Ny teknik ska öka punktligheten

Med begränsad infrastruktur upplever de flesta transportslag ökad trängsel, vilket snabbt leder till trafikstörningar och förseningar. Nu ställer allt fler transportslag sitt hopp till att ny teknik ska leda till ökad punktlighet, färre störningar och bättre kundnöjdhet.

Det är skönt att äntligen få sätta nyorden i sin kontext. Internet of Things (IoT), Big Data, Machine Learning, Artificial Intelligence (AI) är alla begrepp som man gärna slänger sig med för att ligga i diskussionens framkant, men få kan sannolikt redogöra för deras praktiska användning.

För resebranschen är den här teknikutvecklingen högst välkommen. Resedata kan analyseras på nya sätt för att utveckla smartare appar, effektivare flöden och nöjdare kunder.

Uppkopplade fordon kan ge en omedelbar bild över framtida underhållsbehov för att korta ställtider och reducera förseningar. Självkörande fordon är snart en realitet på gatorna.

Travel News har pratat med fem personer som på olika sätt arbetar för ett smartare trafikflöde med högre punktlighet. Tillsammans målar de upp en intressant bild av framtidens resande.

ECODRIVING FÖR TÅGET
Svenska Tågkompaniet AB driver i dag 11 trafikuppdrag och ägs av norska NSB. Under våren 2017 rullar man ut trafikstyrningssystemet Cato, med start i Norrtåg. Cato står för Computer Aided Train Operation och har utvecklats av Transrail.

Inför implementeringen har bolaget en punktlighet på 91 procent med fem minuters marginal. Nu vill man bli ännu bättre. Mats Gustafsson är vd för Tågkompaniet:

− Cato är ett stöd som hjälper föraren att köra på det mest optimala sättet som är möjligt enligt förutsättningar och tidtabell, säger han. Punktligheten kommer att öka. Ett syfte är förstås energibesparing, men det påverkar även våra underhållskostnader, särskilt genom minskat slitage på bromsbeläggen.

Systemet utnyttjar banans topografi och beräknar hur mycket föraren ska bromsa eller gasa för att komma exakt i tid, precis som tanken är med ecodriving för bilar. Kör man inte som systemet tänkt får man ett meddelande. Föraren följer sin körning via en app i sin surfplatta, och får samtidigt en bild av den omgivande trafiken. Men hittills handlar det inte om någon självlärande organism.

− Systemet samlar erfarenheter från alla körningar med data och fakta i en databas, och i drift finns det ett antal logaritmer som utvecklas hela tiden. Men det är upp till oss att agera vidare utifrån den data vi får. Det finns goda utvecklingsmöjligheter nu när vi får verktygen.

Vad blir nästa steg i den här utvecklingen?
− Det pågår ständigt en diskussion inom tågbranschen om tillgången till spåren. De moderna fordonen analyserar sig själva, men man borde också kunna analysera hur infrastrukturen mår, med eventuella skador och underhållsbehov. Jag tycker att det borde vara möjligt att få till ett samarbete mellan operatörerna och Trafikverket, så att de kan få data till styrning av åtgärder. Kunskapen finns redan i våra fordon, och den informationen borde Trafikverket få tillgång till. En sådan förbättring gagnar alla och skulle vara samhällsekonomiskt mycket gynnsam.

SELF-SERVICE PÅ FLYGPLATSERNA
För Swedavia är punktlighet en fråga som inbegriper många variabler. En liten försening på ett ställe kan orsaka stora problem på andra platser längre fram i tiden. Utöver flygbolagens eget arbete med att öka punktligheten ur ett kundnöjdhetsperspektiv, finns det med andra ord stora ekonomiska vinster i varje litet steg till förbättring.

Lena Rökaas är operativ chef på Arlanda Airport och följer utvecklingen med stor nyfikenhet. I ett nytt operativt center har man nu samlat alla vitala funktioner för ledning och styrning av de operativa processerna på flygplatsen.

− Vi har nyligen startat en förstudie som vi hoppas ska utmynna i ett system där vi kan följa processerna i realtid, säger hon. Vår förhoppning är också att vi ska kunna få varningar så fort det dyker upp problem i en process, för att öka vår proaktivitet och snabbt hitta lösningar.

