Effektiv og forutsigbar busstrafikk i Rogaland ved hjelp av data science

Utfordringen

Et trygt og effektivt busstilbud er noe veldig mange i Rogaland er helt avhengig av i sin hverdag. Primærmålet til Kolumbus er derfor å levere og optimalisere busstilbudet i Rogaland og sikre innbyggerne raskest og mest mulig effektiv reise. Med både økende trafikk og antall passasjerer er det likevel en utfordring å alltid levere på krav om minst mulig forsinkelser og så presise busser som mulig. Med den nye bussveien som skal være klar i 2023 vil det på det meste kjøre 70 busser i timen, og uten et smart system for å lede disse, vil målene og forventningene bli vanskelige å levere på.

På oppdrag fra Kolumbus bygger vi derfor nå et trafikkledersystem som henter opp og benytter all relevant data for å automatisk sørge for at bussene kjører fra rett sted til rett tid. Prosjektet er kalt Automatisk trafikkleder, og vil bli nøkkelen til optimalisert busstrafikk i Rogaland i årene som kommer. Under kan du se et eksempel fra en av simuleringene vi gjør for å teste ulike scenarioer og strategier i et lukket miljø.

Smidig trafikkavvikling – bruk av data science for å unngå klumping

Valget om å bygge den nye bussveien ble tatt nettopp for å optimalisere trafikken i Rogaland. Men for å hente ut de største gevinstene må noen av hovedutfordringene som allerede oppleves i dag løses. Klumping av busser er kanskje den største av disse.

Klumping oppstår som følge av at noen busser foran i traséen plukker opp flere passasjerer enn normalt og dermed bruker lenger tid enn planlagt. Som en effekt av dette tar derfor bussene bak innpå. Dette skaper tregheter og dårlig flyt, som igjen går ut over passasjerene og deres opplevelse av tjenestene Kolumbus leverer.

Trafikklederens hovedoppgave er å løse dette gjennom å sørge for at passasjerer fraktes mest mulig smidig og effektiv fra A til B uansett passasjermengde og antall tilgjengelige busser

«På den nye bussveien estimerer vi at det vil bli 20 000 reisende hver dag, og gjennom dette arbeidet ønsker vi å styre bussene slik at reisetiden blir minst mulig ut ifra de forutsetningene som ligger der. Kundenes opplevelse skal alltid være at bussene kommer ofte og presist »

Tanken er at dette skal gjøres ved å veilede bussjåfører, samt styre trafikklys og informasjon til passasjerer. Dette vil vi gjøre gjennom å innhente og samle all nødvendig data som påvirker trafikken og bussene, og deretter generere sanntidsinstruksjoner til sjåførene og de aktuelle systemene på bussveien. Systemene vil deretter rapportere tilbake status og tilstand slik at trafikklederen igjen kan tilpasse instruksjonene for å gi best mulig ytelse. Disse instruksjonene skal være matematisk utledet for å optimalisere måloppnåelsen til bussveien

Trafikklederen vil veilede bussene ved å bruke forskjellige strategier for å sikre at regularitet kombinert med optimal fremkommelighet ivaretas. I skrivende stund er det to aktuelle strategier som benyttes. Den mer avanserte av strategiene, kalt «optimal intervallregulering», vekter antall passasjerer på bussene og antall passasjerer som venter på holdeplassene. I den enkle varianten bruker vi en formel som kun ser på foregående buss. Under kan du se et eksempel på effekten av disse fra en simulering.

Løsning

Prototyping av et komplekst system – slik har vi gått frem

Teknisk er Automatisk trafikkleder et komplekst og krevende system som bygges iterativt og smidig ved hjelp av prototyper (Proof of Concepts) for å teste hypoteser. Det har vært viktig at løsningen lages fleksibel og skalerbar, slik at parametere og input kan endres på en enkel og brukervennlig måte.

Det ble tidlig bestemt at prototypen av elektronisk trafikkleder som et minimum skulle inkludere: En simulatormodul, en trafikkledermodul og en rapport og -visualiseringsmodul.

Første steg var derfor å bygge en prototype av trafikklederen, samt en simulator for å teste ut forskjellige scenarioer og strategier i et lukket miljø. Dette ble bygget i regi av Computas (med data scientister som i dag jobber i Bouvet). Simulatoren er en identisk kopi av bussveien i Rogaland, som har latt oss teste ut variasjoner i bussfrekvens, passasjermengde og antall busser, kombinert med forskjellige trafikklederstrategier. Vi optimaliserer også for forskjellige scenario (f.eks. morgen-rush). Dette gjør vi for å finne de mest optimale strategiparameterne for trafikklederen. På denne måten innhenter vi svært verdifull informasjon og skaffer oss viktig erfaring når vi nå tar konseptet ut på veien for å veilede ekte busser.

For best mulig avvikling ønsker Kolumbus at trafikkledersystemet skal styre alle lyskryss langs bussveien. Derfor har vi bygget en prototype for å vise at vi fra vårt system klarer å styre lyskryss ute på bussveien i samarbeid med lyskryssleverandøren. Dette muliggjør blant annet at prioriterte busser kan komme raskere gjennom lyskryss eller at busser i motsatt retning kan synkroniseres for å minimere grønt lys-tiden når forholdene tilsier at dette er lurt.

Videre jobber vi nå med å teste en prototype for å veilede ekte busser ute på veien. Gjennom dette kan vi bevise at trafikkledersystemet klarer å veilede busser og redusere «klumpingeffekten». Når denne siste prototypen er vellykket, vil vi bygge det automatiske trafikkledersystemet som skal i produksjon og veilede ekte busser.

Slik vil det ferdige systemet fungere

Planen er at det ferdige systemet skal være en robust, skybasert løsning som fortløpende mottar all informasjon fra busser og holdeplasser, inkludert passasjertall. Basert på denne informasjonen vil systemet fortløpende beregne veiledningsinstrukser til bussjåfører i henhold til KPI-er valgt av en system-kontrollør. Videre vil systemet kunne sende ut informasjon til passasjerer på holdeplass, skjerm i buss og i app. Som tidligere nevnt vil systemet også styre alle lyskryss. All informasjon og kontrollmuligheter blir tilgjengeliggjort i ett system-dashboard.

Kan egentlig samme teknologi og metode løse andre problemstillinger?

Om din virksomhet har en eksisterende prosess og et datagrunnlag, er det gode muligheter for at du kan bruke disse dataene til å optimalisere denne prosessen gjennom simuleringer og analyser av disse. Som en bieffekt vil du få fullstendig oversikt over alle målbare parametere og se hvordan disse påvirker hverandre.