Machine Learning gebruiken om duurzaam transport te stimuleren

Machine learning is een van de meest geavanceerde vormen van AI die momenteel beschikbaar zijn. Het vermogen om gegevens te registreren, te correleren en te voorspellen maakt het de ideale oplossing voor veel van de meest urgente problemen van vandaag. Recentelijk is de technologie een nieuw toepassingsscenario gegeven, namelijk het helpen plannen en stimuleren van duurzame transportnetwerken.

Machine Learning-algoritmen

Machine learning-algoritmen bestaan tegenwoordig in vele vormen en worden overal om je heen gebruikt. Deze systemen blijven hun specifieke vaardigheden verbeteren, en er zijn nu meerdere ML-algoritmen beschikbaar op basis van jouw eisen. Enkele populaire voorbeelden zijn kunstmatige neurale netwerken, beslisbomen en support vector machines.
Wanneer je door je aanbevolen Netflix-suggesties en sociale media-feeds bladert, interacteert met bedrijfschatbots of in autonome voertuigen rijdt, vertrouw je op ML-algoritmen. Drie systemen zijn snel, goedkoop in gebruik, effectief en bieden nieuwe inzichten. Al deze factoren maken ML-algoritmen ideaal om duurzame transportnetwerken vooruit te stuwen.

Doelstellingen voor Duurzaam Transport

Naarmate de vervuiling toeneemt en de milieutoestand blijft verslechteren, is de vraag naar duurzame transportopties gestaag gestegen, parallel aan de beschikbaarheid. Er zijn nu talloze manieren om van punt A naar B te komen zonder fossiele brandstoffen te gebruiken. Van elektrische voertuigen tot het trappen op je fiets, duurzaam transport is in opkomst.

Source Market Watch – Topcijfers voor adoptie van duurzame transport in de VS

Er is een dringende verandering nodig

Er is geen tijd te verliezen met het verbeteren van duurzame vervoersnetwerken. Er staan al te veel auto’s op de weg in steden wereldwijd. Dit scenario heeft geleid tot congestie, frustratie en milieuschade. Machine learning kan helpen de wereldwijde afhankelijkheid van fossiele brandstoffen te verminderen en een winstgevendere en groenere toekomst inluiden.
Om deze taak te volbrengen, moeten ML-ontwikkelaars algoritmen creëren die rekening houden met een enorme verscheidenheid aan factoren. Het inzetten van machine learning voor duurzaam transport gaat verder dan zelfrijdende auto’s die brandstof besparen; het gaat om het creëren van een stad die mensen aanmoedigt en stimuleert alle vormen van groen transport te gebruiken.

De Groene Rit

Je kunt deze drang naar duurzaamheid al in veel steden zien, waar fietspaden en -stroken steeds gebruikelijker worden. Deze stroken, mits goed geplaatst, stimuleren de economie, verbeteren het lokale milieu en houden de burgers gezond. In steden waar fietsstroken zijn geïntegreerd, variëren de resultaten door belangrijke factoren zoals de plaatsing van de stroken, toegankelijkheid en andere logistieke kwesties.
In de steden waar fietsstroken met succes zijn geïntroduceerd, zijn de resultaten inspirerend. Steden zoals Toronto hebben fietsstroken en -paden geïntegreerd die zich door de hele stad uitstrekken. De paden hebben geleid tot minder fietsongelukken, meer mensen die fietsen, en een algemene toename in het gebruik van e-bikes om door de stad te reizen.

Problemen waarmee stedelijke planners worden geconfronteerd die Machine Learning-systemen zouden kunnen oplossen

Een van de belangrijkste problemen waarmee stedelijke planners worstelen, is het gebrek aan infrastructuurgegevens. Je stad wil misschien binnenkort een fietsstrook integreren. Ze moeten echter veel onderzoek doen om te zien hoe dit het verkeer en andere cruciale factoren beïnvloedt. Planners moeten de locatie van de fietspaden optimaliseren om samenhang te waarborgen in plaats van verspreide en niet-verbonden routes die geen echt doel dienen.
Machine Learning kan enorme hoeveelheden data verwerken en deze kruisen met locatie-specifieke informatie zoals de stadsindeling. Deze strategie stelt de AI in staat simulaties uit te voeren met echte gegevens van locaties met vergelijkbare omstandigheden om de optimale route te bepalen. Het bepalen van de optimale route vereist aanzienlijk meer overweging dan alleen of een pad past en of het door cruciale gemeenschapscentra loopt.