Under våren 2017 påbörjas också försök med så kallat CDM – Collaborative Decision Making – i samråd med det europeiska flygsäkerhetsorganet Eurocontrol.

− Vi delar data med Eurocontrol och våra samarbetspartners i syfte att bättre förutspå och koordinera flygens avgångstid. Därmed kan vi effektivisera luftrummen, säger Lena Rökaas.

I luften sker alltså vissa av de kritiska processer som riskerar att orsaka förseningar. Men passagerarflödet på terminalgolvet är minst lika viktigt för att skapa effektivitet och punktlighet i Swedavias verksamhet. En viktig nyckel är att låta resenärerna själva ta ansvar för sin resa. Man driver bland annat ett projekt kring förbättrat kömätningssystem.

− Det ska möjliggöra kömätning i check-in och passkontroll utöver säkerhetskontrollerna. Samtidigt arbetar vi vidare med vår self-servicestrategi för Swedavias alla tio flygplatser. Vi har en ambitiös plan för self-service, både när det gäller baggage drops, inpassering till säkerhetskontrollen samt när man boardar vid gaten.

FLYGSTUDIEN ALLA VILL TA DEL AV
Smidigare flöden är önskvärt, men att förutspå flygbolagens förseningar är en annan nöt att knäcka för flygplatserna. Enligt den färska SITA-rapporten The Future Is Predictable ämnar 84 procent av de tillfrågade flygbolagen investera i någon form av teknik för prediktiv analys under de närmaste tre åren.

Londonflygplatsen Heathrow har bland annat genomfört lyckade studier tillsammans med akademi och EU-organ. Med 75 miljoner passagerare årligen kan deras resultat ge ringar på vattnet.

På andra sidan Atlanten sitter Sina Khanmohammadi på State University of New York at Binghamton. Tillsammans med sina postdoktorala kollegor har han presenterat studien med det snärtiga namnet ”A New Multilevel Input Layer Artificial Neural Network for Predicting Flight Delays at JFK Airport”.

Förenklat kan man säga att de utvecklat ett artificiellt neuralt nätverk som kan hantera nominella variabler (alltså utan rangordning) för att förutspå förseningar i flygtrafiken.

− Vi använde oss bland annat av faktorer som vilken dag på veckan det var, vilket datum i månaden, vilken flygplats planet kom från, vilken avgångstid, och så vidare. Vi blev överraskade att det faktiskt gick att förutspå flygförseningar inom en godtagbar felmarginal.

Vilken utvecklingspotential ser du för att ta in fler variabler i framtiden?
− En faktor vi inte inkluderade i studien var vädret. Att förutspå väderförhållanden är väldigt komplext i sig, och jag tror att om man kan bygga in väderprognoser i den här modellen kommer utfallet bli betydligt bättre.

Studien genomfördes med data från statliga Bureau of Transformation Statistics, och Sina Khanmohammadi ser öppen data som en nyckelfaktor i den vidare utvecklingen.

− Jag tror absolut att en ökad transparens kommer att kunna förbättra de flesta olika affärsprocesser inom flyget. Däremot finns det många tekniska och säkerhetsmässiga begränsningar som sinkar utvecklingen av en fullt utvecklad samverkan med öppna datakällor.

EN SÖMLÖS KOLLEKTIVTRAFIK
Nobina är doldisen som driver kollektivtrafik under olika flagg i Sverige, Norge, Danmark och Finland. Totalt transporterar man en miljon resenärer varje dag, och med den historiska grunden i bolaget Swebus handlar det fortsatt främst om busstrafik. Men det behöver inte vara så.

Nobina Technology är ett nystartat dotterbolag vars syfte är att undersöka hur framtidens kollektiva resande kan se ut och vilka tekniksprång som möjliggör utvecklingen – begreppet ”delad mobilitet” är fundamentet. Bland annat arbetar man intensivt med utvecklingen av självkörande fordon i nära samverkan med andra aktörer, och ett pilotprojekt på sex månader är igång i Kista utanför Stockholm.

Anna Haeger är affärsutvecklare på Nobina Technology. Med bakgrund från startup-världen i Stockholm och San Francisco har hon det främsta ansvaret för att utveckla nya appar och mjukvarutjänster som kan underlätta resandet och bidra till en bättre kundupplevelse.

