УДК 004.942:656.025.2

Интеллектуальное управление транспортными потоками: внедрение data-driven стратегий в Московский метрополитен

Третьякова Софья Владимировна – студент МИРЭА – Российского технологического университета.

Воробьёва Дарья Дмитриевна – студент МИРЭА – Российского технологического университета.

Круглов Анатолий Михайлович – ассистент кафедры Телекоммуникаций МИРЭА – Российского технологического университета.

Аннотация: В современном мире, где данные стали неотъемлемой частью принятия решений, концепция data-driven становится все более актуальной для различных отраслей, включая транспортную инфраструктуру. Российские метрополитены имеют уникальную возможность использовать преимущества data-driven стратегий для повышения эффективности операций, улучшения качества обслуживания и внедрения новых технологий. В этой статье рассматривается общая концепция data-driven, ее преимущества и применение в Московском метрополитене.

Ключевые слова: data-driven, Московский метрополитен, концепция, интеллектуальные транспортные системы (ИТС), предиктивная аналитика, безопасность, пассажиропоток, эффективность, анализ.

В эпоху цифровой трансформации и экспоненциального роста данных, data-driven подход становится все более актуальным для принятия обоснованных решений в различных отраслях, включая транспортную инфраструктуру. Московский метрополитен, являясь одной из крупнейших и наиболее загруженных систем метро в мире, может значительно выиграть от внедрения data-driven стратегий, направленных на повышение эффективности, безопасности и удовлетворенности пассажиров.

Анализ данных о пассажиропотоке Московского метрополитена

Согласно официальной статистики Московский метрополитен обслуживает около 11 миллионов пассажиров ежедневно [1]. Для наглядного отображения данных ежедневного пассажиропотока между различными линиями Московского метрополитена были построены графики, представленные на Рисунке 1 и Рисунке 2, демонстрирующие распределение пассажиропотока в количественном и процентном соотношении соответственно [1].

image1

Рисунок 1. Количественное распределение пассажиропотока на различных линиях Московского метрополитена.

image2

Рисунок 2. Процентное распределение пассажиропотока на различных линиях Московского метрополитена.

Как видно из графиков наблюдаются значительные различия в ежедневном пассажиропотоке между различными линиями Московского метрополитена. Таганско-Краснопресненская линия является самой загруженной с 1 114 000 пассажиров в сутки, в то время как Каховская линия обслуживает лишь 99 200 пассажиров ежедневно. Следующими по загруженности являются Замоскворецкая (1 287 800 чел./сутки) и Серпуховско-Тимирязевская (1 035 400 чел./сутки) линии. Разница между самой загруженной (Таганско-Краснопресненская) и наименее загруженной (Каховская) линиями составляет более 1 миллиона пассажиров в сутки.

Наблюдается значительная диспропорция в распределении пассажиропотока между различными линиями метро. Это может быть вызвано рядом факторов, такими как протяженность линий, количество станций, расположение жилых и деловых районов вдоль линий. Для оптимизации работы метрополитена необходимо учитывать данные о пассажиропотоке при планировании графиков движения поездов, распределении подвижного состава и персонала. Более загруженные линии требуют увеличения частоты движения поездов и большего количества вагонов в составах.

Для этого может использоваться подход data-driven подход, который предполагает возможность внедрения интеллектуальных транспортных систем для мониторинга пассажиропотока в режиме реального времени и оперативного реагирования на изменения ситуации, например, путем перераспределения подвижного состава или информирования пассажиров о альтернативных маршрутах. Далее рассматривается общая концепция данного подхода.

Концепция data-driven

Data-driven подход (с английского "управляемый данными") основан на идее использования данных и аналитики для принятия обоснованных решений на всех этапах развития продукта или услуги [2]. Вместо того, чтобы полагаться исключительно на интуицию или предыдущий опыт, data-driven концепция предполагает принятие решений на основе анализа релевантных данных и количественных показателей.

Ключевыми элементами data-driven подхода являются:

  1. cбор данных: организации должны собирать данные из различных источников, включая операционные системы, системы мониторинга, обратную связь клиентов и внешние источники данных;
  2. обработка и анализ данных: собранные данные проходят процесс очистки, преобразования и нормализации, после чего к ним применяются различные аналитические методы, такие как статистический анализ, машинное обучение и визуализация данных;
  3. принятие решений: полученные аналитические выводы и выявленные закономерности используются для принятия обоснованных решений, оптимизации процессов и улучшения продуктов/услуг;
  4. непрерывное совершенствование: data-driven подход предполагает постоянный мониторинг и адаптацию стратегий на основе новых данных и результатов принятых решений.

