Jak wykorzystać sztuczną inteligencję do analizy danych miejskich i optymalizacji transportu publicznego

Dlaczego sztuczna inteligencja w transporcie publicznym staje się koniecznością

Presja na systemy transportowe miast

Transport publiczny w miastach jest coraz bardziej przeciążony. Urbanizacja powoduje wzrost liczby mieszkańców, rośnie liczba samochodów, a wraz z nią korki i emisje. Jednocześnie rosną oczekiwania wobec komunikacji zbiorowej: ma być punktualna, przewidywalna, wygodna i tania. Klasyczne narzędzia planowania – oparte na kilku pomiarach ruchu w roku i „wyczuciu” planisty – przestają wystarczać, gdy liczba zmiennych rośnie wykładniczo.

Dodatkowym problemem jest dynamika zmian: nowe osiedla, centra biurowe, galerie handlowe, edukacja hybrydowa, praca zdalna. Wzorce podróży sprzed kilku lat nie opisują obecnej rzeczywistości. Jeśli rozkłady jazdy są aktualizowane raz do roku i opierają się głównie na ankietach oraz skargach, to każda większa zmiana w mieście powoduje okres chaosu, nawyki pasażerów się rozpadają, a część z nich na stałe przesiada się do samochodu.

Sygnałem ostrzegawczym jest sytuacja, w której przewoźnik lub ZTM reaguje głównie po fakcie: dopiero po serii skarg na przepełniony autobus dodawane są dodatkowe kursy, a skracanie lub wydłużanie linii odbywa się w reakcji na lokalne konflikty, a nie na dane o realnym wykorzystaniu połączeń. W takim środowisku sztuczna inteligencja nie jest luksusem, lecz narzędziem koniecznym, żeby w ogóle nadążyć za zmianami.

Jeśli w mieście rosną korki, a liczba skarg na komunikację zbiorową utrzymuje się na wysokim poziomie mimo kolejnych „łat” w rozkładzie, to bez systemowego podejścia do danych i AI zarządzanie transportem pozostanie permanentnym gaszeniem pożarów.

Ograniczenia tradycyjnego planowania rozkładów

Klasyczne planowanie rozkładów jazdy opiera się na kilku filarach: wiedzy doświadczonych planistów, wynikach pojedynczych badań napełnień i analizie skarg. To podejście sprawdza się dopóki system jest relatywnie prosty i powtarzalny, a otoczenie nie zmienia się zbyt szybko. Problem pojawia się, gdy:

• w mieście funkcjonuje kilkadziesiąt lub kilkaset linii i ich wariantów,
• występują skomplikowane wzorce przesiadek (np. kolej + autobus + tramwaj),
• warunki drogowe mocno się zmieniają w zależności od pory dnia, pogody, zdarzeń losowych,
• zmienia się struktura demograficzna – inne potoki generują seniorzy, inne studenci, inne pracownicy biurowi.

Narzędzia tabelaryczne i statyczne modele ruchu są zbyt toporne, by wyłapać złożone zależności – np. wpływ deszczu na potok pasażerski w rejonie dużego węzła przesiadkowego czy konsekwencje wyłączenia jednego skrzyżowania dla całej sieci autobusowej. Planista, który opiera się na intuicji, widzi jedynie fragment układanki. Algorytmy uczące się z danych historycznych potrafią przetworzyć znacznie większą liczbę czynników jednocześnie.

Jeśli rozkład jazdy jest nadal w dużej mierze „rysowany na czuja”, a wyniki modyfikacji trudno odróżnić od efektu losowych wahań ruchu, to znak, że samorząd przekroczył granicę, poza którą bez modeli matematycznych i AI nie da się podejmować racjonalnych decyzji inwestycyjnych i operacyjnych.

Miejskie źródła danych, które leżą odłogiem

Większość średnich i dużych miast posiada ogromne zasoby danych, które albo nie są używane, albo wykorzystywane są bardzo fragmentarycznie. Typowe przykłady:

• dane z kasowników i biletomatów (czas i miejsce kasowania biletów, rodzaj biletu, kanał zakupu),
• dane GPS z pojazdów (faktyczne czasy przejazdu między przystankami, postoje, spóźnienia),
• dane z pętli indukcyjnych i kamer na skrzyżowaniach (natężenie ruchu, zatory, zdarzenia nietypowe),
• rozkłady jazdy w formacie GTFS lub zbliżonym (planowane czasy odjazdów i przyjazdów, geolokalizacja przystanków),
• logi aplikacji mobilnych przewoźnika lub miasta (wyszukiwania połączeń, kliknięcia w konkretne linie).

Same w sobie są to dane techniczne, ale w połączeniu tworzą bardzo bogaty obraz zachowania pasażerów i pojazdów. AI pozwala zestawiać te strumienie w czasie rzeczywistym: wykrywać nietypowe wzorce (nagły spadek liczby pasażerów na konkretnym odcinku), przewidywać efekty kolejnych zmian (wydłużenie odcinka buspasa o 300 metrów) czy automatycznie wskazywać rejony o potencjale dla nowych linii.

Jeśli samorząd nie potrafi w kilku zdaniach opisać, jakie ma kluczowe zbiory danych transportowych, jak często są aktualizowane i przez kogo zarządzane, to pierwszym zastosowaniem AI nie powinno być generowanie prognoz, ale uporządkowanie podstawowego katalogu danych.

Co realnie daje AI w transporcie miejskim

Sztuczna inteligencja – rozumiana tu głównie jako uczenie maszynowe i metody optymalizacji – nie rozwiąże wszystkich problemów transportu publicznego. Natomiast w kilku obszarach zmienia zasady gry:

• predykcja – przewidywanie liczby pasażerów, opóźnień, korków, wpływu pogody i wydarzeń na ruch,
• optymalizacja – automatyczne szukanie lepszych rozkładów, tras, przypisania taboru, grafiku kierowców,
• reakcja w czasie zbliżonym do rzeczywistego – proponowanie objazdów, dodawanie lub odwoływanie kursów,
• personalizacja informacji – dopasowanie komunikatów do typowych zachowań pasażera i jego trasy.

Przykład z życia: średniej wielkości miasto analizuje dane z kasowników z kilku miesięcy. AI wykrywa, że w określone dni tygodnia, w jednym z korytarzy transportowych, występuje powtarzalny, kilkunastoprocentowy wzrost liczby wejść do autobusów między 6:30 a 7:00. Dodatkowo modele pokazują, że koreluje to z określonym okresem w roku akademickim i warunkami pogodowymi. Po wprowadzeniu jednego dodatkowego kursu w tym przedziale, przez kilka tygodni monitorowane są napełnienia i spadek skarg. Algorytm podpowiada, że na innych liniach podobny efekt można uzyskać bez zwiększania liczby kursów – jedynie korektą godzin odjazdów.

Jeśli większość decyzji operacyjnych podejmowana jest bez tego typu analiz i testów A/B, to każdy większy projekt AI ma potencjał, by szybko wygenerować mierzalne oszczędności i poprawić jakość usług, pod warunkiem że opiera się na solidnym procesie danych i kontroli wyników.

AI jako minimum, a nie gadżet

Transport publiczny stał się tak złożony, że „inteligencja” w nazwach systemów ITS (Intelligent Transportation Systems) przestała być hasłem marketingowym – bez automatycznej analizy danych nie da się utrzymać jakości usług przy rozsądnych kosztach. AI umożliwia:

• wcześnie wychwytywać trendy (spadek potoków, nowe relacje podróży),
• przewidywać skutki planowanych zmian przed ich wprowadzeniem,
• dostosowywać ofertę transportową niemal na bieżąco,
• prowadzić rzetelny dialog z mieszkańcami, oparty na danych, a nie na anegdotach.