− Vi tittar på alla olika trafikslag och funderar på hur man kan göra det lättare för resenären, säger hon. Men det är en fragmenterad marknad, och det kommer inte fungera i längden om man inte går ihop och hittar helhetslösningar för kombinerade resor. Olika situationer kräver olika transportmedel.

Var sitter flaskhalsen i dag?
− Bristen på öppen data. Så länge alla sitter på sin egen data för exempelvis GPS-positioner kan vi inte samarbeta ordentligt. Det finns dock en medvetenhet kring dilemmat och flera initiativ är på gång.

Kombinationen av positionering, IoT- data och Machine Learning skulle enligt Anna Haegers vision kunna innebära att vår personliga reseassistent i mobilen hjälper oss med mer än bara tidtabeller.

− Om bussen har fastnat kanske du automatiskt får tips i telefonen om att ta en Citybike i närheten istället. Eller så frågar den ifall du vill boka en Uber. Taxibolag kan få uppdateringar när det är en avstängning eller olycka och kan vara på plats i tid. Om fler aktörer tillgängliggjorde sina datakällor hade det öppnat upp för väldigt mycket spännande utveckling. Samtidigt finns naturligtvis en integritetsaspekt. Kommer folk tycka att det är okej att dela sin position, och vilka tjänster känner man förtroende för?

Anna Haeger och Nobina Technology var nyligen medarrangörer till ett så kallat hackaway, där programmerare och utvecklare från olika branscher får samlas under en helg för att skapa nya stordåd tillsammans. Årets tema var ”framtidens resande”.

− Det som är kul med konceptet är att man blir tvungen att bygga en väldigt nischad produkt.

Många teknikstartups misslyckas för att de försöker bygga in alldeles för många funktioner i sin tjänst. Det gäller att hitta kärnan.

Innovationerna som frammejslades under helgen tillfaller skaparna själva – syftet är att kickstarta och realisera idéer som kan komma alla till godo. Alla fick jobba med skarp data, så apparna är fullt fungerande från början.

Resultatet blev bland annat en VR-app för att se avgångstider inne i tunnelbanan. Tryggve är en Facebook-bot för SL, som du kan prata med så fort det händer någonting obehagligt i kollektivtrafiken. Den kan även ge tips på spel för att du inte ska somna på vägen hem från utekvällen. ”Nästa avgång” kallas en app som ger dig förslag på nästa avgång automatiskt, eftersom du redan ställt in på förhand när och hur du brukar ta dig till jobbet, skolan eller träningen.

MACHINE LEARNING HITTAR MÖNSTRET
Den innovation som till slut vann Nobina Technologys hackaway var appen Sam. Tanken är att användaren först beskriver sina dagliga rutiner och hur man en vanlig dag tar sig mellan hemmet, jobbet, skolan och gymmet. Baserat på det kan Sam automatiskt ge dig information om nästa avgång för bussen så fort du kliver ut från kontoret. Om appen hittar störningar som påverkar din resväg skickas en pushnotis.

Tobias Ahlin var del av det vinnande teamet. Till vardags är han lead experience designer på Minecraft, och han har tidigare jobbat med bland annat Spotify, Hyper Island och GitHub.

Han menar att vårt traditionella sätt att se på en app som ett kontrollrum där användaren styr vad som ska göras, är på väg att brytas.

− Det är tydligt att många konsumentappar tar mer och mer avstånd från den här typen av knappupplevelser, säger han. Snarare fokuserar de på att försöka förstå vad som är relevant för dig vid vilken tidpunkt, och så visar appen dig enbart den informationen. AI, Machine Learning och röststyrning är alla breda tekniker som bidrar till samma paradigmskifte, mot en mer personifierad och bakåtlutad digital upplevelse.

Vad ser du för möjligheter när det gäller just teknik och punktlighet − ofta är det ju oförutsedda, yttre omständigheter som spelar in när det blir förseningar?
− Oförutsedda händelser i dag, ja! Men kanske inte i morgon. Något som är spännande är att vi med Machine Learning till större grad kan förutse och hantera förseningar och oförutsedda händelser, utan att vi nödvändigtvis förstår exakt varför. Det vill säga, med Machine Learning kan vi börja agera på insikter även om varken vi eller datorn kan förklara den bakomliggande logiska modellen. Istället kan vi hitta nya komplexa sammanband, och börja agera på dem.