport vokset. Nu findes der mange måder at nå frem uden fossile brændstoffer. Fra elbiler til cykler er bæredygtig transport i fremgang.

Source Market Watch – Top bæredygtige transportadoptionsrater i USA

Væsentlig forandring er nødvendig

Der er ingen tid at spilde, når det gælder om at forbedre bæredygtige transportnet. Byer verden over har allerede for mange biler på vejene, hvilket skaber trængsel, frustration og miljøskader. Maskinlæring kan mindske verdens afhængighed af fossile brændstoffer og bidrage til en mere økonomisk fordelagtig og grønnere tilværelse.

Det kræver algoritmer, der tager hensyn til en lang række faktorer. Maskinlæring til bæredygtig transport handler om mere end selvkørende biler, der sparer brændstof. Det handler om at skabe byer, som opmuntrer og giver incitamenter til at bruge alle former for grøn transport.

Indsatsen for grøn transport

Denne indsats ses allerede i mange byer, hvor cykelruter og cykelstier er blevet mere almindelige. Med den rette placering styrker de økonomien, forbedrer det lokale miljø og holder borgerne sunde. Resultaterne varierer dog med blandt andet placering, tilgængelighed og andre logistiske forhold.

Der, hvor cykelstier er blevet indført med succes, har resultaterne været inspirerende. Toronto har eksempelvis etableret cykelstier og ruter gennem hele byen. Det har ført til færre cykelulykker, flere cyklister og øget brug af elcykler til transport i byen.

Problemer, som byplanlæggere står over for, som maskinlæringssystemer kan løse

En af byplanlæggernes største udfordringer er manglen på data om infrastrukturen. En by, der vil etablere en cykelsti, skal undersøge virkningen på trafik og andre væsentlige forhold grundigt. Placeringen skal optimeres, så ruterne hænger sammen frem for at være spredte og uden forbindelse eller reel nytte.

Maskinlæring kan behandle store datamængder og sammenholde dem med lokale oplysninger som byens udformning. AI kan dermed simulere forskellige muligheder ud fra faktiske data fra steder med lignende forhold og finde den bedste rute. Det kræver dog mere end blot at undersøge, om der er plads til stien, og om den passerer vigtige lokale knudepunkter.

Utilitaristisk vs. lighed

En undersøgelse, der kan give fremtidige maskinlæringssystemer nyttige data, sammenlignede nytteorienterede og lighedsorienterede metoder til ruteplanlægning. Forskerne gennemgik tre modeller: en nytteorienteret model for hele byen, en regional nytteorienteret model og en lighedsorienteret model. De fandt, at optimal planlægning af cykelruter er langt mere kompleks end forventet, fordi et områdes største gevinster ofte kommer fra steder uden for området. Algoritmer kan derfor hjælpe med at skabe pålidelig adgang til bæredygtige transportnet til gavn for hele lokalsamfundet.

Manglende incitamenter for bæredygtig transport

Maskinlæring kan også få stor betydning for udbredelsen af bæredygtig transport. I de sidste to årtier har overgangen til elbiler været langsom i Vesten. I mange år faldt interessen for teknologien, når benzinpriserne faldt.

Først for nylig begyndte vestlige lande at udvikle kvantitative metoder til bedre at prioritere den infrastruktur, der skal øge anvendelsen. Udviklere har også rettet blikket mod en anden ny teknologi, blockchain, som kan arbejde sammen med maskinlæring for at tilskynde passagerer til at vælge bæredygtig transport.

Blockchain gør det muligt at behandle store datamængder i realtid og tildele præcise belønninger med særligt udviklede tokens, som motiverer brugerne. Modellen anvendes allerede i flere brancher, herunder den nye move-to-earn-sektor. M2E-apps belønner fysisk aktivitet og lader brugerne registrere skridt, cykelture og andre aktiviteter for at optjene belønninger.

Hvordan vil AI forbedre byplanlægning for personlig bæredygtig transport?

Maskinlæring kombinerer historiske data med information i realtid for at understøtte velinformerede beslutninger. Byplanlæggere kan bruge oplysningerne til at udvikle, afprøve, indarbejde og endda anlægge nyttige transportmuligheder.

Algoritmerne gør det muligt at integrere bæredygtige muligheder mere effektivt i lokalsamfundets grundlæggende infrastruktur. De kan inddrage eksterne faktorer, blandt andet store mængder historiske data og miljødata. Det giver mere præcise prognoser for trafikstrømmene.