Jeśli decyzje o przebiegu linii, liczbie kursów czy inwestycjach w infrastrukturę są podejmowane głównie pod wpływem presji politycznej lub doraźnych skarg, AI powinna być traktowana jako absolutne minimum, aby z tego chaotycznego trybu wyjść i zamienić go w proces oparty na mierzalnych efektach.

Jakie dane miejskie naprawdę się liczą – inwentaryzacja zasobów

Kluczowe źródła danych transportowych

Przed wdrożeniem jakiegokolwiek modelu AI konieczne jest zrobienie porządku z danymi. Pierwszym krokiem jest rzetelna inwentaryzacja – co faktycznie jest dostępne, w jakim formacie i z jaką jakością. Typowe źródła danych w mieście to:

• dane biletowe – logi z kasowników, systemów kart miejskich, biletów okresowych i jednorazowych; często pozwalają zrekonstruować początek podróży, typ pasażera oraz jego przyzwyczajenia,
• GPS pojazdów – strumienie danych z lokalizatorów w autobusach, tramwajach, pociągach; kluczowe dla analizy punktualności, czasów przejazdu i realnej pracy eksploatacyjnej,
• rozkłady GTFS/NeTEx lub wewnętrzne formaty – uporządkowana informacja o planowanych kursach, przystankach, trasach, wersjonowaniu rozkładów,
• dane z przystanków – systemy informacji pasażerskiej, liczniki wejść/wyjść, sensory zatłoczenia, dane o awariach i wyłączeniach,
• dane z aplikacji – zapytania o wyszukiwane połączenia, kliknięcia w linie, porzucane trasy; źródło informacji o niezaspokojonych potrzebach.

Wiele z tych danych istnieje, ale jest rozproszonych po różnych jednostkach: u operatorów, w wydziałach urzędu miasta, u dostawców systemów ITS, w systemach kadrowych, finansowych i utrzymaniowych. Inwentaryzacja ma pokazać nie tylko „co” jest, ale też „gdzie” i „w jakim stanie”.

Jeśli nie ma jednej, aktualnej listy głównych zbiorów danych transportowych z przypisanym właścicielem i opisem, każdy projekt AI będzie rozpoczynał się od odkrywania na nowo tych samych informacji, co jest sygnałem ostrzegawczym organizacyjnego chaosu.

Dane kontekstowe: tło dla algorytmów AI

Sztuczna inteligencja pracująca tylko na danych z autobusów i tramwajów będzie ślepa na szerszy kontekst miejski. Modele predykcyjne i optymalizacyjne potrzebują dodatkowych warstw informacji:

• demografia – dane o liczbie mieszkańców, strukturze wieku, migracjach wewnętrznych; pozwalają identyfikować obszary generujące i pochłaniające ruch,
• zagospodarowanie przestrzenne – lokalizacja szkół, uczelni, zakładów pracy, galerii handlowych, szpitali, osiedli mieszkaniowych, stref przemysłowych,
• kalendarz imprez i sezonowość – terminy dużych wydarzeń, festiwali, meczów, okresy wakacyjne, święta, dni wolne od pracy,
• dane o ruchu samochodowym – natężenie ruchu, prędkości przejazdu na głównych arteriach, lokalizacja korków oraz wypadków,
• pogoda – dane historyczne i prognozy wpływają na wybór środka transportu i punktualność.

Połączenie tych danych z danymi transportowymi otwiera drogę do głębszych analiz: np. model może prognozować, jak zakończenie roku szkolnego wpływa na napełnienia konkretnej linii lub jak nowe centrum biurowe zmienia potoki w skali całego miasta.

Jeśli projekty AI w transporcie ignorują demografię, urbanistykę i kalendarz miasta, wyniki będą w najlepszym razie poprawne tylko lokalnie, a w najgorszym – wprowadzą w błąd, generując złe rekomendacje tras i częstotliwości.

Rejestr zbiorów danych – punkt kontrolny organizacji

Minimum przed startem prac nad AI stanowi stworzenie prostego, ale aktualizowanego rejestru zbiorów danych. Taki rejestr powinien zawierać kilka kluczowych pól dla każdego zbioru:

• nazwa zbioru i krótki opis (np. „GPS autobusów miejskich – dane z lokalizatorów, kroki co 10 sekund”),
• właściciel biznesowy (jednostka / osoba odpowiedzialna za treść i jakość),
• właściciel techniczny (IT, dostawca systemu),
• format danych (np. CSV, JSON, baza relacyjna, GTFS-RT),
• częstotliwość aktualizacji (strumieniowo, co godzinę, dziennie, miesięcznie),
• zasady udostępniania (wewnętrzne, na wniosek, otwarte dane),
• podstawowe informacje o jakości (luki, braki, znane problemy).

Rejestr można zacząć od prostego arkusza kalkulacyjnego – ważne, żeby był cały czas aktualizowany i dostępny dla kluczowych interesariuszy (transport, IT, analityka, biuro smart city). Dla dojrzałych organizacji będzie to element większego katalogu danych (data catalog) powiązanego z narzędziami klasy data governance.

Jeśli pytanie „jakie dane o GPS autobusów posiadamy i w jakim zakresie czasowym?” wymaga przekopywania się przez e-maile i telefony do kilku dostawców, to przed wdrażaniem AI konieczne jest postawienie punktu kontrolnego w postaci uporządkowanego rejestru zbiorów danych.

Sygnały ostrzegawcze w krajobrazie danych

W wielu miastach audyt danych ujawnia podobne problemy, które skutecznie uniemożliwiają sensowne zastosowanie AI, dopóki nie zostaną rozwiązane. Typowe sygnały ostrzegawcze:

• „ciemne dane” w Excelach – kluczowe informacje (np. ręczne pomiary napełnień) trzymane są w prywatnych plikach pracowników, bez wersjonowania i kopii zapasowych,
• brak jednolitego identyfikatora – te same przystanki, linie czy pojazdy mają różne nazwy/ID w różnych systemach (planistycznym, biletowym, GPS), co uniemożliwia ich automatyczne łączenie,
• dane „historyczne” bez historii – system nadpisuje dane zamiast je wersjonować (np. rozkłady jazdy), przez co nie da się odtworzyć stanu z przeszłości i uczyć modeli na rzeczywistych zmianach,
• długie „martwe okresy” – brak zapisów z GPS, kasowników czy systemów ITS przez całe dni lub tygodnie, często bez udokumentowanej przyczyny i planu naprawczego,
• brak zgodności czasowej – różne systemy używają innych stref czasowych, formatów dat albo mają rozjechane zegary, co uniemożliwia precyzyjną rekonstrukcję przebiegu podróży.

Każdy z tych symptomów jest sygnałem ostrzegawczym, że organizacja nie ma jeszcze minimalnego ładu danych potrzebnego do odpowiedzialnego wdrażania AI. Jeśli podstawowe pytania o pochodzenie, kompletność i spójność danych kończą się na domysłach lub „pamięci” pojedynczych osób, to pierwszym projektem nie powinien być zaawansowany model predykcyjny, ale uporządkowanie fundamentu.

Praktycznym podejściem jest zbudowanie prostej listy nieprawidłowości ujawnionych w audycie danych wraz z właścicielem problemu, szacowanym wpływem na analizy oraz przybliżonym kosztem naprawy. Taka macierz staje się punktem kontrolnym przed startem każdego projektu AI: jeśli dane, na których ma pracować model, są oznaczone kilkoma wysokimi ryzykami, decyzja „pauza – najpierw naprawa źródeł” powinna być standardem, a nie odważnym wyjątkiem.

