IA nos transportes públicos

A IA nos transportes públicos consiste em treinar um modelo com dados que o operador já tem: validações de entrada e saída, dados das viagens, contagens de passageiros e horários. Assim, é possível prever quantos passageiros usarão uma linha, identificar onde uma viagem fica sobrelotada ou planear melhor a manutenção e as equipas. É uma das aplicações de IA que desenvolvemos.

Para a GVB, começámos por ajudar a selecionar os casos de uso de dados com maior impacto. Conheça mais do nosso trabalho no setor em mobilidade e logística.

Com um modelo que combina o histórico de validações de entrada e saída por linha, paragem e hora com o calendário: férias escolares, eventos, condições meteorológicas e obras previstas. Assim, é possível prever a procura para um novo horário ou um período de maior afluência.

A dificuldade é que o passado nem sempre é uma boa referência. Uma nova linha, um desvio de percurso ou uma mudança nos padrões de teletrabalho alteram a procura, e o modelo tem de aprender com essas mudanças. Saiba mais sobre forecasting.

Mais do que parece. Os operadores disponibilizam os seus horários em NeTEx, a posição atual dos veículos e os dados de pontualidade em KV6, e alterações como viagens canceladas em KV17, através dos portais NDOV. Estes dados de origem são dados abertos ao abrigo de uma licença CC-0.

Além disso, os operadores fornecem dados de monitorização às autoridades de transportes públicos segundo o MIPOV, incluindo entradas e saídas de passageiros, transbordos e ocupação. Saiba como estas fontes se combinam com os seus próprios dados de validação na página sobre a plataforma de dados e IA.

Os dados de validação não incluem os passageiros que não validam a viagem, e as contagens manuais exigem muito trabalho e oferecem apenas uma perspetiva pontual. Para a GVB, desenvolvemos software que usa computer vision para contar passageiros nas imagens das câmaras de segurança já instaladas nos veículos. As imagens não são vistas nem partilhadas; só o modelo as analisa.

Assim, obtém informação ao longo de um período mais extenso, por exemplo, sobre as linhas em que há mais passageiros a viajar sem título de transporte válido. Saiba mais sobre computer vision.

Monitorizando-o e treinando-o novamente. Um novo horário, uma paragem suprimida ou uma mudança nos hábitos de deslocação alteram os dados de entrada e reduzem a precisão dos resultados. A isto chama-se drift. Por isso, para a GVB, criámos um workflow de MLOps em Databricks, com templates reutilizáveis, para manter atualizado ao longo dos anos o modelo de segmentação dos padrões de deslocação.

Saiba como funciona em MLOps. A gestão pode ficar a cargo da sua equipa ou da nossa, através do serviço de gestão e melhoria contínua.

Os registos de validação de entrada e saída são dados pessoais enquanto puderem ser associados a um passageiro. Segundo o EDPB, os dados pseudonimizados continuam a ser dados pessoais ao abrigo do RGPD. A declaração de privacidade do OVpay, da Transdev e da Translink, indica que os dados técnicos dos cartões de pagamento só são tratados de forma pseudonimizada.

O anexo III do Regulamento da IA inclui na lista de alto risco a IA utilizada como componente de segurança em infraestruturas digitais críticas e no tráfego rodoviário. Cabe à sua equipa jurídica ou de conformidade avaliar se a sua aplicação se enquadra nessa categoria; nós ajudamos a identificar os casos relevantes. Consulte Regulamento da IA e Responsible AI.

Sim, se os dados de manutenção forem registados corretamente. Para o departamento de Material Ferroviário da GVB, desenvolvemos um modelo de deteção de anomalias que identifica horas registadas fora do padrão. O modelo fornece informação por projeto sobre produtividade, preenchimento dos registos de horas, horas extraordinárias e absentismo, permitindo planear melhor os projetos.

Se pretende antecipar avarias nos veículos, a manutenção preditiva é o passo seguinte. Com a ProRail, investigámos a deteção de defeitos nas rodas através de cabos de fibra ótica ao longo da via.

Quando a questão principal é saber quantos passageiros viajaram, e não quantos irão viajar. Nesse caso, um dashboard Power BI baseado nos seus dados de validação e nos números do MIPOV é mais útil do que um modelo. Uma regra fixa de planeamento também pode ser suficiente se uma linha seguir o mesmo padrão todos os anos.

Se não for possível relacionar paragens e linhas entre as suas fontes de dados, comece pela fundação de dados. Se uma solução mais simples for adequada, dizemo-lo.