Att använda maskininlärning för att uppmuntra hållbar transport

Maskininlärning kan hitta mönster i data och ge underlag för prognoser. Inom transportplanering kan tekniken användas för att undersöka trafik, tillgänglighet och möjliga investeringar. Den ersätter inte politiska avvägningar, lokal kunskap eller behovet av tillförlitliga data.

Maskininlärningsalgoritmer

Maskininlärning omfattar flera metoder, bland annat artificiella neurala nätverk, beslutsträd och stödvektormaskiner. Metodvalet beror på problemet och på vilka data som finns.

Rekommendationer på Netflix (NFLX ), vissa chattbotar och delar av autonoma körsystem använder maskininlärning. Sådana system är inte alltid billiga eller felfria. Vid transportplanering behöver deras prognoser granskas och jämföras med verkliga utfall.

Mål för hållbar transport

Hållbara transporter handlar om att minska miljöpåverkan och samtidigt ge människor tillgång till arbete, service och fritidsaktiviteter. Gång, cykling, kollektivtrafik och elektrifiering kan bidra på olika sätt. Ett elfordons totala påverkan beror också på tillverkning, elproduktion och hur fordonet används.

Källa: MarketWatch – användning av hållbara transporter i USA

Behov av sammanhängande lösningar

Trängsel och utsläpp är viktiga problem i många städer. Maskininlärning kan hjälpa till att analysera dem, men resultatet beror på hur planeringen utformas.

Hållbar transportplanering omfattar mer än självkörande bilar. Den behöver knyta samman gång, cykling, kollektivtrafik och andra färdsätt så att fler får praktiskt användbara alternativ.

Infrastruktur som gör hållbara val möjliga

Cykelbanors nytta beror på placering, sammanhang, säkerhet och tillgänglighet. Ett sammanhängande nät kan göra fler resor möjliga än enstaka sträckor. Toronto är ett exempel på en stad där forskare har undersökt hur nätet kan byggas ut; en modellstudie är dock inte i sig ett bevis på färre olyckor efter varje utbyggnad.

Vad dataanalys kan bidra med

Stadsplanerare behöver uppgifter om bland annat resmål, trafik, gator och befintlig infrastruktur. De måste också förstå vilka grupper som har dålig tillgång till säkra förbindelser.

Maskininlärning och optimering kan stödja jämförelser mellan alternativ. En beräknad bästa lösning gäller de mål och antaganden som valts, inte nödvändigtvis alla invånares behov.

Samlad nytta och jämlik tillgänglighet

En studie av Torontos cykelnät jämförde nyttoinriktade och jämlikhetsinriktade planeringsstrategier. Att maximera den totala tillgängligheten kan koncentrera investeringar till områden som redan har bra förbindelser. En större geografisk spridning kan ge fler en grundläggande anslutning, men samtidigt en mindre ökning av den genomsnittliga tillgängligheten. Studien visar en avvägning mellan mål, inte att en algoritm kan avgöra vad som är rättvist åt samhället.

Incitament behöver fungera i praktiken

Valet av färdsätt påverkas av pris, restid, trygghet, bekvämlighet och tillgång till alternativ. För elfordon spelar även inköpspris och laddmöjligheter roll. Bensinpriset är därför bara en av flera faktorer.

Databaserade metoder har länge använts i transportplanering. Nyare maskininlärning kan utveckla analysen. Digitala belöningar och blockkedjor är andra möjliga verktyg, men de är inte en nödvändig del av hållbara transporter.

En blockkedja kan registrera transaktioner och belöningar, men garanterar inte att rörelsedata är riktiga eller att behandlingen sker snabbt och billigt. Appar som belönar gång eller cykling behöver hantera integritet, fusk, finansiering och belöningarnas värde. Ett utbetalat token visar inte i sig att en bilresa har ersatts.

Maskininlärning som stöd i stadsplaneringen

Historiska data kan kombineras med aktuella observationer för att uppskatta trafik och efterfrågan. Planerare kan använda resultaten för att jämföra möjliga åtgärder innan de genomförs.