Dojrzała organizacja transportowa akceptuje, że bez żmudnej pracy nad strukturą, jakością i odpowiedzialnością za dane, sztuczna inteligencja pozostanie drogim eksperymentem. Jeśli jednak rejestr zbiorów, zdefiniowane role właścicieli danych i lista naprawczych działań stają się codziennym narzędziem zarządczym, AI przestaje być ryzykownym gadżetem, a zaczyna pełnić funkcję stabilnego elementu procesu planowania i optymalizacji transportu publicznego.

Jeśli chcesz pogłębić temat i zobaczyć więcej przykładów z tej niszy, zajrzyj na Informatyka, Nowe technologie, AI.

Przygotowanie danych do analizy – od „śmieci” do materiału dla AI

Standaryzacja identyfikatorów i słowników referencyjnych

Pierwszym technicznym etapem przygotowania danych jest ujednolicenie sposobu identyfikowania podstawowych obiektów: przystanków, linii, kursów, pojazdów, typów biletów. Bez tego nie da się zbudować wiarygodnego modelu, który łączy dane z różnych systemów. W praktyce potrzebne są słowniki referencyjne oraz jasne reguły ich używania.

Kluczowe obszary standaryzacji:

• przystanki – jeden, stabilny identyfikator techniczny (ID), powiązany z nazwą, lokalizacją geograficzną, kierunkiem i typem przystanku; zmiana nazwy nie może oznaczać zmiany ID,
• linie i trasy – oddzielenie identyfikatora linii (np. „12”) od identyfikatora konkretnej relacji i wariantu trasy; różne warianty wymagają odrębnych ID,
• pojazdy – spójne ID pojazdu między systemami GPS, utrzymaniowym, biletowym i kadrowym (zmiana numeru taborowego nie powinna zrywać historii danych),
• typy biletów i ulg – znormalizowana lista kodów taryfowych, wspólna dla systemów sprzedażowych, kontrolerskich i analitycznych.

Sygnałem ostrzegawczym jest sytuacja, w której analityk musi budować ręczne „tabele zgodności” między systemami przy każdym nowym projekcie. Jeśli powstają dziesiątki prywatnych mapowań w Excelu, organizacja nie ma jeszcze minimalnego standardu identyfikacji danych.

Jeżeli po tygodniu prac integracyjnych nadal nie ma jednoznacznej odpowiedzi, ile jest unikalnych przystanków w mieście i ilu pasażerów korzysta z konkretnej linii, to punkt kontrolny powinien wymusić decyzję o budowie centralnych słowników referencyjnych.

Jeden czas, jeden kalendarz – porządkowanie osi czasu

Modele AI są szczególnie czułe na niespójności czasowe. Dane GPS, kasowniki, rozkłady i systemy ITS muszą mówić jednym „językiem czasu”, inaczej algorytmy będą uczyć się na zafałszowanych sekwencjach zdarzeń. Konieczne jest ujednolicenie kilku elementów:

• strefa czasowa i zmiany czasu – wszystkie systemy powinny rejestrować czas w tej samej strefie (zwykle UTC na poziomie technicznym) i jednoznacznie obsługiwać przejścia między czasem letnim i zimowym,
• format znaczników czasu – konsekwentne korzystanie z ISO 8601 (z datą, godziną, strefą), bez lokalnych wariantów zapisu,
• kalendarium operacyjne – centralna definicja dni roboczych, wolnych, wakacji, ferii, świąt lokalnych i wyjątków (np. skrócone dni pracy),
• wersjonowanie rozkładów – każda zmiana rozkładu powinna mieć daty obowiązywania i identyfikator wersji, tak aby można było odtworzyć plan obowiązujący w dowolnym dniu.

Dobrym testem dojrzałości jest próba odpowiedzi na pytanie: „Jak wyglądał planowany i rzeczywisty przebieg kursu linii X o 7:30, trzy miesiące temu, w konkretny dzień?”. Jeśli odpowiedź wymaga domysłów albo ręcznego dopasowywania plików z różnych dat, to system zarządzania czasem nie spełnia minimum do uczenia modeli predykcyjnych.

Jeżeli różne raporty w organizacji pokazują różne wyniki punktualności za ten sam okres, to sygnał ostrzegawczy, że brak wspólnej osi czasu i kalendarza operacyjnego. W takim przypadku każdy projekt AI będzie z góry obciążony błędem systemowym.

Obróbka danych GPS – od surowego strumienia do wiarygodnej trajektorii

Dane lokalizacyjne pojazdów są jednym z filarów analityki transportowej, ale w surowej postaci często są chaotyczne: brakuje punktów, pozycje „skaczą”, urządzenia gubią zasięg. Zanim trafią do modeli AI, wymagają obróbki i walidacji.

Kluczowe kroki przetwarzania danych GPS:

• filtrowanie błędów – usuwanie punktów ewidentnie błędnych (nienaturalne prędkości, skok na kilkadziesiąt kilometrów, pozycja poza obszarem działania sieci),
• map-matching – dopasowanie punktów GPS do rzeczywistej sieci drogowo-torowej i zaplanowanej trasy, tak aby trajektoria pojazdu była spójna z infrastrukturą,
• interpolacja braków – szacowanie przebiegu między brakującymi punktami przy użyciu prostych modeli (np. założenie stałej prędkości między wiarygodnymi punktami),
• wyznaczanie zdarzeń – identyfikacja przyjazdów i odjazdów z przystanków, postojów, objazdów, zatrzymań awaryjnych na podstawie oczyszczonej trajektorii.

Sygnał ostrzegawczy pojawia się wtedy, gdy jeden zespół raportuje bardzo wysoką punktualność na podstawie „idealnych” danych GPS, a inny – licząc punktualność z uwzględnieniem dużych luk – pokazuje obraz znacznie gorszy. To oznacza, że brakuje ustalonego, transparentnego pipeline’u przetwarzania lokalizacji.

Jeżeli nie ma udokumentowanych reguł filtrowania, interpolacji i map-matching, a sposób obchodzenia się z danymi GPS jest „ukrytą wiedzą” pojedynczego specjalisty, to punkt kontrolny powinien wymusić ustandaryzowanie procesu przed dalszymi eksperymentami z AI.

Łączenie danych biletowych z ruchem pojazdów – rekonstrukcja podróży

Dane biletowe pokazują zachowania pasażerów, a dane GPS – zachowanie pojazdów. Modele AI potrzebują obu warstw naraz, aby zrozumieć, jak realny popyt spotyka się z realną podażą transportową. Rekonstrukcja podróży (ang. trip chaining) jest jednym z najbardziej wrażliwych etapów przygotowania danych.

Podstawowe elementy rekonstrukcji:

• przypisanie zdarzeń biletowych do kursów – powiązanie momentu skasowania biletu z konkretnym kursem danego pojazdu, a nie tylko z linią,
• lokalizacja wsiadania – określenie, na którym przystanku najprawdopodobniej nastąpiło wejście, na podstawie czasu, trajektorii pojazdu i rozkładu jazdy,
• identyfikacja przesiadek – łączenie kolejnych skasowań dokonanych w krótkim odstępie czasu i w tej samej okolicy w jedną podróż wieloetapową,
• anonimizacja i pseudonimizacja – tak przygotowanie identyfikatorów pasażerów, aby modele mogły śledzić wzorce podróży, ale bez możliwości identyfikacji osoby.

Jeśli dane biletowe pozwalają odpowiedzieć tylko na pytanie „ile biletów skasowano w danym dniu na linii X”, a nie „jak wygląda typowy łańcuch podróży mieszkańca dzielnicy Y”, to nie ma jeszcze materiału dla zaawansowanych modeli popytu. To sygnał ostrzegawczy, że rekonstrukcja podróży nie została w ogóle zaprojektowana.