Utilitaristisch vs. Gelijkheid

Een studie die in de toekomst waardevolle gegevens aan ML-systemen kan leveren, onderzocht de utilitaristische versus op gelijkheid gerichte routeplanningsmethoden. De onderzoekers evalueerden drie modellen: een utilitaristisch model voor de hele stad, een utilitaristisch model per regio en een op gelijkheid gericht model. Ze concludeerden dat het plannen van optimale fietspaden veel complexer is dan aanvankelijk gedacht, omdat in veel gevallen de grootste voordelen voor een regio zich buiten het gebied bevinden. Daarom kunnen machine learning-algoritmen worden gebruikt om te bepalen hoe betrouwbare toegang tot duurzame transportnetwerken kan worden ontworpen die de hele gemeenschap ten goede komen.

Gebrek aan stimulering voor duurzaam transport

Machine learning kan ook een cruciale rol spelen bij het stimuleren van de adoptie van duurzaam transport. De afgelopen twee decennia is de verschuiving naar EV’s in het Westen traag verlopen. Jarenlang zou de interesse in deze technologie afnemen als de benzineprijzen daalden.

Pas recentelijk begonnen de westerse landen met het ontwikkelen van kwantitatieve benaderingen om infrastructuur beter te prioriteren en adoptie te stimuleren. Recentelijk hebben ontwikkelaars zich gericht op een andere opkomende technologie die hand in hand kan gaan met het ML-systeem om passagiers aan te moedigen duurzame transportopties te kiezen, blockchain.

Blockchain-technologie stelt deze systemen in staat enorme hoeveelheden data in realtime te verwerken en nauwkeurige beloningen te bieden met behulp van op maat gemaakte tokens om gebruikers te stimuleren. Dit model wordt al in verschillende sectoren toegepast, waaronder de opkomende move-to-earn sector. Evenzo belonen M2E-apps gebruikers voor hun activiteit. Deze systemen laten gebruikers hun stappen, fietsactiviteiten en meer bijhouden, en belonen hen op basis van hun acties.

Hoe zal AI stedelijke planning voor persoonlijk duurzaam transport verbeteren?

Machine Learning combineert het beste van beide werelden doordat het historische gegevens kan combineren met realtime informatie om weloverwogen beslissingen te nemen. Stedelijke planners kunnen deze informatie gebruiken om nuttige transportopties te formuleren, testen, integreren en zelfs te bouwen.
Machine Learning-algoritmen stellen stedelijke planners in staat duurzame opties op een nieuw niveau in de kerninfrastructuur van de gemeenschap te integreren. Ze kunnen rekening houden met externe factoren, zoals enorme hoeveelheden historische en milieugegevens. Deze mogelijkheid stelt planners in staat het verkeersverloop nauwkeuriger te voorspellen.

Zorgt het vergroten van de veelzijdigheid van routes voor stimulering van duurzame transportpraktijken?

Het vergroten van de veelzijdigheid van duurzame transportroutes zal zeker de stimulering bevorderen. Passagiers en rijders profiteren van een gezondere levensstijl, minder geluidsoverlast, meer onafhankelijkheid van brandstof en andere voordelen. Bovendien kunnen nieuwe routes worden aangelegd met behulp van ML-begeleiding, waardoor tijd wordt bespaard en inspirerende uitzichten worden geboden, terwijl toegang tot de activiteitencentra van de stad wordt gegarandeerd.

Laadinfrastructuur

Machine learning-systemen zullen een cruciale rol spelen bij het bepalen van de indeling van de laadinfrastructuur voor EV’s. EV’s hebben momentum, maar er zijn nog steeds veel gemeenschappen die geen enkele laadpaal hebben. Om adoptie te verbeteren, moet een haalbare en gemakkelijk toegankelijke laadinfrastructuur worden gecreëerd.

