Projektet SIADE SaaS (Spatial Decision Support System for Transportation Planning) markerar i huvudsak en förändring i positioneringen av spanska SME Terrain Technologies. Från en konsulttjänst byggd kring en algoritm för att sluta sig till passagerarnas destinationer, företaget begärde stöd från Horizon 2020 för att bli en mjukvaruleverantör.

Nu, städer över hela Europa kan dra nytta av en lösning som berikar Big Data med en rumslig komponent, möjliggöra komplex analys av resenärers beteende för att förbättra kollektivtrafiknäten.

María J. Arguelles, projektkoordinator, berättar mer om företagets lösningar och prestationer så här långt.

Hur kan Big Data bidra till att ge en bättre kollektivtrafikupplevelse i Europa?

María J. Arguelles:Biljettsystem för smartkort som för närvarande är tillgängliga i många städers kollektivtrafiksystem möjliggör en stor mängd data. Dessa datauppsättningar speglar hur människor beter sig, vilket i sin tur innebär att det är möjligt att bedöma deras transportbehov och ge en korrekt bild av deras vanor, antingen som grupper (baserat på pristyper, som student, äldre, etc.) eller på individnivå. Tack vare Big Data-analys, vi kan anpassa kollektivtrafiken till dessa behov, planera nya tjänster, minimera gångtiden, etc.

Vilka har varit bristerna i försöken att använda dessa data hittills, och hur utmärker sig din programvara i detta avseende?

Det är viktigt att klargöra att Big Data medför stor komplexitet för transporter på grund av något som är inneboende i det:vad som vanligtvis definieras som "5 Vs" (volym, hastighet, sanningsenlighet, variation och värde).

Till exempel, en stor mängd datavolym innebär stor lagringskapacitet. Vi kan inte glömma att städer som Madrid, till exempel, genererar nästan 500 miljoner resor per år, och cirka 1,2 miljarder för hela Madrid-området, vilket är nästan lika många som i Istanbul.

Variationsdimensionen involverar datauppsättningar som genereras från olika källor som bussvalidatorer eller mobiltelefoner, medan sanningshalten framhäver vikten av kvalitetsdata och nivån på förtroende. För att komplicera bilden ännu mer, det faktum att transportposter är relaterade till geografiska platser innebär att vi har att göra med data med en rumslig komponent, eller Spatial Big Data.

För att övervinna dessa svårigheter, SIADE SaaS har utformats som en kärn-GIS-utveckling, kombinerar datas rumsliga natur med avancerade dataanalysmetoder.

Hur kompenserar du avsaknaden av information om passagerarnas resmål?

Det är en av SIADEs kärnalgoritmer. Vi kan härleda upp till 88 procent av passagerarnas destinationer med en noggrannhet på 96 procent. Dessa resultat bekräftar att vi är mycket starka i att bygga ursprungsdestinationsmatriser baserade på transportdata, och är mycket snabbare, billigare och mer komplett än de som genereras genom att använda en traditionell metodik i kollektivtrafiken:intervjuer. Det är viktigt att notera att våra matriser är baserade på miljontals poster, medan intervjuer baseras på en liten andel av hela befolkningen.

Vad har du kunnat uppnå tack vare EU-finansiering hittills? Vad behöver du fortfarande uppnå innan projektet är slut?

Projektet byggde på förståelsen att vi behövde förändra affärsmodellen och omvandla den till SaaS (Software as a Service). Men det här är en kostsam process, så utan EU-finansiering hade vi inte uppnått det målet så snabbt. Projektet involverar även flera transportkonsultföretag, transportoperatörer och/eller transportbyråer över hela Europa, som har varit avgörande för att testa SIADE-versioner. Förutom det, vi har turen att få stöd av en grupp coacher från EU som vägleder våra beslut i marknadsstrategin.

Vi har redan avslutat två av de tre faserna i projektet, inklusive hela analysmodulen och simulatorn. Simulatorn kan med en noggrannhet på 93 procent förutsäga förändringarna i passagerarnas flöde efter att ha ändrat eller tagit bort något av elementen i ett transportnätverk, som busshållplats, rader, överföringspolicy, frekvenser, etc. Vi befinner oss för närvarande i Big Data-fasen, lösa alla problem relaterade till 5 Vs. Delar av algoritmerna har framgångsrikt förfinats för att anpassa sig till det nya ramverket.

Kan du ge några exempel på utmaningar från specifika kunder som har övervunnits tack vare din teknik?

Säker. Till exempel, vi har framgångsrikt visat att busstrafiken i Oradea (Rumänien) inte täckte hela stadskärnan på ett effektivt sätt. I Gijón (Spanien), vi hittade, tack vare simulatorn, att ändringar i väg 14 skulle öka den kommersiella hastigheten, men till ett pris:människor som bor i ett av de kvarter som påverkas av den nya ruttdesignen skulle sluta vara busskunder, medan de flesta av dem skulle använda en annan väg (18) istället för att använda transfer. I Modena (Italien), datamodellen har förbättrats och ändrats för att utnyttja SIADEs möjligheter mycket bättre. Våra förslag om att skapa en cirkelväg i Gijón har också implementerats i stadens nya mobilitetsplan.

Kan du berätta mer om din marknadsräckvidd vid det här laget?

Vi samarbetar för närvarande med flera transportkonsultföretag för att tillsammans utforska anbudsmöjligheter i Spanien, Latinamerika och Östeuropa. Att vi har ett framgångsrikt projekt finansierat av EU är en extraordinär konkurrensfördel.

Vilka är dina uppföljningsplaner, när projektet är klart?

Vi lyckas skapa en plattform som passar våra kunders och partners behov till 100 procent, så vi förväntar oss att fortsätta utvecklas på andra marknader utanför Europa och Latinamerika, som USA och Kanada.