Jeżeli próba połączenia danych biletowych i GPS kończy się dużą liczbą „nieprzypisanych” zdarzeń, punkt kontrolny powinien wymusić przegląd jakości czasów, identyfikatorów pojazdów i sposobu rejestracji sprzedaży, zanim powstaną jakiekolwiek rekomendacje AI dotyczące zmian rozkładu.

Zapewnienie jakości danych – reguły, testy, alerty

Sam proces oczyszczania danych nie wystarczy, jeśli nie jest otoczony stałym monitoringiem jakości. Modele AI uczą się na danych z określonego okresu, a potem dostają dane bieżące – jeśli te po cichu się pogorszą, wyniki modeli przestaną być wiarygodne. Potrzebny jest system punktów kontrolnych jakości.

Przykładowe mechanizmy zapewnienia jakości:

• reguły walidacyjne – z góry zdefiniowane kryteria, np. minimalna liczba punktów GPS na kurs, dopuszczalny odsetek braków kasowań na linii, maksymalna różnica między czasem rozkładowym a rzeczywistym,
• testy automatyczne – codzienne lub godzinowe skrypty sprawdzające, czy nowe dane spełniają reguły; w razie przekroczenia progów system generuje alert,
• metryki jakości – proste wskaźniki, takie jak procent kursów z kompletną trajektorią GPS czy odsetek zdarzeń biletowych przypisanych do kursów, publikowane w formie dashboardów,
• procedury reagowania – jasne zasady, co się dzieje, gdy metryka przekracza ustalony próg (kto odpowiada, jaki jest czas reakcji, czy wyniki modeli są w tym czasie oznaczane jako niepewne).

Sygnałem ostrzegawczym jest brak „świadomego” zatrzymania raportów czy rekomendacji AI w sytuacji awarii systemu biletowego lub GPS. Jeśli organizacja nie potrafi automatycznie oznaczyć danych z danego okresu jako obarczonych dużym ryzykiem, to używa modeli w trybie „ślepego zaufania”.

Jeżeli w dokumentacji modeli AI nie ma odwołania do zestawu metryk jakości danych, na których model ma działać, punkt kontrolny powinien wstrzymać ich użycie operacyjne do czasu uzupełnienia tego brakującego ogniwa.

Architektura danych dla AI – od hurtowni do „feature store”

Nawet najlepiej oczyszczone dane będą trudne do wykorzystania, jeśli są rozproszone po systemach i ręcznie łączone pod każdy projekt. Docelowo potrzebna jest prosta, ale konsekwentna architektura danych, która umożliwia wielokrotne użycie przygotowanych cech (features) w różnych modelach.

Typowe elementy takiej architektury:

• warstwa surowa (raw) – kompletne zrzuty danych z systemów źródłowych, bez transformacji, ale z podstawowymi zabezpieczeniami (kontrola dostępu, wersjonowanie),
• warstwa przetworzona (clean/curated) – dane po oczyszczeniu, standaryzacji identyfikatorów, ujednoliceniu czasu, gotowe do raportowania,
• warstwa modelowa (feature store) – zbiory cech używanych przez modele AI: np. średnie napełnienie na odcinku, typowe opóźnienie na przystanku w danej godzinie, wskaźniki niezawodności pojazdu,
• mechanizmy wersjonowania – możliwość odtworzenia, na jakich dokładnie danych i cechach trenowany był model, aby dało się przeprowadzić audyt po czasie.

Sygnałem ostrzegawczym jest sytuacja, w której każdy nowy zespół wdrażający model AI buduje od zera własne transformacje danych i oblicza te same cechy inną metodą. To nie tylko marnowanie zasobów, ale i ryzyko niespójnych wyników dla tego samego problemu.

Jeżeli nie ma centralnego miejsca, w którym zdefiniowane są kluczowe cechy używane w wielu modelach, punkt kontrolny powinien wymusić minimum: katalog cech wraz z opisem, sposobem obliczania i zakresem obowiązywania.

Główne zastosowania AI w transporcie publicznym – mapa możliwości

Predykcja popytu i napełnień – kiedy i gdzie pojawią się pasażerowie

Jednym z najbardziej naturalnych zastosowań AI w transporcie jest prognozowanie popytu. Modele uczą się na danych historycznych: kasowaniach biletów, napełnieniach, GPS, kalendarzu i pogodzie. Celem jest przewidzenie, ile osób pojawi się na danym odcinku sieci i o jakiej godzinie.

Typowe zastosowania predykcji popytu:

• prognoza napełnień na liniach – przewidywanie, które kursy będą przepełnione, a które jadą puste, z dokładnością do pory dnia i dnia tygodnia,
• analiza skutków zmian rozkładu – ocena, jak przesunięcie kilku kursów lub zmiana trasy wpłynie na liczbę pasażerów korzystających z danej linii,
• scenariusze rozwojowe – symulacja, jak nowe osiedle, biurowiec lub centrum handlowe zmieni potoki pasażerskie w sąsiedztwie.

Przykład z praktyki: miasto planuje zwiększenie częstotliwości w szczycie na jednej z głównych linii autobusowych. Zamiast polegać tylko na intuicji, zespół uruchamia model, który pokazuje, na których konkretnych kursach dodatkowe pojazdy przyniosą największą redukcję przepełnień. Taki wynik staje się punktem kontrolnym dla decyzji inwestycyjnej.

Jeśli prognozy popytu wzbudzają większe zaufanie niż dane, na których zostały wytrenowane, to sygnał ostrzegawczy. W każdej rekomendacji AI powinny być jasno pokazane: okres treningowy, wykorzystywane źródła danych oraz zakres niepewności prognozy.

Optymalizacja rozkładów i tras – algorytmy zamiast „ręcznego układania”

Kolejna grupa zastosowań dotyczy optymalizacji samej oferty przewozowej: godzin odjazdów, tras, interwałów. AI nie zastępuje tu planisty, ale daje mu zestaw scenariuszy i wskazuje konfiguracje, które najlepiej spełniają zadane kryteria – np. minimalizują średni czas dojazdu, maksymalizują pokrycie obszaru, ograniczają liczbę przesiadek.

Możliwe kierunki optymalizacji:

• dopasowanie częstotliwości – dynamiczne podnoszenie lub obniżanie częstotliwości kursów w zależności od prognozowanego popytu i dostępnego taboru,
• restrukturyzacja tras – wyszukiwanie odcinków dublujących się linii, proponowanie wzmocnień tam, gdzie sieć jest dziurawa, oraz scenariuszy skrócenia lub wydłużenia linii przy zachowaniu kluczowych przesiadek,
• koordynacja przesiadek – dopasowanie godzin odjazdów między liniami, aby zminimalizować realny czas podróży „od drzwi do drzwi”, a nie tylko czas jazdy w pojeździe,
• wariantowanie rozwiązań – generowanie kilku alternatywnych układów rozkładów i tras wraz z estymowanymi skutkami: zmianą liczby pasażerów, kosztami wozokilometrów, wpływem na punktualność.

W praktyce wygląda to często tak, że planista definiuje zestaw ograniczeń (np. liczba autobusów w zajezdni, minimalna obsługa danej dzielnicy, maksymalny czas obiegu pojazdu), a algorytm przeszukuje setki konfiguracji. Zamiast jednej „intuicyjnej” propozycji na stół trafia kilka scenariuszy z wyliczonymi wskaźnikami. To ułatwia rozmowę z decydentami i mieszkańcami, bo dyskusja opiera się na kryteriach, a nie wyłącznie na opiniach.

