Bruke maskinlæring for å incentivere bærekraftig transport

Maskinlæring er en del av kunstig intelligens som finner sammenhenger i data og lager prognoser. Teknologien kan støtte arbeidet med krevende problemer, blant annet planlegging av bærekraftige transportnett og tiltak som gjør dem mer attraktive.

Maskinlæringsalgoritmer

Det finnes ulike maskinlæringsmetoder for ulike behov. Kunstige nevrale nettverk, beslutningstrær og støttevektormaskiner er noen eksempler. Resultatene avhenger av datagrunnlaget, treningen og bruksområdet.

Anbefalinger fra Netflix (NFLX ), sosiale medier, enkelte chatboter og selvkjørende systemer bruker maskinlæring. Slike metoder kan gi verdifull innsikt, men er ikke alltid raske, billige eller feilfrie. Nytten for transport må vurderes konkret.

Bærekraftige transportmål

Behovet for å redusere forurensning øker interessen for bærekraftig transport. Gange, sykling, kollektivtransport og elektriske kjøretøy gir ulike alternativer. Miljøgevinsten avhenger av energikilde, infrastruktur og bruk.

Kilde Market Watch – Toppadopsjonsrater for bærekraftig transport i USA

Viktig endring er nødvendig

Køer og høy biltrafikk belaster mange byer og påvirker både miljø og hverdagsliv. Bedre transportnett kan redusere disse problemene. Maskinlæring kan støtte planleggingen, men garanterer ikke alene økonomiske eller miljømessige gevinster.

Algoritmene må ta hensyn til en rekke forhold. Målet er mer enn selvkjørende biler som sparer drivstoff: innbyggerne trenger trygge, tilgjengelige alternativer for hele reisen.

Den grønne drivkraften

Mange byer bygger ut sykkelveier og sykkelfelt. God plassering kan støtte lokal aktivitet og gjøre fysisk aktivitet enklere. Resultatene varierer med sikkerhet, tilgjengelighet og sammenheng i nettet.

Toronto er et eksempel på en by med omfattende sykkelinfrastruktur. Slike tiltak kan gjøre både vanlige sykler og elsykler mer attraktive. Endringer i ulykkestall og bruk må måles, ikke tas for gitt.

Planleggingsproblemer maskinlæring kan bidra til å løse

Byplanleggere mangler ofte tilstrekkelige data om infrastruktur og reisevaner. Før et nytt sykkelfelt etableres, må virkninger for trafikken og tilkoblingen til resten av nettet undersøkes. Isolerte strekninger kan gi mindre nytte enn sammenhengende ruter.

Maskinlæring kan kombinere trafikkdata med byens geografi og gatenett. Simuleringer kan sammenligne alternativer, men den beste ruten avhenger også av sikkerhet, kostnader, tilgjengelighet og lokale behov.

Samlet nytte og rettferdig tilgang

En studie sammenlignet tre tilnærminger: størst samlet nytte for byen, størst nytte innen hver region og prioritering av rettferdig tilgang. Gevinster fra en rute kan oppstå utenfor området der den bygges. Funnene kan informere framtidige analyseverktøy; studien er ikke i seg selv et eksempel på maskinlæring.

Mangel på insentiver for bærekraftig transport

Maskinlæring kan bidra til å forstå hva som påvirker bruken av bærekraftig transport. Drivstoffpriser spiller inn på etterspørselen etter elbiler sammen med kjøpspris, ladeinfrastruktur, politikk og andre forhold. Utviklingen har ikke vært lik i alle vestlige land.

Kvantitative metoder kan hjelpe med å prioritere investeringer. Noen løsninger undersøker også digitale belønninger og blokkjeder, men disse teknologiene er ikke nødvendige for alle transporttiltak.

Blokkjeder kan registrere transaksjoner og belønninger med digitale tokener. De sikrer ikke automatisk korrekt aktivitetsmåling eller behandling av store datamengder i sanntid. Apper som belønner bevegelse, kan registrere skritt og sykling, men trenger pålitelig kontroll og en bærekraftig økonomisk modell.

Hvordan kan KI støtte planlegging av bærekraftige reiser?

Maskinlæring kan kombinere historiske og oppdaterte data. Planleggere kan bruke analysene til å teste og sammenligne transportløsninger, samtidig som faglig vurdering og offentlig medvirkning beholdes.

Algoritmene kan ta hensyn til miljø- og trafikkinformasjon og forbedre enkelte prognoser. Kvaliteten avhenger av representative data og grundig validering.

Kan flere sammenhengende ruter gjøre bærekraftig transport mer attraktiv?

Flere trygge og sammenhengende ruter kan gjøre bærekraftige reiser enklere. Mulige fordeler er mer aktivitet, mindre støy og lavere drivstoffavhengighet. Rutene må knytte sammen faktiske reisemål, og eventuell tidsbesparelse må vurderes konkret.

Ladeinfrastruktur

Maskinlæring kan støtte plasseringen av ladestasjoner ved å anslå etterspørsel og tilgjengelighet. Bredere elbilbruk krever pålitelig infrastruktur også i lokalsamfunn som foreløpig er dårlig dekket.

Modeller kan også støtte ladeplanlegging og batteristyring. Kortere ladetid eller mindre slitasje avhenger av batterikjemi, temperatur og utstyr, og kan ikke garanteres generelt.

Redusere luftforurensning

Luftforurensning påvirker helsen, og eksponering nær sterkt trafikkerte veier kan øke helserisikoen. Luftkvalitet er én av flere drivkrefter bak elektrifisering, også i Kina.

Batterielektriske biler har ingen eksosutslipp. Produksjon av strøm og kjøretøy samt partikler fra dekk og veier gir likevel utslipp. Luftkvaliteten forbedres derfor ikke automatisk i direkte forhold til elbilandelen.

Støtte til elbilfellesskap

Maskinlæring kan støtte kundeservice og informasjonssøk. Apper kan også knytte sammen eiere av elbiler eller elektriske scootere for erfaringsutveksling, med nødvendig personvern.

Bedrifter med mulige bruksområder for maskinlæring i transport

Mange produsenter leverer elbiler og elsykler. Nedenfor følger et historisk bedriftseksempel. Bruk av maskinlæring innebærer ikke automatisk høyere inntekter eller investeringsavkastning.

Vista Outdoor

Vista Outdoor ble et selvstendig amerikansk selskap i 2015, med virksomhet innen friluftsutstyr. I 2021 kjøpte selskapet QuietKat, som lager elektriske terrengsykler.

Elsyklene fra QuietKat omfatter modeller med motorer på 750–1 000 W, avhengig av utførelsen. De er utviklet for terrengbruk. VPO-teknologien gjør det mulig å velge drifts- og effektinnstillinger; den er ikke bare en funksjon som overvåker pedalene.

Pandemien påvirket reisevaner og markedet for elsykler. Det er ikke dokumentert her at QuietKat hadde bestemte store tap, eller at senere etterspørsel direkte forbedret Vista Outdoors samlede resultater.

I oktober 2024 kunngjorde Vista Outdoor avtaler om salg av sine to virksomheter gjennom separate transaksjoner, med samlet virksomhetsverdi på omtrent 3,35 milliarder dollar, inkludert gjeld. Dette var ikke én allerede fullført oppdeling til en samlet kjøpesum. Børsverdien på 2,58 milliarder dollar er et annet mål og et historisk øyeblikksbilde. Å omtale VSTO som et «kjøp» er en investeringsvurdering, ikke en garanti eller ren eksponering mot elbilmarkedet.

En ny æra av bærekraftig transport

Bærekraftig transport krever samarbeid mellom myndigheter, produsenter og innbyggere. Maskinlæring kan støtte analyse og sammenligning av løsninger. Gevinstene avhenger av gjennomføring, tilgjengelighet og hvordan infrastrukturen brukes.

Les om andre KI-prosjekter.