Использование аналитики big data для решения проблем...
TRANSCRIPT
1
Использование аналитики Big Data для решения проблем
транспортного комплекса г. Москвы
Проектное предложение Московского государственного университета
имени М.В. Ломоносова
г. Москва, сентябрь 2016 г.
2
МГУ имени М.В.Ломоносова: крупнейший классический университет
№1 в рейтинге QS «Развивающаяся Европа и Центральная Азия»
реализация концепции «Умные города – столицы Цифровой экономики»
технологические и комплексные экономические исследования, развитие современных исследовательских методов
синтез обучения и исследований на базе научных лабораторий
25-е место в мировом репутационномрейтинге университетов Times HigherEducation
около 300 академиков и членов-корреспондентов РАН и государственных отраслевых академий, 3 тыс. докторов и 6 тыс. кандидатов наук
41 факультет, 15 научно-исследовательских институтов, 377 кафедр, 5 филиалов
более 200 зарубежных партнеров
более 45 тыс. учащихся, 20 тыс. сотрудников
Реализуется комплексный и междисциплинарный подход к исследованиям
3
Индекс транспортного развития мегаполисов
4
Рекомендации для развития транспортного комплекса г. Москвы
• Снижение загруженности автодорог
• Увеличение равномерности нагрузки натранспортную систему
• Улучшение безопасности дорожного движения
• Развитие велосипедного транспорта, велосипедныхмаршрутов, пунктов проката
• Развитие пешеходных маршрутов
5
Предлагаемые методы анализа и источники первичных данных
машинное обучение
метод главных компонент (PCA)
геопространственныйанализ
матрица корреспонденции
экономический анализ
• данные сотовых операторов
• базы данных использования проездных билетов
• данных социальных сетей
• спутниковые снимки высокого разрешения
• видеопоток с камер наблюдения
• сенсорные системы
6
Индекс равномерности загрузки транспортного комплекса
Снижение пиковых нагрузок и увеличение равномерности нагрузки на транспортный комплекс
СУЩЕСТВУЮТ РЕЗЕРВЫ ПОВЫШЕНИЯ КАЧЕСТВА ТРАНСПОРТНЫХ УСЛУГ ДЛЯ ВЛАДЕЛЬЦЕВ СОБСТВЕННЫХ АВТОТРАНСПОРТНЫХ СРЕДСТВ
2 4 6 8 100
Москва
2010г.
8
10
2015г.
Количество личных автомобилей в Москве,млн ед.
3
4
5
2010 2011 2012 2013 2014 2015
Время, затраченное в пробках, в % от времени пути
ДрайверРезультаты предпринятых мер по предотвра-щению пробок при относительной лояльно-сти регулирования в сфере пользования лич-ным транспортом
ОграничениеРост протяженности автодорог сопровождается увеличением парка личных автомобилей
Индекс качества транспортных услугдля владельцев автотранспортных средств
Протяженность автодорог в Москве, тыс. км
4
5
6
7
8
2010 2011 2012 2013 2014 2015
Мех
ико
Ст. П
етер
бург
Лон
дон
Шан
хай
Нью
-йор
к
Токи
о
Син
гапу
р
Ста
мбу
л
Моск
ва
0
10
20
30
40
50
60
Снижение времени, затраченного в пробках, от времени путив Москве с 2010 г. на 15%
10
Все индексы и рейтингихарактеризуют усредненныеили интегральные параметры
• Данные сотовых операторов• Данные ЦОДД
Возможность исследования степени загруженности
автодорог и общественного транспорта от времени
Геопространственное и временное выделение мест с высокой пиковой загрузкой
Метрика: абоненты в движении
7
Повышение безопасности дорожного движения
Создание ГИС-системы для сбора информации о ДТП (пример Сан-Франциско)
12% аварий приводят к 70% повреждений
Цель проекта: к 2024 году свести к нулю количество смертей в авариях с участием автомобилей/пешеходов/велосипедистов
Метод: поиск точек наибольшей аварийности и их анализ
8
Оценка пешеходного и велосипедного трафика
Пешеходные передвижения до работы: Москва -менее 10%, Варшава - 21%, Копенгаген - 19%. Пешеходные передвижения за покупками - 10-15%.
Источник: ARUP, 2011
Москва не входит в ТОП рейтинга Bicycle-Friendly Cities
Рейтинг 2015 г.:1. Копенгаген2. Амстердам3. Утрехт4. Страсбург5. Эйндховен
6. Мальмё7. Нант8. Бордо9. Антверпен10. Севилья
9
Социально-экономические эффекты развития пешеходных маршрутов (Cities Alive Towards a walking world, ARUP, 2016):
• Снижение риска ранней смерти на 22%
• Уменьшение уровня преступности на 74%
• Повышение уровня социального капитала на 80%
• Увеличение личного бюджета на 50%
• Снижение экономических потерь в объеме до 7,1 млрд $
• Соотношение затрат и результатов развития пешеходного движения - 1:13
• Снижение выбросов парниковых газов
Потенциальные эффекты от развития активных видов городского транспорта
10
Оценка пешеходного и велосипедного трафика Большая часть исследований, посвященных измерению трафика в городах, относится к автомобильному движению. Исключение –отдельные работы по вопросам велосипедного трафика [CITIES, SMART. "Trace analysis and mining for smart cities: issues, methods, and applications." IEEE Communications Magazine 121 (2013)]
Необходимость комплексного исследования трафика с учетом информации из всех возможных источниковВозможные подходы:• Данные сотовых операторов
(перемещение телефона между базовыми станциями)
• Данные производителей мобильных ОС• Пассивный мониторинг мобильных
телефонов• Счетчики (пешеходов, велосипедистов)• Трекинг (активный мониторинг) для
велосипедов и crowd-sensing для пешеходов• Видео-наблюдение (выделение объектов в
видео и подсчеты по видео-потоку)• Косвенные методы (социальные сети,
данные о посещаемости публичных мест и т.д.)