Sygnałem ostrzegawczym jest sytuacja, w której model generuje optymalny z matematycznego punktu widzenia rozkład, ale kompletnie ignoruje lokalne realia – np. godziny rozpoczęcia pracy dużych zakładów, zwyczaje szkolne czy brak infrastruktury przesiadkowej. Jeśli planista traktuje taki wynik jako „prawdę objawioną”, punkt kontrolny powinien wymusić etap weryfikacji eksperckiej i konsultacji społecznych przed jakąkolwiek wdrożeniową decyzją.

Dobrym uzupełnieniem będzie też materiał: Jak zaplanować migrację aplikacji do chmury: ocena, priorytety i ryzyka — warto go przejrzeć w kontekście powyższych wskazówek.

Jeżeli każda zmiana wprowadzona na podstawie algorytmu jest później ręcznie „psuta” przez kolejne poprawki bez ponownego przeliczenia scenariuszy, to sygnał, że optymalizacja działa tylko na papierze. Minimum to procedura, która wymaga ponownego uruchomienia modelu po istotnych korektach i porównania, czy finalny rozkład nadal mieści się w przyjętych kryteriach jakości.

Zarządzanie operacyjne w czasie zbliżonym do rzeczywistego – reagowanie zamiast gaszenia pożarów

AI może wspierać nie tylko projektowanie rozkładu, ale także bieżące prowadzenie ruchu. Modele prognozujące opóźnienia, wzrost napełnień czy ryzyko zakłóceń pozwalają dyspozytorom reagować z wyprzedzeniem, a nie dopiero po pojawieniu się skarg pasażerów.

Typowe zastosowania w warstwie operacyjnej to przede wszystkim prognozowane opóźnienia na poszczególnych odcinkach, sugerowane objazdy przy zdarzeniach drogowych oraz dynamiczne podmiany taboru tam, gdzie spodziewany jest tłok. Do tego dochodzi możliwość automatycznego oznaczania kursów o wysokim ryzyku „ucieczki” przesiadek i propozycje krótkiego wstrzymania odjazdu, aby utrzymać ciągłość podróży.

Sygnałem ostrzegawczym jest centrum sterowania pełne ekranów z danymi, których nikt nie wykorzystuje do decyzji operacyjnych – modele działają, ale nie mają ustalonych progów reakcji ani przypisanych odpowiedzialności. Jeśli dyspozytorzy dowiadują się o problemie szybciej z telefonu pasażera niż z systemu, punkt kontrolny powinien zakwestionować sensowność wdrożenia i wymusić redefinicję procedur.

Jeżeli system nie rejestruje, jakie rekomendacje AI zostały przyjęte lub odrzucone i z jakim skutkiem, to trudno mówić o uczeniu się organizacji. Minimum to log decyzji operacyjnych i okresowy przegląd: które typy alertów rzeczywiście pomagają, a które generują tylko „szum” i powinny zostać przeprojektowane.

Planowanie taboru i utrzymania – mniej awarii, lepsze wykorzystanie pojazdów

W obszarze taboru AI wspiera dwa kluczowe zagadnienia: gdzie i kiedy wysłać dany typ pojazdu oraz jak tak planować utrzymanie, by ograniczyć awarie w szczycie. Dane z liczników przejechanych kilometrów, systemów pokładowych, warsztatów oraz historii awarii stają się materiałem dla modeli predykcyjnych.

Typowe kierunki użycia to najpierw optymalizacja przydziału taboru do brygad – tak, aby większe pojazdy obsługiwały kursy o spodziewanych wysokich napełnieniach, a mniejsze nie „woziły powietrza” poza szczytem – oraz predykcyjne utrzymanie, w którym system wskazuje pojazdy o podwyższonym ryzyku awarii w określonym horyzoncie czasowym. Do tego dochodzi prognozowanie zapotrzebowania na części zamienne i okna serwisowe tak, by przeglądy nie kolidowały z krytycznymi szczytami przewozowymi.

W praktyce dobrze zorganizowany system łączy informacje z eksploatacji (opóźnienia, przepełnienia, interwały między kursami) z danymi warsztatowymi (typy usterek, czas napraw, dostępność kanałów i mechaników). Model nie tylko wskazuje, które pojazdy „ściągnąć z linii” na przegląd przed planowanym obciążeniem sieci, ale też sugeruje kolejność prac w zajezdni. Dyspozytor widzi nie tyle surowe alerty o możliwej awarii, ile konkretne rekomendacje: które brygady przełożyć, jakie zamiany taboru przeprowadzić i z jakim skutkiem dla oferty przewozowej.

Sygnałem ostrzegawczym jest sytuacja, gdy pojazdy są wciąż kierowane do napraw „po fakcie”, a przeglądy planowane są mechanicznie co określoną liczbę kilometrów, mimo że system predykcyjny od dłuższego czasu wskazuje zmieniające się profile ryzyka dla różnych typów taboru. Jeśli raporty z AI pozostają w szufladzie działu IT, a plan utrzymania nie jest do nich nawet formalnie odniesiony, punkt kontrolny powinien zakwestionować sens dalszego rozwijania modeli bez zmiany procesu decyzyjnego w dziale technicznym.

Jeżeli koszty utrzymania i liczba awarii w szczycie nie zmieniają się mimo rosnącej złożoności systemów analitycznych, to znak, że organizacja nie przeszła z trybu „rejestrujemy dane” do trybu „zarządzamy na podstawie wskaźników”. Minimum to cykliczny przegląd: które rekomendacje dotyczące taboru zostały wdrożone, jaki przyniosły efekt (np. mniejsza liczba zdjęć brygad z trasy, mniej awarii na mieście) i jakie reguły biznesowe należy skorygować, by kolejny sezon oprzeć na faktach, a nie na przyzwyczajeniach.

Jeżeli kolejne projekty AI w transporcie publicznym nie prowadzą do zmian w rozkładach, procedurach operacyjnych ani w polityce utrzymania taboru, to rozbudowany system staje się tylko kosztownym lustrem dla starych przyzwyczajeń. Minimum to konsekwentne traktowanie modeli jako elementu procesu podejmowania decyzji: z jasno zdefiniowanymi punktami kontrolnymi, progami reakcji i odpowiedzialnością za wdrożenie, tak aby dane miejskie pracowały na realną poprawę jakości podróży, a nie tylko na kolejne prezentacje.

Dlaczego sztuczna inteligencja w transporcie publicznym staje się koniecznością

Dotychczasowy model zarządzania transportem publicznym opierał się na kilku głównych założeniach: stabilnych wzorcach podróży, rzadkich zmianach rozkładu oraz cyklicznych badaniach ruchu prowadzonych raz na kilka lat. Ten schemat przestaje działać przy rosnącej zmienności zachowań pasażerów, dynamicznych remontach, rozwoju stref biurowych i nowych form mobilności (hulajnogi, car‑sharing, rower miejski). W takich warunkach decyzje podejmowane wyłącznie na podstawie okresowych badań i intuicji prowadzą do trwałego „rozjechania się” oferty z realnym popytem.

Sztuczna inteligencja staje się koniecznością nie dlatego, że jest modna, ale dlatego, że pozwala przetwarzać skalę danych, której człowiek nie jest w stanie ogarnąć ręcznie: miliardy rekordów z lokalizacji pojazdów, tysiące raportów z warsztatów, strumienie zgłoszeń od pasażerów. Bez narzędzi analitycznych ta informacja zamienia się w hałas. Z dobrze zaprojektowanymi modelami staje się podstawą systematycznego zarządzania jakością usług, a nie tylko reagowania na najgłośniejsze skargi.