Цикл data-driven развития продукта

Внедрение data-driven стратегий в метрополитене должно следовать циклическому процессу (Рисунок 3), состоящему из следующих этапов [3]:

  1. ideas (идеи): на основе анализа текущей ситуации, отзывов пассажиров и опыта других метрополитенов формулируются гипотезы об улучшении услуг, оптимизации маршрутов, повышении безопасности и других аспектах работы;
  2. build (разработка): когда гипотезы подтверждены аналитикой данных, вносятся соответствующие изменения в инфраструктуру, процессы или системы метрополитена;
  3. product (продукт): обновленные услуги или процессы запускаются, и начинается сбор данных о их эффективности через различные источники, такие как турникеты, камеры наблюдения, мобильные приложения и системы мониторинга;
  4. measure (измерение): аналитики отслеживают ключевые метрики, связанные с внедренными изменениями, такие как пассажиропоток, пунктуальность, время ожидания и удовлетворенность пассажиров;
  5. data (данные): собранные данные обрабатываются и анализируются с использованием статистических методов и алгоритмов машинного обучения для оценки влияния изменений на различные аспекты работы метрополитена;
  6. learn (обучение): на основе полученных результатов и выводов формулируются новые идеи и гипотезы для дальнейшего совершенствования услуг, инфраструктуры и процессов метрополитена, после чего цикл повторяется.

image3

Рисунок 3. Цикл data-driven развития продукта.

Практическая значимость data-driven подходов в метрополитене подкрепляется статистическими данными. Согласно исследованию McKinsey, внедрение data-driven стратегий в транспортной отрасли может привести к сокращению операционных расходов на 10-20% и повышению эффективности использования активов на 5-10% [4]. Более того, отчет Boston Consulting Group показывает, что компании, активно использующие аналитику данных, демонстрируют на 19% более высокую операционную прибыль по сравнению с конкурентами, не применяющими data-driven подходы [5]. Статистика Всемирного банка подчеркивает, что анализ данных в сфере транспорта способствует повышению пунктуальности на 15-20% [6]. Для метрополитена своевременное прибытие поездов имеет решающее значение, поскольку пассажиры планируют свое время в соответствии с расписанием. Кроме того, исследование Forrester показало, что внедрение data-driven стратегий может привести к сокращению времени простоев систем на 25-35% [7], что критически важно для бесперебойной работы метрополитена.

Применение data-driven подхода

1. Предиктивная аналитика

Использование предиктивной аналитики открывает широкие возможности для оптимизации работы метрополитена. Путем анализа больших массивов исторических данных, включая пассажиропотоки, события в городе, погодные условия, демографические данные и другие релевантные факторы [8], можно создавать высокоточные прогнозы на основе алгоритмов машинного обучения, таких как регрессионные модели, случайные леса и нейронные сети.

Эти модели позволят прогнозировать спрос на транспортные услуги в разное время суток, дни недели и периоды года для различных участков метрополитена. Полученная информация может использоваться для динамического распределения подвижного состава, оптимизации расписаний и маршрутов движения поездов, а также эффективного планирования ремонтных работ с минимальным воздействием на пассажиропоток.

2. Интеллектуальные транспортные системы (ИТС)

Внедрение ИТС на базе data-driven подхода позволит Московскому метрополитену перейти на новый уровень управления транспортными потоками и обслуживания пассажиров. Сбор и анализ данных в режиме реального времени от различных датчиков и систем мониторинга, таких как счетчики пассажиров, камеры видеонаблюдения, системы определения местоположения поездов, позволит оперативно реагировать на изменения ситуации [9].

При обнаружении перегрузки на определенных участках или станциях, ИТС смогут автоматически перераспределять потоки пассажиров, корректировать расписания и маршруты движения поездов, предотвращая заторы и обеспечивая плавное и эффективное функционирование системы метро.

Кроме того, ИТС могут предоставлять пассажирам актуальную информацию о задержках, изменениях маршрутов, рекомендованных альтернативных маршрутах и времени прибытия поездов через мобильные приложения, информационные табло и другие каналы коммуникации. Это повысит удовлетворенность пассажиров и позволит им более эффективно планировать свои поездки.

3. Анализ данных о безопасности и инцидентах

Обеспечение безопасности пассажиров и персонала является одним из главных приоритетов для любой транспортной системы. Применение data-driven подхода в этой области позволит Московскому метрополитену более эффективно выявлять потенциальные риски и предотвращать инциденты.

Путем сбора и анализа данных об авариях, задержках, технических неисправностях, нарушениях правил безопасности и других происшествиях, можно выявлять закономерности и определять наиболее уязвимые участки системы [10]. Используя алгоритмы кластеризации и выявления аномалий, специалисты смогут разрабатывать превентивные меры, совершенствовать протоколы реагирования на чрезвычайные ситуации и оптимизировать процессы технического обслуживания.