11
Опыт мониторинга движения пешеходов и велосипедистов в ведущих зарубежных мегаполисах
Портал программы bike-sharing в Чикаго. Статистика системы размещена в публичном
доступе. Возможность для сторонних разработчиков создавать программы
визуализации, проверять модели и т.д.
Система IP-камер в Пало Альто, распознающих пешеходов и велосипедистов
Мониторинг трафика велосипедистов в Будапеште: Open Hardware трекер с
технологией передачи данных LoRaWAN(независимость от мобильных операторов,
возможность использования для передачи других измерений). Конкурирующие технологии -
NB-IOT, Huawei Smart Bike
12
Компания Мегафон: агрегирование данных о переключении мобильного телефона абонента между базовыми станциями
Продукт FLOW компании Google Urban Labдля анализа перемещений в городе
Система IP-камер, распознающих пешеходов и велосипедистов. Программное обеспечение компаний Vimoc, CognimaticsФункция подсчета велосипедистов - часть пакета видео-аналитики, интегрируемого с камерами Bosch
Пьезоэлектронные датчики на дорожке, радиолокаторы, инфракрасные датчики движения (Beonic)
Подсчет количества мобильных устройств
Crowd-sensing - сбор информации (в первую очередь, данных различных сенсоров) с помощью устройств конечных пользователей
Решения потенциально применимые в г. Москве
13
Предложения по мониторингу пешеходного и велосипедного движения в г. Москве
Задачи:1. Развитие Индекса развития транспортного комплекса мегаполисов - включение в
расчет субиндекса, характеризующего эффективность организации пешеходного и велосипедного движения в г. Москве
2. Анализ влияния изменений в области транспортной инфраструктуры на пешеходов и велосипедистов на основе изучения динамики трафика пешеходов и велосипедистов в районах города, определенных по согласованию с Дептрансом г. Москвы
Релевантные исходные данные, потенциально доступные на уровне г. Москвы:• Данные сотовых операторов. Могут эффективно использоваться для изучения
движения пешеходов• Данные камер видеонаблюдения. Выделение объектов может производиться
программным обеспечением самих камер; либо камеры осуществляют лишь съемку, а обработка (анализ сцен) ведется программными средствами
• Другие типы данных: • посещаемость различных общественных (публичных) заведений, расположенных на
конкретных улицах города• статистика по местам совершения карточных транзакций• статистика служб такси• статистика по получению и возврату арендуемых велосипедов и др.
14
Возможное использование аналитики Big Data
• Данные со станций проката• Данные о погоде • Данные о праздниках• Матрица корреспонденции для
пешеходов и велосипедистов
Предсказания вероятности аренды велосипедов в
произвольной точке города по косвенным признакам
Оптимизация расположения станций проката велосипедов
Использование машинного обучения и исторических данных велопроката
Повышение транспортной связности путем введения новых
велодорожек
15
Возможное использование аналитики Big Data
• Данные сотовых операторов• Данные о местах в соцсетях• Удаленность от метро• Плотность населения• Маршруты транспорта• Средняя ширина тротуаров• Количество припаркованных на
улицах автомобилей• Удаленность от других станций
Выявление факторов, влияющих на плотность
пешеходного потока в функциональных зонах
города
Оптимизация расположения пешеходных переходов,
тротуаров, пешеходных улиц
16
• Создание системного видения перспектив развития велосипедной и пешеходной инфраструктуры во взаимосвязи со стратегией развития транспортной системы г. Москвы
• Системное планирование развития транспортной инфраструктуры во взаимосвязи с улучшением качества экосистемы городского публичного пространства
• Оптимизация ключевых показателей развития транспортной системы города (среднее время поездки и др.) с учетом возможностей активных видов транспорта
• Повышение связности различных типов маршрутов (городской транспорт, личные автомобили, велодорожки, пешеходные маршруты)
• Оптимизация расположения пешеходных переходов, ширины тротуаров, пешеходных улиц, велодорожек; выбор оптимального местоположения остановок общественного транспорта, станций велопроката и др.
• Оптимизация размещения объектов муниципального хозяйства и бизнеса с учетом их пешеходной доступности
Реализация проектных предложений внесет вклад в улучшение системы планирования развития транспортной системы города
17
Проектное предложение МГУ
Комплексный анализ проблем транспортной системы с учетом социально-экономических аспектов развития города на основе аналитики первичных данных
1. Разработка Индекса равномерности загрузки транспортного комплекса
2. Создание ГИС-системы статистики ДТП
3. Комплексный мониторинг пешеходного и велосипедного движения и оптимизация транспортной инфраструктуры
4. Оценка экономических издержек и выгод развития альтернативных видов транспорта и рекомендации по оптимизации размещения объектов городского хозяйства и объектов бизнеса с учетом не только транспортной, но и пешеходной доступности.
Благодарим за внимание!