Drugi powód to presja finansowa. Utrzymywanie pustych kursów przy jednoczesnych przepełnieniach w innych relacjach to po prostu nieefektywne wydawanie publicznych pieniędzy. AI pozwala precyzyjniej dopasować podaż do popytu, ograniczyć kosztowną „nadpodaż” i jednocześnie poprawić komfort tam, gdzie tłok był dotychczas traktowany jako „naturalny”. Bez automatycznej analizy zależności między frekwencją, taryfą, ruchem drogowym i decyzjami pasażerów taka optymalizacja jest w praktyce niewykonalna.

Trzeci element to rosnące oczekiwania co do przejrzystości decyzji. Mieszkańcy pytają: dlaczego zlikwidowano linię, czemu skrócono trasę, na jakiej podstawie przesunięto kursy szkolne. Odpowiedzi w stylu „bo tak zdecydował organizator” przestają wystarczać. System oparty na AI umożliwia pokazanie faktów: profili napełnień, alternatywnych scenariuszy, szacowanego wpływu zmian na czas dojazdu z poszczególnych osiedli. Polityczna decyzja nadal należy do władz, ale dyskusja toczy się w oparciu o dane.

Sygnałem ostrzegawczym jest sytuacja, w której organizator ma już dostęp do bogatych danych (GPS, bilety, rowery miejskie, informacje o remontach), ale strategie transportowe i rozkłady nadal powstają według schematów sprzed dekady. Jeśli decyzje o setkach milionów złotych inwestycji są podejmowane bez choćby symulacji scenariuszy, oznacza to lukę między potencjałem danych a sposobem zarządzania. Minimum to wprowadzenie prostych analiz predykcyjnych dla kluczowych inwestycji i regularne raporty jakości usług, które stają się obowiązkowym punktem odniesienia w procesie decyzyjnym.

Jeżeli organizacja argumentuje brak użycia AI wyłącznie brakiem zasobów IT, a jednocześnie rośnie liczba skarg na przepełnienia, opóźnienia i „chaotyczne zmiany rozkładów”, to znak, że barierą nie jest technologia, lecz sposób zarządzania. Minimum to decyzja, które 1–2 procesy krytyczne (np. planowanie szczytów, utrzymanie taboru) zostaną objęte pilotażowym wykorzystaniem danych i modeli, zamiast dalszego odkładania tematu.

Jakie dane miejskie naprawdę się liczą – inwentaryzacja zasobów

Zanim pojawią się pierwsze modele, potrzebny jest jasny obraz tego, jakimi danymi miasto faktycznie dysponuje. W wielu przypadkach okazuje się, że dane są, ale rozproszone po różnych systemach, w różnych formatach i bez spójnych identyfikatorów. Bez takiej „inwentaryzacji” próby budowania zaawansowanych modeli kończą się serią ad hoc integracji, które trudno utrzymać i rozwijać.

Dane operacyjne z systemów transportowych

Podstawą są dane z samego systemu transportu publicznego. Kluczowe kategorie to:

• pozycje pojazdów (GPS/AVL) – dokładne czasy przejazdu przez przystanki, rzeczywiste prędkości na odcinkach, opóźnienia i przyspieszenia względem rozkładu,
• rozkłady i diagramy pracy – planowane trasy, czasy odjazdów, przypisanie brygad do kursów, ograniczenia techniczne,
• dane kasowe/biletowe – liczba skasowanych biletów, wejścia do pojazdów, dane z kart miejskich (z zachowaniem zasad prywatności),
• liczniki pasażerów – automatyczne zliczanie wejść/wyjść, profile napełnień w czasie, obciążenie poszczególnych odcinków,
• dane warsztatowe – awarie, przeglądy, czas wyłączenia pojazdów z eksploatacji, dostępność taboru w danym dniu.

Te dane często już istnieją, ale są wykorzystywane wyłącznie do bieżącego raportowania (np. punktualności). Z perspektywy AI istotne jest, aby były przechowywane w ustrukturyzowanej formie, z możliwością łączenia informacji z różnych systemów poprzez spójne identyfikatory linii, kursów, pojazdów i przystanków.

Sygnałem ostrzegawczym jest sytuacja, gdy każdy projekt analityczny musi „od nowa” ustalać, jak pobrać dane GPS, rozkładowe i biletowe, bo nie ma centralnego, udokumentowanego źródła. Jeśli różne działy korzystają z różnych wersji tych samych danych (np. inne definicje opóźnienia), trudno mówić o wiarygodnych modelach. Minimum to stworzenie uzgodnionego „katalogu danych transportowych” z opisem źródeł, częstotliwości aktualizacji i podstawowych definicji.

Do kompletu polecam jeszcze: 5G w transporcie publicznym: monitoring, WiFi w autobusach i priorytety dla służb — znajdziesz tam dodatkowe wskazówki.

Dane przestrzenne i urbanistyczne

Transport publiczny nie działa w próżni. Potrzebuje kontekstu przestrzennego, który tłumaczy, skąd i dokąd podróżują mieszkańcy, jakie są bariery infrastrukturalne i gdzie pojawiają się nowe generatory ruchu. Najczęściej wykorzystywane zbiory to:

• dane GIS o sieci drogowej i przystankowej – lokalizacja przystanków, parametry ulic, ograniczenia prędkości, odcinki buspasów,
• plany zagospodarowania przestrzennego – planowane osiedla, strefy aktywności gospodarczej, nowe węzły przesiadkowe,
• dane o zabudowie i funkcjach terenu – gęstość zaludnienia, lokalizacja szkół, uczelni, zakładów pracy, centrów handlowych,
• informacje o remontach i utrudnieniach – planowane i bieżące zamknięcia ulic, czas trwania, zakres dostępności dla komunikacji publicznej.

Bez tych danych modele prognoz popytu i optymalizacji tras działają w oderwaniu od realiów przestrzennych miasta. Pojawia się ryzyko, że algorytm „zoptymalizuje” sieć względem istniejącego stanu, ignorując planowane zmiany urbanistyczne, a więc de facto projektując rozwiązania, które w krótkim czasie stracą aktualność.

Sygnałem ostrzegawczym jest projektowanie nowych linii wyłącznie na podstawie aktualnych skarg mieszkańców, bez uwzględnienia planowanych osiedli, szkół czy zakładów pracy. Jeśli modele popytu nie korzystają z danych przestrzennych ani z planów zagospodarowania, generują jedynie „lepszy opis przeszłości”, a nie realną prognozę. Minimum to integracja podstawowych warstw GIS oraz obowiązek konsultowania scenariuszy transportowych z planistami przestrzennymi.

Dane o zachowaniach użytkowników i jakości usług

Kolejna grupa to dane, które pokazują, jak mieszkańcy faktycznie korzystają z systemu i jak oceniają jego działanie. Źródła są rozproszone, ale przy odpowiednim podejściu stanowią cenny materiał dla AI:

• badania ankietowe i wywiady – deklarowane motywacje, preferencje co do przesiadek, wrażliwość na czas podróży i taryfę,
• dane z aplikacji mobilnych – wyszukiwane relacje, odcinki, gdzie pasażer rezygnuje z komunikacji miejskiej na rzecz innego środka transportu,
• skargi i zgłoszenia – lokalizacja problemów, powtarzające się wzorce (przepełnienia, niepunktualność, „uciekające” przesiadki),
• media społecznościowe – sygnały o nagłych problemach, ale także o zmianie postrzegania różnych linii i środków transportu.

Te dane są często jakościowe i „brudne”, ale dobrze nadają się do metod przetwarzania języka naturalnego (NLP) oraz do tworzenia wskaźników nastroju użytkowników względem konkretnych linii czy przystanków. Połączenie twardych danych operacyjnych z miękkimi opiniami pozwala lepiej zrozumieć, które problemy są najbardziej dotkliwe z punktu widzenia pasażera, a nie tylko operatora.

