Koneoppimisen käyttö kestävän liikenteen kannustamiseen

Koneoppiminen on yksi kehittyneimmistä nykyisistä tekoälyn muodoista. Sen kyky käsitellä dataa, löytää yhteyksiä ja tehdä ennusteita soveltuu moniin ajankohtaisiin ongelmiin. Uusi käyttökohde on kestävien liikenneverkkojen suunnittelu ja niiden käyttöön kannustaminen.

Koneoppimisalgoritmit

Koneoppimisalgoritmeja on monenlaisia, ja niitä käytetään kaikkialla ympärillämme. Ne kehittyvät jatkuvasti, ja eri tarpeisiin voidaan valita sopiva menetelmä, kuten keinotekoinen neuroverkko, päätöspuu tai tukivektorikone.

Kun selaat Netflixin (NFLX ) suosituksia tai sosiaalisen median syötteitä, keskustelet yrityksen chatbotin kanssa tai matkustat autonomisessa ajoneuvossa, hyödynnät koneoppimista. Järjestelmät ovat nopeita, edullisia käyttää ja tehokkaita sekä tuottavat uudenlaista tietoa. Siksi ne soveltuvat kestävien liikenneverkkojen kehittämiseen.

Kestävän liikenteen tavoitteet

Saastumisen lisääntyessä ja ympäristön tilan heikentyessä kestävien liikennevaihtoehtojen kysyntä ja tarjonta ovat kasvaneet. Matkakohteeseen voi nykyään päästä monin tavoin ilman fossiilisia polttoaineita, esimerkiksi sähköajoneuvolla tai polkupyörällä.

Lähde: Market Watch – Kestävien liikennemuotojen käytön kärkialueet Yhdysvalloissa

Elintärkeä muutos on tarpeen

Kestäviä liikenneverkkoja on kehitettävä viipymättä. Kaupungeissa eri puolilla maailmaa on jo liikaa autoja, mikä aiheuttaa ruuhkia, turhautumista ja ympäristöhaittoja. Koneoppiminen voisi vähentää riippuvuutta fossiilisista polttoaineista ja edistää taloudellisesti kannattavaa, vihreämpää tulevaisuutta.

Algoritmien on huomioitava valtava määrä tekijöitä. Kyse ei ole vain itseajavien autojen polttoainesäästöistä, vaan kaupunkien rakentamisesta niin, että ne kannustavat kaikkien kestävien liikennemuotojen käyttöön.

Vihreämpää liikkumista

Monissa kaupungeissa pyörätiet ja -kaistat ovat jo yleistyneet. Oikein sijoitettuina ne tukevat taloutta, parantavat ympäristöä ja edistävät terveyttä. Tulokset ovat kuitenkin vaihdelleet sijainnin, saavutettavuuden ja muiden käytännön tekijöiden mukaan.

Onnistuneet hankkeet ovat tuottaneet rohkaisevia tuloksia. Esimerkiksi Torontossa pyöräreitit ulottuvat eri puolille kaupunkia. Ne ovat vähentäneet pyöräonnettomuuksia ja lisänneet sekä tavallisten että sähköpyörien käyttöä.

Kaupunkisuunnittelun ongelmia, joita koneoppiminen voisi ratkaista

Yksi kaupunkisuunnittelijoiden suurimmista ongelmista on infrastruktuuria koskevan datan puute. Uutta pyöräkaistaa varten on tutkittava sen vaikutusta liikenteeseen ja muihin keskeisiin tekijöihin. Reittien on muodostettava yhtenäinen verkosto, ei hajanaisia ja toisiinsa liittymättömiä osuuksia.

Koneoppiminen voi yhdistää suuria tietomääriä paikkakohtaiseen tietoon, kuten kaupungin rakenteeseen. Tekoäly voi simuloida vaihtoehtoja samankaltaisista paikoista saadun todellisen datan perusteella. Parhaan reitin määrittäminen vaatii paljon muutakin kuin sen selvittämistä, mahtuuko reitti paikalle ja kulkeeko se tärkeiden keskusten kautta.

