概述
它们的好处取决于当前数据和运营评估；信号优先和综合行程规划并不是自动的机器学习系统。
深入探讨
到达估计可以结合车辆位置、时间表和学习的出行模式。新鲜度很重要：旧位置并不能可靠地描述车辆现在的位置。 GTFS Realtime 将报告车辆位置信息的 VehiclePositions 与传达行程进度和预测停车时间的 TripUpdates 区分开来。需求响应型微交通会根据请求和计划接载，而不是仅仅依赖固定路线。需求分析支持服务和人员配置决策，但必须在运营环境中评估结果。公交信号优先可以为接近的公交车保留或延长有利信号；它是一种流量控制技术，不需要涉及学习模型。移动即服务 (MaaS) 集成了交通选项，可以将跨模式的旅程规划、预订和支付结合起来。这种集成本身并不需要人工智能。
现实世界的实施
Transit 记录了一个预测引擎，该引擎使用车辆位置数据来改进到达估计。
需求响应式调度可以根据接送、容量和服务限制对兼容的乘车请求进行分组。
公交信号优先可以调整接近的公交车辆的信号配时。
客流量模式可以为人员配置和服务规划提供信息，并根据实际需求检查预测。
人工智能在公共交通中的未来
交通研究探索更好的预测、灵活的调度和集成的乘客界面。部署应评估特定机构的数据、服务限制和乘客需求。混合固定路线和需求响应选项是一种运营设计选择，而 MaaS 则描述了集成；两者都不应作为每个城市正在采用完全自治网络的证据。
付诸实践
为什么这很重要
- 背景与规则. 行业背景决定了人工智能创意能否与现实接触。
- 质量控制. 领域约束会影响可接受的错误率和监督模型。
- 构建选择. 成功的部署使技术能力与一线工作流程保持一致。
留意
- 监管要求可能会使原本强大的原型失效。
- 历史数据可能会编码损害特定社区的偏见。
- 遗留系统可能会造成集成瓶颈和隐性成本。
后续步骤
- 让领域专家参与从问题框架到评估的整个过程。
- 在启动前设计审计跟踪和文档。
- 尽早验证合规性和安全义务。
- 分阶段推出，并具有明确的停止和回滚标准。
不断探索
常见问题
什么是公共交通中的人工智能？
人工智能和优化可以支持公交到达预测、调度和需求分析。它们的好处取决于当前数据和运营评估；信号优先和综合行程规划并不是自动的机器学习系统。
交通应用程序如何预测您的巴士实际到达时间？
现代到达预测将实时车辆 GPS 位置与当前交通和学习的旅行时间相结合，以估计准确的预计到达时间。
需求响应型微交通与仅遵循固定路线的服务有何不同？
基于请求的调度和路由提供了灵活性；自动化的方法和范围因服务而异。
需求预测可以帮助交通机构解决什么问题？
需求预测可以按路线和时间预测客流量，让各机构在人群形成之前增加车辆，并在需求较低时减少服务。
公交信号优先对驶近的公交车有何作用？
信号优先是一种流量控制技术；它的实现不一定是机器学习。
机构应如何评估新的公交车到站预测器是否改善了其乘客信息？
准确性需要观察到的到达证据；型号标签或营销声明并不代表改进。