Sygnałem ostrzegawczym jest traktowanie skarg wyłącznie jako obowiązkowego kanału obsługi, bez próby ich systematycznej analizy. Jeśli każda wiadomość jest rozpatrywana indywidualnie, a organizacja nie ma zagregowanego obrazu problemów według linii, pory dnia czy typu kłopotu, trudno sensownie priorytetyzować działania. Minimum to klasyfikacja zgłoszeń wg standardowych kategorii i okresowe zestawienie ich z danymi operacyjnymi.

Przygotowanie danych do analizy – od „śmieci” do materiału dla AI

Największa porażka wielu projektów AI nie wynika z błędnego doboru algorytmu, lecz z jakości danych wejściowych. Modele wytrenowane na niespójnych, niekompletnych i źle opisanych danych produkują wyniki, które co najwyżej powielają błędy systemu. Kluczowe jest więc przygotowanie danych – żmudne, mało efektowne, ale fundamentalne.

Standaryzacja i spójne słowniki pojęć

Pierwszy etap to uzgodnienie, co oznaczają podstawowe pojęcia. Niby proste, ale w praktyce często różne jednostki tej samej organizacji używają innych definicji „opóźnienia”, „kursu”, „awarii” czy „napełnienia pojazdu”. Algorytm nie poradzi sobie z tym chaosem semantycznym.

Przykładowe obszary wymagające standaryzacji:

• definicje jakości usług – przy jakim odchyleniu od rozkładu kurs uznajemy za punktualny, jak mierzymy odwołanie kursu,
• identyfikatory obiektów – jeden sposób oznaczania linii, przystanków, pojazdów, brygad w całej organizacji,
• statusy zdarzeń – jednolite kody dla typów awarii, przyczyn opóźnień, kategorii skarg.

Sygnałem ostrzegawczym jest sytuacja, gdy ten sam wskaźnik (np. punktualność) liczony przez dział planowania i dział eksploatacji daje różne wyniki, bo każdy stosuje inną metodologię. Jeśli nie ma jednego, uzgodnionego słownika pojęć, każda zaawansowana analiza będzie podważana na poziomie definicji. Minimum to formalne przyjęcie zestawu definicji i ich dokumentacja, do której odwołują się wszystkie zespoły.

Czyszczenie i imputacja braków

Kolejny krok to usunięcie oczywistych błędów oraz uzupełnienie braków w danych. W systemach transportowych typowe problemy to: błędne pozycje GPS (skoki w inną część miasta), przerwane strumienie danych, podwójne rejestracje biletów, niekompletne informacje o kursach. Bez ich uporządkowania modele będą wykrywać „anomalię” tam, gdzie w rzeczywistości mamy po prostu problem techniczny.

Kluczowe decyzje dotyczą m.in.:

• jakie kryteria stosować do odrzucania rekordów (np. kurs nie może przeskoczyć w sekundę o kilka kilometrów),
• które braki można sensownie uzupełnić (np. interpolacja czasu przejazdu między przystankami), a które należy oznaczyć jako niepewne,
• jak dokumentować zasady czyszczenia, aby audytor lub zespół planistyczny rozumiał, co zostało zmienione.

Sygnałem ostrzegawczym jest pełna dowolność w „naprawianiu” danych – różne projekty czyszczą je na różne sposoby, bez wspólnego standardu. Jeśli nikt nie potrafi odpowiedzieć, jaka część rekordów została odrzucona lub zmodyfikowana i według jakich zasad, wyniki modeli są w praktyce nieodtwarzalne. Minimum to centralne reguły czyszczenia i log zmian, który można udostępnić zarówno zespołom analitycznym, jak i audytorom.

Łączenie danych z wielu źródeł – konstrukcja „jednego obrazu prawdy”

Większość wartościowych analiz wymaga łączenia danych z różnych systemów: GPS z rozkładem, biletów z licznikami pasażerów, informacji o remontach z czasami przejazdu. Kluczową decyzją jest wybór wspólnych kluczy i struktur, które umożliwią spójne mapowanie rekordów między systemami.

Przykładowo: aby zrozumieć, czy przepełnienia na danej linii wynikają z niewystarczającej podaży czy z przekierowania ruchu z innej trasy, trzeba połączyć przynajmniej:

• rzeczywiste czasy przejazdu z poszczególnych kursów,
• napełnienia pojazdów na odcinkach,
• informacje o remontach i objazdach w rejonie,
• dane biletowe pokazujące, skąd przychodzą nowi pasażerowie.

Sygnałem ostrzegawczym jest tworzenie „jednorazowych” integracji danych pod konkretny projekt, bez myślenia o ich późniejszym wykorzystaniu. Jeśli każdy kolejny model zaczyna od budowania własnej, lokalnej wersji „prawdy”, pojawia się chaos i brak możliwości porównywania wyników. Minimum to zbudowanie podstawowej hurtowni danych transportowych lub przynajmniej warstwy integracyjnej, z której korzystają wszystkie projekty AI.

Kolejnym krokiem jest jasne przypisanie odpowiedzialności za „źródło prawdy” dla poszczególnych typów danych: jeden system bazowy dla rozkładów, inny dla geometrii sieci, jeszcze inny dla identyfikatorów pojazdów i brygad. Każde pole, które może być edytowane w więcej niż jednym miejscu, prędzej czy później doprowadzi do rozjazdu wersji. Punkt kontrolny to prosta tabela: które dane są referencyjne, kto je utrzymuje i w jakim cyklu są odświeżane w hurtowni.

Sygnałem ostrzegawczym jest sytuacja, gdy ten sam przystanek ma trzy różne nazwy w trzech systemach, a pojemność pojazdu jest inna w bazie taboru niż w systemie biletowym. Jeśli na etapie integracji trzeba ręcznie „zgadywać”, który rekord odpowiada któremu obiektowi w terenie, cały proces jest niepowtarzalny i podatny na błędy. Minimum to centralny rejestr obiektów transportowych z jednoznacznymi identyfikatorami oraz mechanizm synchronizacji nazw i parametrów między systemami.

Dobrą praktyką jest rozpoczęcie od kilku kluczowych strumieni danych (np. GPS + rozkład + sprzedaż biletów) i dopiero po ich ustabilizowaniu dokładanie kolejnych. Zbyt szybkie podpinanie nowych źródeł kończy się tym, że zespół więcej czasu spędza na gaszeniu pożarów integracyjnych niż na analizie. Jeśli po kilku tygodniach działania integracji liczba ręcznych „łat” rośnie, a nie maleje, to znak, że architektura wymaga przeglądu, a nie kolejnych obejść.

Jeżeli fundamenty integracyjne są spójne, każdy następny projekt AI staje się tańszy i szybszy w uruchomieniu; jeśli nie – każda nowa analiza de facto buduje własny, lokalny obraz rzeczywistości, którego nie da się porównać z innymi. Dobrze przygotowana warstwa danych nie gwarantuje jeszcze sukcesu, ale bez niej nawet najlepsze algorytmy nie wytrzymują konfrontacji z realnym miastem i realnym transportem.

Najczęściej zadawane pytania (FAQ)

Jakie konkretne korzyści daje sztuczna inteligencja w transporcie publicznym miasta?

AI pozwala przewidywać potoki pasażerskie, opóźnienia i korki z dużo większą precyzją niż tradycyjne metody. Dzięki temu rozkłady jazdy, trasy linii i przydział taboru można dopasować do realnego popytu zamiast działać „na czuja”. Efektem jest mniej przepełnionych kursów, mniejsza liczba pustych przejazdów i stabilniejsza punktualność.