Machine Learning-systemen zullen ook helpen de laadefficiëntie te verbeteren. De efficiëntie van het opladen van EV’s is een belangrijk aandachtspunt nu steeds meer mensen overstappen op volledig elektrische voertuigen. Het opladen van EV-batterijen kan tijd kosten. ML-algoritmen kunnen helpen de laadtijd te verkorten en tegelijkertijd de algehele levensduur van de batterij van je voertuig te verbeteren.

Vermindering van luchtvervuiling

De lucht die je inademt heeft een directe invloed op je gezondheid. Daarom is het gebruikelijk dat mensen die naast grote snelwegen wonen, naarmate ze ouder worden, enige vorm van longgerelateerde gezondheidsproblemen ervaren. Dit was de drijvende factor voor de Chinese markt, die nu verreweg de grootste en meest actieve EV-economie ter wereld is.

EV-systemen stoten geen emissies uit, waardoor ze ideaal zijn om de luchtzuiverheid te behouden en een gevaarlijke situatie te voorkomen waarbij burgers de hele dag onopgemerkt aan dodelijke chemicaliën worden blootgesteld. Naarmate wegen geleidelijk overgaan op een meerderheid van EV-voertuigen, zou de luchtkwaliteit evenredig moeten verbeteren.

Ondersteuning voor EV-gemeenschappen

Machine learning-systemen helpen al bij het beantwoorden van vragen die klanten hebben voor fabrikanten tijdens het verkoopproces. In de toekomst zou hetzelfde concept het bezit van een scooter nog gemakkelijker kunnen maken. Machine learning-algoritmen kunnen je verbinden met andere EV-eigenaren om informatie, concepten en verhalen te delen.

Bedrijven die kunnen profiteren van Machine Learning-geschikte transportstimulatiesystemen

Het duurt maar een ogenblik om te zien dat de EV-markt in een stroomversnelling zit. Van elektrische auto’s tot e-bikes, er zijn veel fabrikanten die deze sector betreden, en het aantal productopties heeft recordhoogtes bereikt. Hier is één bedrijf dat binnenkort Machine Learning-algoritmen kan integreren om de omzet te stimuleren.

Vista Outdoor

Vista Outdoor werd gelanceerd in 2015 als een Amerikaans outdoor-gear fabrikant en ontwerper. Het bedrijf is uitgegroeid tot een enorme onderneming die nu vele dochterondernemingen in de sector beheert. Een project dat het bedrijf veel succes heeft gebracht, is de QuietKat e-bikes.

(VSTO )

QuietKat e-bikes bieden topprestaties met 750W – 1000W middenmotoren en premium materialen. Deze units zijn gebouwd om off-road omstandigheden aan te kunnen en worden geclassificeerd als all-terrain fietsen. Bovendien bevatten ze de eigen VPO-technologie van het bedrijf die je pedalen monitort en vermogen bijvult wanneer dat nodig is.

QuietKat leed aanvankelijk onder de verspreiding van COVID-19, waardoor niemand kon reizen. Dit gebrek aan reizen leidde tot enorme winstverliezen voor het bedrijf. De vraag naar e-bikes is echter sterk gestegen sinds het einde van de pandemie, en tegenwoordig zijn QuietKat e-bikes de toonaangevende leverancier van professionele off-road fietsen. Deze groei heeft direct bijgedragen aan de prestaties van Vista Outdoor.

Recentelijk heeft Vista Outdoor een verkoopovereenkomst ondertekend die het bedrijf splitste in twee delen voor $3,35 miljard, inclusief schulden. Het nieuws over de verkoop werd ontvangen met vertrouwen van investeerders toen het VSTO-aandeel een marktkapitalisatie van $2,58 miljard bereikte. Dit nieuws volgt op een aankondiging dat het bedrijf binnenkort zijn laatste financiële verslag zal publiceren. Deze factoren maken VTSO een “buy” voor handelaren die toegang tot de EV-markt zoeken.

Een nieuw tijdperk van duurzaam transport

Het tijdperk van duurzaam transport is aangebroken. Nu is het tijd dat stedelijke planners en fabrikanten samenwerken om de overgang zo gemakkelijk en toegankelijk mogelijk te maken. Daarom kun je verwachten dat deze technologie verder wordt geïntegreerd in de transportsector, wat binnenkort kan leiden tot een veel schonere en veiligere reisroute voor de meerderheid van de mensen.
Leer meer over andere coole AI Projecten.