Kokonaishyöty vai tasapuolisuus?

Eräs tutkimus, joka voisi tulevaisuudessa tarjota arvokasta dataa ML-järjestelmille, tarkasteli utilitaristisia vs. oikeudenmukaisuuteen perustuvia reittisuunnittelumenetelmiä. Tutkijat tarkastelivat kolmea mallia: kaupunkikohtainen utilitaristinen malli, aluekohtainen utilitaristinen malli ja oikeudenmukaisuuteen perustuva malli. Tutkijat totasivat, että optimaalisten pyöräreittien suunnittelu on paljon monimutkaisempaa kuin aluksi odotettiin, sillä monissa tapauksissa alueen suurimmat hyödyt sijaitsevat usein sen ulkopuolella. Näin ollen koneoppimisalgoritmeja voitaisiin käyttää suunnittelemaan luotettavaa pääsyä kestävän liikenteen verkostoihin, jotka hyödyttävät koko yhteisöä.

Kestävän liikenteen kannustimien puute

Koneoppiminen voisi myös edistää kestävien liikennemuotojen käyttöönottoa. Länsimaissa siirtyminen sähköajoneuvoihin on ollut hidasta kahden viime vuosikymmenen aikana. Kiinnostus teknologiaan on usein hiipunut polttoaineen hinnan laskiessa.

Vasta viime aikoina länsimaissa on alettu kehittää määrällisiä menetelmiä infrastruktuuri-investointien priorisoimiseksi. Kehittäjät ovat myös kääntyneet lohkoketjuteknologian puoleen: se voisi yhdessä koneoppimisen kanssa kannustaa matkustajia valitsemaan kestäviä vaihtoehtoja.

Lohkoketju voi auttaa järjestelmiä käsittelemään dataa reaaliajassa ja jakamaan tarkoitusta varten luotuja tokeneita käyttäjien palkitsemiseen. Mallia käytetään jo eri aloilla, kuten liikkumisesta palkitsevissa move-to-earn-palveluissa. Sovellukset seuraavat esimerkiksi askelia ja pyöräilyä sekä palkitsevat käyttäjiä aktiivisuudesta.

Miten tekoäly parantaa kestävän henkilöliikenteen suunnittelua?

Koneoppiminen yhdistää historiatiedon reaaliaikaiseen tietoon perusteltujen päätösten tueksi. Kaupunkisuunnittelijat voivat sen avulla kehittää, testata, sovittaa ja toteuttaa hyödyllisiä liikennevaihtoehtoja.

Algoritmit auttavat sisällyttämään kestävät vaihtoehdot osaksi yhteisön keskeistä infrastruktuuria. Ne voivat huomioida laajoja historiallisia ja ympäristöä koskevia tietoaineistoja, jolloin liikennevirtoja voidaan ennustaa tarkemmin.

Kannustaako reittien monipuolisuus kestävään liikkumiseen?

Kestävien reittien monipuolistaminen lisää niiden houkuttelevuutta. Käyttäjät hyötyvät terveellisemmistä elämäntavoista, vähäisemmästä melusta ja pienemmästä riippuvuudesta polttoaineesta. Koneoppimisen avulla voidaan suunnitella aikaa säästäviä ja maisemiltaan miellyttäviä reittejä, jotka yhdistävät kaupungin toimintakeskukset.

Latausinfrastruktuuri

Koneoppiminen voi auttaa määrittämään sähköajoneuvojen latausinfrastruktuurin sijoittelun. Vaikka sähköajoneuvot yleistyvät, monilla alueilla ei ole yhtään latausasemaa. Käytön lisääminen edellyttää toimivaa ja helposti saavutettavaa latausverkostoa.

Koneoppiminen voi myös parantaa latauksen tehokkuutta. Akkujen lataaminen vie aikaa, ja asian merkitys kasvaa täyssähköautojen yleistyessä. Algoritmit voivat lyhentää latausaikaa ja samalla pidentää akun käyttöikää.

Ilmansaasteiden vähentäminen

Hengitysilma vaikuttaa suoraan terveyteen. Suurten valtateiden lähellä asuvilla ilmenee siksi usein keuhkoihin liittyviä ongelmia iän myötä. Tämä oli yksi Kiinan sähköautomarkkinan kasvun taustatekijöistä; markkina on nyt maailman suurin ja aktiivisin.

Sähköajoneuvoilla ei ole pakokaasupäästöjä, mikä auttaa ylläpitämään ilmanlaatua ja vähentämään altistumista haitallisille kemikaaleille. Sähköajoneuvojen osuuden kasvaessa myös ilmanlaadun odotetaan paranevan.

Tuki sähköajoneuvoyhteisöille

Koneoppimisjärjestelmät vastaavat jo asiakkaiden valmistajille esittämiin kysymyksiin myyntivaiheessa. Tulevaisuudessa sama ajatus voisi helpottaa myös sähköskootterin omistamista. Algoritmit voisivat yhdistää sähköajoneuvojen omistajia jakamaan tietoa, ideoita ja kokemuksia.

Yrityksiä, jotka voisivat hyötyä koneoppimiseen perustuvista kestävän liikenteen kannustimista

Sähköajoneuvomarkkina kasvaa nopeasti sähköautoista sähköpyöriin. Valmistajia tulee lisää, ja tuotevalikoima on ennätyksellisen laaja. Seuraava yritys voisi hyödyntää koneoppimisalgoritmeja liikevaihtonsa kasvattamiseen.

Vista Outdoor

Yhdysvaltalainen Vista Outdoor aloitti vuonna 2015 ulkoiluvälineiden valmistajana ja suunnittelijana. Se on kasvanut suureksi toimijaksi, jolla on useita alan tytäryhtiöitä. Yksi menestyneistä tuotemerkeistä on sähköpyöriä valmistava QuietKat.

QuietKat-sähköpyörät tarjoavat korkeatasoista suorituskykyä 750–1000 watin keskiömoottoreilla ja laadukkailla materiaaleilla. Ne on suunniteltu maastokäyttöön. Yrityksen oma VPO-teknologia seuraa polkemista ja lisää tehoa tarvittaessa.

QuietKat kärsi aluksi koronapandemian matkustusrajoituksista, mikä heikensi kannattavuutta. Pandemian jälkeen sähköpyörien kysyntä on kuitenkin kasvanut, ja QuietKatista on tullut ammattitason maastopyörien keskeinen tarjoaja. Tämä kasvu on tukenut Vista Outdoorin tulosta.

Vista Outdoor allekirjoitti hiljattain kauppasopimuksen, joka jakaa yrityksen kahteen osaan 3,35 miljardin dollarin velat sisältävällä järjestelyllä. Uutinen vahvisti sijoittajien luottamusta, ja VSTO:n markkina-arvo nousi 2,58 miljardiin dollariin. Yrityksen odotetaan myös julkaisevan tuoreimmat talouslukunsa pian. Artikkeli pitää näiden tekijöiden vuoksi VSTO:ta ostokohteena sähköajoneuvomarkkinasta kiinnostuneille sijoittajille.

Kestävän liikenteen uusi aikakausi

Kestävän liikenteen aikakausi on alkanut. Kaupunkisuunnittelijoiden ja valmistajien on tehtävä yhteistyötä, jotta siirtymä olisi mahdollisimman helppo ja saavutettava. Koneoppimisen käytön liikenteessä odotetaan lisääntyvän ja mahdollistavan puhtaampia ja turvallisempia matkoja.

Tutustu muihin kiinnostaviin tekoälyprojekteihin.