Исследователи математического факультета Московского государственного университета представили свою новую разработку: программно-заданная система, позволяющая комплексно анализировать данные транспортного контекста. Благодаря этому сервису, станет возможна оптимизация городских транспортных процессов: повысится эффективность транспортной инфраструктуры, будут обеспечены мониторинг и модерация пассажирского потока.
Актуальность разработки подкрепляется статистикой ООН, согласно которой к 2050 году городское население будет составлять большую часть всего населения мира — превысив две трети. Соответственно, для поддержания комфорта жизненного уровня горожан требуется переориентация процессов городской среды. В этой связи релевантна концепция «Умного города», включающая в себя специализированный подраздел, — «Умный транспорт». В сцеплении с этой «подцелью» основной фокус урбанистов смещается с традиционного менеджмента больших данных на прямой анализ — во многом это обусловлено наличием доступа к объемным массивам стремительно обновляемой информации.
«Мы разработали открытую платформу для анализа транспортных данных, которая ориентирована на хранение и анализ двух основных компонентов транспортных данных, собираемых автоматически. Во-первых, это так называемые матрицы соответствия, которые описывают количество движений пассажиров из одной точки в другую в единицу времени. Такими “точками” могут служить географически определённые районы, а также станции, автобусные остановки и так далее. Во-вторых, это журналы использования проездных документов, например пассажирские входы на станцию метро. В работе мы использовали доступные для исследования данные, которые можно разделить на две большие группы: индивидуальные и агрегированные. Первые описывают передвижения отдельных пользователей транспортной сети города. Источники таких данных — смарт-карты систем общественного транспорта, используемые для оплаты проезда, и датчики GPS в смартфонах и навигаторах, а также данные со смартфонов, передаваемые с помощью специальных приложений. Агрегированные данные были получены из отдельных данных путём их объединения по районам происхождения или назначения, по временным интервалам. Основные их источники — это информация от сотовых операторов», — дал развернутый комментарий Марк Булыгин, участник команды разработчиков и аспирант факультета вычислительной математики и кибернетики МГУ.