4. Интеграция с городской инфраструктурой

Для максимальной эффективности, data-driven подход в метрополитене должен быть тесно интегрирован с другими городскими системами и инфраструктурой. Объединение данных о дорожном движении, работе наземного общественного транспорта, крупных событиях и мероприятиях в городе позволит создавать комплексные модели и прогнозы транспортных потоков [9].

Эта информация будет способствовать лучшей координации и синхронизации различных транспортных сетей, позволяя оптимизировать маршруты и расписания с учетом загруженности дорог и пригородного сообщения. Кроме того, интеграция с данными о проведении массовых мероприятий поможет заблаговременно перераспределять ресурсы и подготавливать метрополитен к пиковым нагрузкам.

Заключение

Внедрение data-driven подхода в управлении Московским метрополитеном открывает широкие возможности для повышения эффективности, безопасности и качества обслуживания пассажиров. Анализ данных о пассажиропотоке, предиктивная аналитика, интеллектуальные транспортные системы, мониторинг безопасности и интеграция с городской инфраструктурой – вот лишь некоторые направления, в которых data-driven стратегии могут принести значительные преимущества

Реализация data-driven стратегий в Московском метрополитене требует комплексного подхода, включающего сбор данных из различных источников, таких как системы мониторинга, турникеты, камеры наблюдения и мобильные приложения. Собранные данные должны проходить процесс очистки, преобразования и нормализации для обеспечения их качества и совместимости с аналитическими инструментами. Затем применяются соответствующие алгоритмы и методы анализа данных для получения ценных выводов, которые используются для принятия обоснованных решений о маршрутах, расписаниях, техническом обслуживании, безопасности и других аспектах работы метрополитена.

Несмотря на связанные с этим трудности, такие как устаревшая инфраструктура данных, обеспечение безопасности и конфиденциальности данных, нехватка квалифицированных кадров и высокие затраты на внедрение, преимущества data-driven подходов делают их необходимостью для построения эффективной, безопасной и ориентированной на пассажира транспортной инфраструктуры будущего.

Московский метрополитен, обладая огромным опытом и ресурсами, имеет уникальную возможность стать лидером в применении data-driven стратегий в транспортной отрасли России и мира. Путем внедрения передовых аналитических методов и алгоритмов, модернизации инфраструктуры данных и развития соответствующих компетенций персонала, Московский метрополитен может обеспечить долгосрочную устойчивость и инновационное развитие, соответствующее потребностям современного мегаполиса и ожиданиям миллионов пассажиров.

Список литературы

  1. Статистика. Пассажиропоток в метро Москвы [Электронный ресурс]. – Режим доступа: URL: https://www.rus-metro.ru/russia/moscow/statisticheskie-dannye.htm (дата обращения 30.03.2024).
  2. Сагдиева Т.И. Data-driven маркетинг: от теории к практике // Маркетинг в России и за рубежом. – 2022. – №6. – С. 12-19.
  3. Data-driven подход: управление продуктом на основе данных [Электронный ресурс]. – Режим доступа: URL: https://practicum.yandex.ru/blog/chto-takoe-data-driven-podhod/ (дата обращения 30.03.2024).
  4. McKinsey & Company. The Data-Driven Transformation of Mobility [Электронный ресурс]. – Режим доступа: URL: https://www.mckinsey.com/industries/travel-logistics-and-transport-infrastructure/our-insights/the-data-driven-transformation-of-mobility (дата обращения03.2024).
  5. The Boston Consulting Group. Capturing the Value of Good Data [Электронный ресурс]. – Режим доступа: URL: https://www.bcg.com/publications/2021/value-of-good-data (дата обращения03.2024).
  6. Всемирный банк. Анализ данных в сфере транспорта: повышение пунктуальности на 15-20% [Электронный ресурс]. – Режим доступа: URL: https://www.worldbank.org/en/news/feature/2019/05/09/data-analytics-in-transport-improving-punctuality-by-15-20-percent (дата обращения 30.03.2024).
  7. Forrester Research. The Total Economic Impact of Data-Driven Operations [Электронный ресурс]. – Режим доступа: URL: https://www.forrester.com/report/The+Total+Economic+Impact+Of+DataDriven+Operations/-/E-RES175416 (дата обращения03.2024).
  8. Капранова Л.Д. Data-driven подход в управлении транспортными системами. – М.: Горячая линия-Телеком, 2021. – 248 с.
  9. Международная ассоциация общественного транспорта. Data-Driven Public Transport Operation and Maintenance [Электронный ресурс]. – Режим доступа: URL: https://www.uitp.org/publications/data-driven-public-transport-operation-and-maintenance/ (дата обращения03.2024).
  10. Chopra A., Gupta N., Kodali A. Introduction to Data Analytics for Intelligent Transportation Systems. – Cambridge: Elsevier, 2020. – 186 p.

Интересная статья? Поделись ей с другими: