Hoppa till huvudinnehåll
Tillbaka till Data & Analytics

”Al hjälper oss att beräkna längden på störningar i tågtrafiken”

Foto: Fredrik Andersson

Redan idag kan AI ge snabbare och mer exakta prognoser jämfört med en trafikledare, när det gäller kortare störningar i tågtrafiken.
Trafikverket
Analytics
Borlänge
Mer exakta prognoser när det gäller kortare störningar i tågtrafiken.

Det visar ett pågående forskningsprojekt där Trafikverket, Linköpings Universitet och Atea samarbetar. Men det är i samspelet mellan människa och maskin som störst värden kommer att uppstå.

– Det handlar exempelvis om när du står på perrongen och väntar på ett tåg som drabbats av en försening. Med mer exakta prognoser kan du i lugn och ro köpa en kaffe eftersom du kan lita på de trafikmeddelanden som du får, säger Daniel Jakobsson, handledare för forskningsprojektet.
Han är också strateg på Trafikverket med ansvar för att utveckla den datadrivna verksamheten.

Forskningen har pågått i drygt ett år, men redan efter sex månader blev algoritmerna mer exakt i sina prognoser jämfört med en människa, när det gäller kortare störningar. Vilket inte alls är märkvärdigt.

– Det beror på att vi har matat in stora mängder data som handlar om kortare trafikrelaterade störningar. Algoritmen har helt enkelt fått träna på beräkningar som gör att den nu kan ge träffsäkra uppskattningar. Det är omöjligt för en människa att på några hundradels sekunder bearbeta tusentals uppgifter från de senaste åtta åren. Men det är ingen utmaning för algoritmer, konstaterar Daniel Jakobsson.

Daniel Jakobsson, Trafikverket

Behöver mer data av hög kvalitet

Algoritmerna kan ge värdefull avlastning när det gäller komplexa beräkningar av stora mängder data. Men trafikledarnas kunskap och erfarenhet är en nödvändighet, framför allt vid mer komplexa händelser, till exempel när tåg behöver ledas om eller ställas in. 

Ta beslut baserat på insikter och fakta

Vi hjälper dig att tydliggöra vad det innebär för din verksamhet att bli mer datadriven. Vi följer dig på hela resan till bättre beslut, effektivare processer och ett datadrivet stöd för affärsutveckling.

Läs mer om datadrivet beslutsfattande och AI

– Målet är träna algoritmen så att vi snabbare kan skicka ut mer exakta trafikprognoser för alla slags trafikstörningar, säger Daniel Jakobsson.

– För att det skall bli verklighet behöver vi fler uppgifter om trafikstörande händelser och även en ny typ av data som bidrar till förbättrade resultat. I ett första steg krävs hundratusentals nya uppgifter – och på sikt drygt en halv miljon.

För att uppgifterna ska bli begripliga och användbara för algoritmen måste de först översättas, preppas och matas in i databasen för att sedan kunna tolkas (av algoritmen).

– Det är en interaktiv process som pågår och upprepas hela tiden. Vi människor måste kontinuerligt mata algoritmen med nya uppgifter och samtidigt hålla koll på att slutsatserna är rimliga. Ett AI blir aldrig fullärt. Nya uppgifter leder (när allt utförs korrekt) till en ökad snabbhet och träffsäkerhet i prognoserna och att värdet för samhället och individen ökar, beskriver Daniel Jakobsson.

”Om vi kan få tillgång till information om vad som hände precis innan trafikstörningen registrerades, vilka alternativ som övervägdes och vilket beslut som fattades så vore det värdefullt. Det skulle ge oss ännu bättre möjligheter att vässa algoritmerna och därmed också prognoserna.”

— Daniel Jakobsson
Strateg på Trafikverket

De främsta experterna inom dataanalys och AI

Projektet AIRT, AI-baserad Realtidsprognostisering av Trafikinformation, har kommit drygt halvvägs. Det första året utformades forskningsteamet och datakällor utvärderades. Algoritmer skrevs, testades och tränades och uppgifter har preppats och lagts in i databasen.

För att göra uppgifterna ”data ready” behövs människor som kan analysera och förstå Trafikverkets störningar, men även nivåer (av trafikstörningar) och orsakskoder. Samtidigt krävs de vassaste AI-experterna. Därför valde Trafikverket att anlita Peter Lenaers, AI-expert på Atea, som samarbetar med forskare från Linköpings Universitet.

– Utan Atea hade vi inte kunnat skriva och träna de algoritmer som vi använder idag. Vi hade heller inte fått fram de resultat som vi fått hittills. Peter Lenaers har skrivit nästan all Python-kod i Jupyter Notebook, ett program för öppen källkod som är populärt inom AI-utveckling, säger Daniel Jakobsson.

Värdet för resenären och samhället

Faktum är att Trafikverket redan använder datadrivna lösningar för smidigare flöden i tågtrafiken.

