Het SIADE SaaS-project (Spatial Decision Support System for Transportation Planning) markeert in wezen een verandering in de positionering van het Spaanse MKB Terrain Technologies. Van een adviesdienst gebouwd rond een algoritme om de bestemmingen van passagiers af te leiden, het bedrijf vroeg Horizon 2020 om ondersteuning om softwareleverancier te worden.

Nutsvoorzieningen, steden in heel Europa kunnen profiteren van een oplossing die Big Data verrijkt met een ruimtelijke component, complexe analyse van het reizigersgedrag mogelijk maken om het openbaarvervoernetwerk te verbeteren.

Maria J. Arguelles, project coördinator, vertelt ons meer over de oplossingen en prestaties van het bedrijf tot nu toe.

Hoe kan Big Data helpen om een ​​betere openbaarvervoerervaring in Europa te bieden?

María J. Arguelles:Smartcard-ticketsystemen die momenteel beschikbaar zijn in de openbaarvervoersystemen van veel steden, maken een enorme hoeveelheid gegevens mogelijk. Deze datasets weerspiegelen hoe mensen zich gedragen, wat op zijn beurt betekent dat het mogelijk is om hun vervoersbehoeften te beoordelen en een nauwkeurig beeld te geven van hun gewoonten, hetzij als groepen (op basis van tarieftypes, zoals leerling, ouderen, etc.) of op individueel niveau. Dankzij Big Data-analyse, we kunnen het openbaar vervoer aanpassen aan deze behoeften, nieuwe diensten plannen, minimaliseer de wandeltijd, enzovoort.

Wat waren de tekortkomingen van pogingen om deze gegevens tot nu toe te gebruiken, en hoe onderscheidt uw software zich hierin?

Het is belangrijk om te verduidelijken dat big data transport een grote complexiteit met zich meebrengt vanwege iets dat er inherent aan is:wat gewoonlijk wordt gedefinieerd als de '5 V's' (volume, snelheid, waarachtigheid, verscheidenheid en waarde).

Bijvoorbeeld, een grote hoeveelheid datavolume impliceert een grote opslagcapaciteit. We mogen niet vergeten dat steden als Madrid, bijvoorbeeld, bijna 500 miljoen ritten per jaar genereren, en ongeveer 1,2 miljard euro voor de hele regio rond Madrid, bijna net zoveel als in Istanbul.

De variëteitsdimensie omvat datasets die zijn gegenereerd uit verschillende bronnen, zoals busvalidators of mobiele telefoons, terwijl waarheidsgetrouwheid het belang van kwaliteitsgegevens en het niveau van vertrouwen benadrukt. Om het plaatje nog ingewikkelder te maken, het feit dat transportregistraties gerelateerd zijn aan geografische locaties betekent dat we te maken hebben met data met een ruimtelijke component, of Ruimtelijke Big Data.

Om die moeilijkheden te overwinnen, SIADE SaaS is ontworpen als een kern-GIS-ontwikkeling, het samenvoegen van de ruimtelijke aard van gegevens met geavanceerde methoden voor gegevensanalyse.

Hoe compenseer je precies het ontbreken van informatie over de bestemmingen van passagiers?

Dat is een van de kernalgoritmen van SIADE. We kunnen tot 88 procent van de bestemmingen van passagiers afleiden met een nauwkeurigheid van 96 procent. Deze resultaten bevestigen dat we erg sterk zijn in het bouwen van herkomstbestemmingsmatrices op basis van transportgegevens, en zijn veel sneller goedkoper en completer dan die gegenereerd door het gebruik van een traditionele methode in het openbaar vervoer:interviews. Het is belangrijk op te merken dat onze matrices zijn gebaseerd op miljoenen records, terwijl interviews zijn gebaseerd op een klein percentage van de hele populatie.

Wat heb je tot nu toe dankzij EU-financiering kunnen bereiken? Wat moet je nog bereiken voor het einde van het project?

Het project was gebaseerd op het inzicht dat we het bedrijfsmodel moesten veranderen en omzetten in SaaS (Software as a Service). Maar dit is een kostbaar proces, dus zonder EU-financiering zouden we dat doel niet zo snel hebben bereikt. Bij het project zijn ook verschillende transportadviesbureaus betrokken, vervoerders en/of vervoersbureaus in heel Europa, die van het grootste belang waren bij het testen van SIADE-versies. Daarnaast, we hebben het geluk dat we worden ondersteund door een groep coaches van de EU die onze beslissingen in de marktstrategie begeleiden.

We hebben al twee van de drie fasen van het project afgerond, inclusief de volledige analysemodule en de simulator. De simulator kan met een nauwkeurigheid van 93 procent de veranderingen in de passagiersstroom voorspellen na het wijzigen of verwijderen van een van de elementen in een transportnetwerk, zoals bushalte, lijnen, overdrachtsbeleid, frequenties, enz. We bevinden ons momenteel in de Big Data-fase, het oplossen van alle problemen met betrekking tot de 5 Vs. Delen van de algoritmen zijn met succes verfijnd om zich aan te passen aan het nieuwe raamwerk.

Kunt u enkele voorbeelden geven van uitdagingen van specifieke klanten die dankzij uw technologie zijn overwonnen?

Zeker wel. Bijvoorbeeld, we hebben met succes aangetoond dat het busvervoer in Oradea (Roemenië) niet het hele stadscentrum efficiënt bestreek. In Gijón (Spanje), we hebben gevonden, dankzij de simulator, dat wijzigingen in route 14 de commerciële snelheid zouden verhogen, maar tegen een prijs:mensen die in een van de buurten wonen die door het nieuwe routeontwerp worden getroffen, zouden geen busklanten meer zijn, terwijl de meesten van hen een andere route (18) zouden gebruiken in plaats van overstappen. In Modena (Italië), het datamodel is verbeterd en gewijzigd om de mogelijkheden van SIADE veel beter te benutten. Onze suggesties om een ​​cirkelvormige route in Gijón te creëren, zijn ook geïmplementeerd in het nieuwe mobiliteitsplan van de stad.

Kunt u ons op dit moment meer vertellen over uw marktbereik?

We werken momenteel samen met verschillende transportadviesbureaus om samen aanbestedingsmogelijkheden in Spanje te verkennen, Latijns-Amerika en Oost-Europa. Het feit dat we een succesvol project hebben dat door de EU wordt gefinancierd, is een buitengewoon concurrentievoordeel.

Wat zijn uw vervolgplannen, zodra het project is afgerond?

We slagen erin een platform te creëren dat 100 procent aansluit bij de behoeften van onze klanten en partners, dus we verwachten te blijven evolueren in andere markten buiten Europa en Latijns-Amerika, zoals de Verenigde Staten en Canada.