Η αστική κινητικότητα παράγει τεράστιες ποσότητες δεδομένων: θέσεις οχημάτων, χρόνοι αναμονής, μοτίβα χρήσης, προτιμήσεις μετακίνησης, πληρωμές. Οι περισσότερες πόλεις τα αγνοούν ή τα συλλέγουν χωρίς να τα αξιοποιούν. Το Novoville Mobility φιλοδοξεί να γεφυρώσει αυτό το χάσμα μέσω Machine Learning και Artificial Intelligence σε τρία επίπεδα.
Η ΕΕ3 του έργου αφιερώθηκε αποκλειστικά στην ανάλυση τεχνολογικών τάσεων AI/ML στην κινητικότητα και στις εργαστηριακές προσομοιώσεις — θέτοντας τη βάση για την υλοποίηση της ΕΕ6.
Τα Τρία Επίπεδα AI/ML στην Πλατφόρμα
Επίπεδο 1 — Προσωποποιημένες Ανταμοιβές (Π6.5)
Αλγόριθμοι που παρακολουθούν το ιστορικό συναλλαγών κάθε χρήστη και βαθμονομούν αυτόματα τις ανταμοιβές βάσει του σχεδίου που έχει ορίσει ο διαχειριστής. Ο χρήστης που χρησιμοποιεί συχνά ποδήλατο λαμβάνει διαφορετική πρόταση από αυτόν που χρησιμοποιεί κυρίως στάθμευση. Η λογική βασίζεται σε Rule Engine με AND logic, streak multipliers (διαδοχικές μέρες βιώσιμης μετακίνησης) και flat bonus για επιτεύγματα.
Επίπεδο 2 — Στατιστική Ανάλυση Μετακινησιακής Συμπεριφοράς (Π6.6)
Ηλεκτρονικές αναφορές που συγκεντρώνουν ανωνυμοποιημένα δεδομένα για να παράγουν δείκτες KPI της κινητικότητας ανά δήμο. Το σύστημα εντοπίζει τάσεις, εποχικότητα, γεωγραφική κατανομή ζήτησης και αποτελεσματικότητα ανταμοιβών. Τροφοδοτεί τη διαχειριστική πλατφόρμα (Π6.4) με dashboards για αποφάσεις πολιτικής.
Επίπεδο 3 — Multimodal Routing
Αλγόριθμος βέλτιστης διαδρομής που λαμβάνει υπόψη πολλαπλά μέσα μεταφοράς ταυτόχρονα: πόδια, ποδήλατο, λεωφορείο, στάθμευση. Η βελτιστοποίηση γίνεται βάσει τριών παραμέτρων: χρόνος, κόστος, περιβαλλοντικό αποτύπωμα. Ο χρήστης επιλέγει την προτεραιότητά του και λαμβάνει εξατομικευμένες προτάσεις.
Η Μεθοδολογία CO₂ — Ένα Πρακτικό Παράδειγμα
Ένα από τα πιο ενδιαφέροντα τεχνικά προβλήματα που αντιμετωπίσαμε αφορά τον υπολογισμό αποφυγής CO₂. Πώς μετράς ποσότητα εκπομπών που δεν έγιναν;
Για δημόσια συγκοινωνία (λεωφορεία)
Το check-in γίνεται μόνο κατά την επιβίβαση — δεν υπάρχει check-out. Άρα δεν γνωρίζουμε τη διαδρομή που πραγματοποίησε ο επιβάτης. Η λύση: πολλαπλασιαστικός συντελεστής ανά εισιτήριο, που κωδικοποιεί τη μέση απόσταση διαδρομής και τη μέση διάρκεια για κάθε γραμμή. Βαθμονομείται ανά πόλη και ανά τύπο εισιτηρίου.
Για κοινόχρηστα ποδήλατα
Ο χρόνος χρήσης μετράται ακριβώς (unlock–lock), αλλά όχι η απόσταση — αποφεύγεται η GPS παρακολούθηση για λόγους προστασίας ιδιωτικότητας. Η λύση: πολλαπλασιαστικός συντελεστής επί λεπτά χρήσης, που εκτιμά τη μέση απόσταση βάσει μέσης ταχύτητας ποδηλάτου. Η σύγκριση γίνεται με το ισοδύναμο ΙΧ διαδρομής.
Εργαστηριακές Προσομοιώσεις (ΕΕ3)
Πριν η ΕΕ6 αναλάβει την ανάπτυξη των αλγορίθμων παραγωγής, η ΕΕ3 επαλήθευσε τις αρχιτεκτονικές προσεγγίσεις σε ελεγχόμενο εργαστηριακό περιβάλλον. Οι προσομοιώσεις επικεντρώθηκαν σε:
- Clustering αλγόριθμοι για ομαδοποίηση μετακινησιακών προφίλ χρηστών
- Collaborative filtering για προτάσεις ανταμοιβών βάσει παρόμοιων χρηστών
- Time-series ανάλυση για πρόβλεψη ζήτησης σε θέσεις στάθμευσης και σταθμούς ποδηλάτων
- Graph algorithms για βέλτιστη multimodal δρομολόγηση
Τα αποτελέσματα της ΕΕ3 επιβεβαίωσαν την επιλεγείσα αρχιτεκτονική και τροφοδότησαν άμεσα τις προδιαγραφές της ΕΕ6.
Ιδιωτικότητα by Design
Όλη η αρχιτεκτονική AI/ML έχει σχεδιαστεί με αρχή privacy by design: οι αλγόριθμοι λειτουργούν σε ανωνυμοποιημένα ή συγκεντρωτικά δεδομένα. Δεν αποθηκεύεται ποτέ ακριβής GPS διαδρομή. Τα δεδομένα συμπεριφοράς επεξεργάζονται τοπικά όπου είναι εφικτό. Η προστασία ιδιωτικότητας δεν είναι εκ των υστέρων συμμόρφωση — είναι απαίτηση της αρχιτεκτονικής.