– På delar av det fjärrstyrda järnvägsnätet används digitala grafer (verktyget kallas Digital Graf) som gör att trafikledarna kan ligga några steg före realtiden. I stället för att lösa störningar när de inträffat, kan de fokusera på att undvika störningar och på att de tåg som rullar kommer fram enligt tidtabell, säger Daniel Jakobsson.

 

 

Digital Graf är ett verktyg som Trafikverket använder för att planera bland annat avgångs- och ankomsttider för tåg. Verktyget bygger på digitala grafer och beräkningar som hjälper trafikledare att ta fram nya ankomst- och avgångstider. De ser också vilka spår som är mest lämpliga att använda. Verktyget räknar på alla tåg samtidigt, där en människa behöver fokusera på en beräkning åt gången.

Mer träffsäkra prognoser

Tillbaka till den pågående forskningen i Linköping – och till Trafikverket Labs- Innovations arena för transport i Sverige.

Målet med forskningsprojektet är att visa hur Trafikverket kan leverera säkrare prognoser och mer exakta svar om när trafiken beräknas komma i gång igen, efter en störning i tågtrafiken.

– Vi har sett ett antal spännande resultat så här långt, men vi har nästan ett år kvar, så mycket kan hända. I december 2022 ska vi presentera vad vi kommit fram till och efter det fattas beslut om en eventuell fortsättning eller implementation, säger Daniel Jakobsson.

Tränar flera algoritmer parallellt

Som tidigare nämnts krävs större volymer av data för att nå bättre resultat i algoritmerna. Och det finns uppgifter som skulle kunna förbättra algoritmerna ytterligare och ge mer detaljerad information.
Deltagarna i projektet kommer att undersöka möjligheten att använda dessa uppgifter framöver.

– Om vi kan få tillgång till information om vad som hände precis innan trafikstörningen registrerades, vilka alternativ som övervägdes och vilket beslut som fattades så vore det värdefullt. Det skulle ge oss ännu bättre möjligheter att vässa algoritmerna och därmed också prognoserna, säger Daniel Jakobsson.

Neurala nät och syntetiska data

Artificiella neurala nätverk
Ett neuralt nätverk eller artificiellt neuronnät är ett samlingsnamn på ett antal självlärande algoritmer som försöker efterlikna funktionen i biologiska neuronnät. Algoritmer som efterliknar neuronnät kan ofta klara problem som är svåra att lösa med konventionella datalogiska metoder.

Syntetiska data tas fram genom att exempelvis fördubbla eller tredubbla originaldata, så att algoritmen får större volymer att jobba med. Multipliceringen (ökningen av data) hänger ihop med hur stora mängder originaldata som algoritmen har att jobba med. Om du multiplicerar med för stora tal kan beräkningen slå fel.

Det finns fler möjligheter som kan ge önskade resultat. För någon vecka sedan diskuterade forskargruppen möjligheterna att använda syntetiska data för att algoritmen ska få mer substans (eller ett större dataset) att träna med. 

– Syntetisk data kan användas för att träna en modell, till exempel ett neuralt nätverk. Generellt sätt gäller att ju mer data vi har för att träna en modell, desto bättre kommer algoritmen att fungera, säger Daniel Jakobsson och fortsätter:

– När vi fördubblar eller tredubblar originaldata uppstår syntetiska data. Men vi kan inte multiplicera våra uppgifter gånger tusen, då slår beräkningen fel. Tekniken kommer från bildtolkning med AI, där man ofta spegelvänder bilder för att öka mängden data. Men vi genererar i stället större mängder data genom att skapa fiktiva trafikstörande händelser, vilket är betydligt svårare. 

I framtiden tränar trafikledarna AI

Även om detta forskningsprojekt pågår för fullt, så ser Daniel Jakobsson att den enda vägen framåt är att hela samhället blir mer datadrivet. Även Trafikverket. Men han målar inte upp någon dystopi där maskinerna besegrat människan som går runt olycklig och arbetslös. Tvärt om.

– I en snar framtid kommer trafikledarna att träna algoritmerna med den senaste informationen. Det kan handla om att mata in orsakskoder som gör händelsen begriplig för både AI och människa, säger Daniel Jakobsson och fortsätter:

– Samhällsnyttan ökar över tid. Tekniken finns redan för att göra exakta störnings-beräkningar för all trafik i luften, på vatten, på vägar och på järnvägar. Det är bara fråga om fortsatt forskning, tester och implementering.

Startklar AI

Startklar AI är en inspirations- och idéworkshop, ledd av erfarna AI-specialister, som är designad för er som vill starta (eller boosta) resan inom AI. 

Mer om Startklar AI

 

************************
Text: Ulrika Nybäck
Foto: Fredrik Andersson
************************

Kontakta mig gällande AI

Johan Ripgården
Johan Ripgården
Concept Manager - Analytics
johan.ripgarden@atea.se
Tillbaka till Data & Analytics