Prognoserna behöver valideras, och data kan sakna grupper eller resor som är viktiga att ta hänsyn till. Analysen bör därför kombineras med lokal kunskap och dialog med invånare.

Kan fler användbara förbindelser öka resandet?

Sammanhängande, trygga och lättillgängliga förbindelser kan göra hållbara färdsätt mer attraktiva. Hur mycket användningen ökar beror på lokala förhållanden och vilka resor alternativen faktiskt ersätter. Kortare restid och tillgång till viktiga målpunkter behöver vägas mot kostnader och andra behov.

Laddningsinfrastruktur

Maskininlärning kan ge underlag för var laddstationer bör placeras. Analysen behöver beakta efterfrågan, elnätets kapacitet, kostnad och tillgänglighet.

Dataanalys kan också stödja laddningsplanering och batteristyrning. Möjliga förbättringar måste dock hålla sig inom batteriets tekniska och säkerhetsmässiga gränser. En algoritm kan inte garantera både kortast laddtid och längsta livslängd i alla situationer.

Minska luftföroreningar

Trafikrelaterade luftföroreningar kan påverka hälsan. Hur stor exponeringen är beror bland annat på trafikmängd, avstånd, väder och bebyggelse. Det går inte att säga att alla som bor nära en motorväg kommer att få lungsjukdom.

Batterielektriska fordon har inga avgasutsläpp under körning. De ger ändå upphov till bland annat däck- och vägslitage, och tillverkning samt elproduktion kan orsaka utsläpp. Luftkvaliteten förbättras därför inte automatiskt i exakt samma proportion som andelen elfordon ökar.

Stöd till användare av elfordon

Digitala tjänster kan besvara frågor, stödja underhåll och hjälpa användare att dela erfarenheter. Maskininlärning kan vara en del av sådana tjänster, men behövs inte för varje funktion. Uppgifter om användare och resor måste hanteras omsorgsfullt.

Ett företag med koppling till elcyklar

Elcyklar är en del av marknaden för elektrifierade transporter. Företaget nedan hade koppling till denna marknad vid artikelns publicering 2024. Det innebär inte att det använde den aktuella forskningen eller att maskininlärning skulle ge säkra intäktsökningar.

Vista Outdoor

Vista Outdoor började sin verksamhet som ett självständigt bolag 2015 och samlade flera varumärken för frilufts- och sportprodukter. QuietKat, som tillverkar elcyklar, ingick i denna historiska portfölj.

QuietKat erbjuder elcyklar för bland annat terrängkörning. Motorstyrka och motortyp varierar mellan modeller. VPO står för Variable Power Output och låter användaren anpassa effekt och körläge. Detta är inte i sig en maskininlärningsfunktion, och ett valt läge ersätter inte kontroll av vilka regler som gäller där cykeln används.

Efterfrågan på elcyklar och företagets resultat påverkas av flera faktorer. Det finns inte tillräckligt stöd här för att påstå att QuietKat först förlorade stora vinster under pandemin och därefter direkt drev en viss förbättring av hela Vista Outdoors resultat.

I oktober 2024 meddelade Vista Outdoor avtal om försäljning av Revelyst till SVP för ett företagsvärde på 1,125 miljarder dollar och av The Kinetic Group till CSG för 2,225 miljarder dollar. Tillsammans motsvarade de 3,35 miljarder dollar. Det rörde sig då om avtal med villkor, inte om en redan slutförd affär. Nyheten är inte i sig ettköprådför en investering i elfordonsmarknaden.

Planering för mer hållbara transporter

Maskininlärning kan bli ett användbart stöd när städer och företag planerar transporter. Nyttan beror på data, tydliga mål och uppföljning av verkliga resultat. Tekniken behöver kombineras med fungerande infrastruktur och hänsyn till dem som ska använda den.

Läs mer om andra AI-projekt.