Fremmer mere alsidige ruter bæredygtig transport?

Mere alsidige bæredygtige transportruter vil øge incitamentet til at bruge dem. Passagerer og cyklister får en sundere livsstil, mindre støj og mindre afhængighed af benzin, blandt andre fordele. Med maskinlæring kan nye ruter også anlægges, så de sparer tid, byder på flotte udsigter og giver adgang til byens aktivitetscentre.

Ladeinfrastruktur

Maskinlæringssystemer vil spille en afgørende rolle i planlægningen af elbilernes ladeinfrastruktur. Elbiler vinder frem, men mange lokalsamfund har stadig ikke en eneste ladestation. For at øge anvendelsen skal der etableres en velfungerende og let tilgængelig ladeinfrastruktur.

Maskinlæring kan også forbedre opladningens effektivitet. Det er en vigtig bekymring, efterhånden som flere skifter til fuldt elektriske køretøjer. Det kan tage tid at oplade batterierne. Maskinlæringsalgoritmer kan hjælpe med at forkorte tiden og samtidig forlænge batteriets samlede levetid.

Reducer luftforurening

Den luft, du indånder, påvirker dit helbred direkte. Derfor oplever mennesker, der bor nær store motorveje, ofte lungerelaterede problemer, når de bliver ældre. Det var en drivkraft for det kinesiske marked, som nu med stor afstand er verdens største og mest aktive elbiløkonomi.

Elbilsystemer udleder ikke emissioner og er derfor velegnede til at bevare ren luft og forebygge, at borgere uvidende udsættes for dødelige kemikalier hele dagen. Efterhånden som størstedelen af køretøjerne på vejene bliver elektriske, bør luftkvaliteten forbedres tilsvarende.

Støtte til elbilfællesskaber

Maskinlæringssystemer hjælper allerede med at besvare kundernes spørgsmål til producenterne under salgsprocessen. I fremtiden kan samme princip gøre det endnu lettere at eje en scooter. Algoritmerne kan forbinde dig med andre ejere af elektriske køretøjer, så I kan dele information, idéer og erfaringer.

Virksomheder, der kunne drage fordel af maskinlæringsbaserede incitamentsystemer for transport

Det er tydeligt, at markedet for elektriske køretøjer blomstrer. Fra elbiler til elcykler strømmer producenter til sektoren, og antallet af produkter er rekordhøjt. Her er en virksomhed, som snart kan bruge maskinlæring til at øge omsætningen.

Vista Outdoor

Vista Outdoor blev grundlagt i 2015 i USA som producent og designer af udstyr til friluftsliv. Siden er virksomheden vokset til en stor koncern med mange datterselskaber. QuietKat-elcykler er en af de aktiviteter, der har givet virksomheden stor succes.

QuietKat-elcykler leverer høj ydeevne med centermotorer på 750-1.000 W og materialer af høj kvalitet. De er bygget til terrænkørsel og klassificeret som terræncykler. De har også virksomhedens egen VPO-teknologi, som overvåger pedalaktiviteten og tilfører ekstra kraft efter behov.

QuietKat blev i begyndelsen hårdt ramt af COVID-19, da ingen kunne rejse. Den manglende rejseaktivitet gav store tab i indtjeningen. Efter pandemien er efterspørgslen efter elcykler imidlertid steget kraftigt, og QuietKat er i dag en førende leverandør af terræncykler i professionel kvalitet. Væksten har direkte styrket Vista Outdoors resultater.

Vista Outdoor underskrev for nylig en salgsaftale, der delte virksomheden i to, til en værdi af 3,35 milliarder dollar inklusive gæld. Nyheden styrkede investorernes tillid, og VSTO nåede en markedsværdi på 2,58 milliarder dollar. Det fulgte efter en meddelelse om, at virksomheden snart ville offentliggøre sine seneste regnskabstal. Disse forhold gør VSTO til et »køb« for investorer, der ønsker adgang til elbilmarkedet.

En ny æra for bæredygtig transport

Den bæredygtige transports tidsalder er her. Nu skal byplanlæggere og producenter samarbejde om at gøre overgangen så let og tilgængelig som muligt. Derfor kan man forvente yderligere integration af teknologien i transportsektoren, hvilket snart kan give langt renere og sikrere rejser for de fleste mennesker.

Læs om andre spændende AI-projekter.