Druga grupa korzyści to reakcja w czasie zbliżonym do rzeczywistego: system może podpowiedzieć objazd, dodać kurs w szczycie albo przesunąć tabor tam, gdzie właśnie rośnie ruch. Dodatkowo AI umożliwia personalizację informacji dla pasażerów – zamiast ogólnych komunikatów, każdy dostaje powiadomienia dopasowane do swoich typowych tras.

Punkt kontrolny: jeżeli większość decyzji o rozkładach i zmianach w sieci opiera się na skargach i pojedynczych pomiarach, a nie na prognozach i testach A/B, to wdrożenie AI ma potencjał szybko wygenerować wymierne oszczędności i poprawę jakości usług.

Jakie dane miejskie są kluczowe do wykorzystania AI w transporcie publicznym?

Podstawą są dane biletowe (z kasowników, kart miejskich, biletów okresowych) oraz GPS z pojazdów. Pierwsze mówią, kiedy i gdzie pasażer rozpoczyna podróż, drugie – jak faktycznie jeżdżą autobusy, tramwaje i pociągi: gdzie się spóźniają, gdzie stoją w korkach, jakie są realne czasy przejazdu między przystankami.

Uzupełnieniem są m.in. dane z pętli indukcyjnych i kamer na skrzyżowaniach (natężenie ruchu, zatory), rozkłady w formacie GTFS oraz logi aplikacji mobilnych (wyszukiwania połączeń, kliknięcia w konkretne linie). Dopiero zestawienie tych źródeł daje pełny obraz zachowań pasażerów i funkcjonowania sieci.

Sygnał ostrzegawczy: jeśli samorząd nie potrafi jednym zdaniem powiedzieć, jakie ma zbiory danych transportowych, kto za nie odpowiada i jak często są aktualizowane, to pierwszym projektem nie powinny być prognozy AI, lecz inwentaryzacja i uporządkowanie danych.

Od czego zacząć wdrożenie sztucznej inteligencji w transporcie miejskim?

Startem jest audyt danych: spisanie, jakie zbiory istnieją, w jakich formatach, z jaką jakością i kto jest ich właścicielem. To moment, żeby wyłapać braki (np. brak historii GPS, niespójne identyfikatory przystanków) i ustalić minimum – zestaw danych, który będzie bazą dla modeli AI. Bez tego każda bardziej zaawansowana analityka będzie budowana na piasku.

Kolejny krok to wybór jednego, dobrze zdefiniowanego problemu, np. optymalizacja rozkładu na konkretnej linii szczytowej albo wykrywanie przepełnionych kursów na podstawie danych biletowych. Mały, pilotażowy projekt pozwala przetestować cały łańcuch: od pozyskania danych, przez model, po wdrożenie zmian w rozkładzie i monitorowanie efektów.

Punkt kontrolny: jeżeli wdrożenie AI zaczyna się od zakupu „magicznego systemu” bez wcześniejszego porządku w danych i bez jasno zdefiniowanego przypadku użycia, to ryzyko wydania środków bez realnego efektu jest bardzo wysokie.

Po czym poznać, że miasto już nie radzi sobie bez AI w planowaniu transportu?

Typowe symptomy to: częste przepełnienia mimo dokładania pojedynczych kursów, narastająca liczba skarg przy jednoczesnych „łatanych” rozkładach oraz planowanie zmian głównie w reakcji na konflikty lokalne, a nie na twarde dane. Jeśli rozkłady aktualizowane są raz do roku, a każda większa inwestycja drogowa czy nowe osiedle wywołuje długotrwały chaos w komunikacji, to znaczy, że otoczenie zmienia się szybciej niż narzędzia planistyczne.

Drugim sygnałem ostrzegawczym jest sytuacja, w której planista opiera się głównie na intuicji i kilku pomiarach napełnień, a wpływ wprowadzonych zmian trudno odróżnić od losowych wahań ruchu. Przy kilkudziesięciu lub kilkuset liniach, złożonych przesiadkach i zmiennej sytuacji drogowej bez modeli matematycznych i AI nie da się już podejmować racjonalnych decyzji.

Jeśli większość decyzji operacyjnych to „gaszenie pożarów” po serii skarg, a nie realizacja spójnej polityki opartej na danych, to AI przestaje być gadżetem i staje się minimum, by utrzymać jakość usług przy rosnącej złożoności systemu.

Jak AI może poprawić punktualność i ograniczyć przepełnienie autobusów i tramwajów?

Modele predykcyjne uczą się na danych GPS, biletowych i o ruchu drogowym, dzięki czemu potrafią wskazać, gdzie i kiedy realnie brakuje pojemności, a gdzie kursy jeżdżą puste. Na tej podstawie można przesuwać tabor między liniami, gęścić rozkład w krytycznych przedziałach czasu lub korygować godziny odjazdów, bez automatycznego „dokręcania” kolejnych kursów wszędzie.

AI analizuje również powtarzalne opóźnienia na odcinkach trasy, uwzględniając porę dnia, pogodę czy wydarzenia masowe. Dzięki temu można lepiej ustawić czasy przejazdu, zaplanować buspasy lub priorytety na sygnalizacji świetlnej dokładnie tam, gdzie da to największy efekt. Przykład z praktyki: system wykrywa stały wzrost liczby wejść do autobusów w wybranym korytarzu między 6:30 a 7:00 w dniach roboczych i wskazuje, że wystarczy dodać jeden kurs w tym oknie czasowym, żeby znacząco zmniejszyć przepełnienia.

Punkt kontrolny: jeśli decyzje o zwiększaniu częstotliwości zapadają „na oko”, bez porównania wariantów i bez późniejszego monitoringu efektów, AI może bardzo szybko ujawnić, gdzie realnie zużywa się tabor, a gdzie wystarczy korekta rozkładu.

Czy sztuczna inteligencja może zastąpić planistów transportu w urzędzie lub ZTM?

AI nie zastępuje planistów, lecz zmienia charakter ich pracy. Algorytmy są w stanie przetworzyć ogromne wolumeny danych i zaproponować warianty rozkładów czy tras, ale ostateczna decyzja wymaga znajomości lokalnego kontekstu: planów zagospodarowania, uwarunkowań politycznych, potrzeb grup wrażliwych. Rolą planisty staje się weryfikacja wyników modeli, formułowanie kryteriów optymalizacji oraz prowadzenie dialogu z mieszkańcami w oparciu o dane.

AI dobrze sprawdza się w zadaniach powtarzalnych: analizie napełnień, wykrywaniu anomalii, szybkim testowaniu wielu wariantów. Natomiast definiowanie strategii transportowej, priorytetów inwestycyjnych czy zasad taryfowych pozostaje po stronie człowieka.

Źródła informacji

• Artificial Intelligence in Transport. International Transport Forum, OECD (2021) – Przegląd zastosowań AI w transporcie, w tym miejskim i publicznym
• Artificial Intelligence and Big Data in Urban Transport Systems. World Bank (2020) – Raport o wykorzystaniu danych i AI do zarządzania ruchem w miastach
• Handbook on Intelligent Transport Systems. European Commission (2019) – ITS, rola analizy danych i automatyzacji w transporcie publicznym
• Public Transport Planning with Smart Card Data. Transportation Research Board (2018) – Analiza danych z kasowników i kart zbliżeniowych w planowaniu linii
• Machine Learning Applications in Transportation. Institute of Transportation Engineers (2019) – Przegląd metod ML do predykcji popytu, opóźnień i optymalizacji tras
• Smart Cities: Big Data, Civic Hackers, and the Quest for a New Utopia. W. W. Norton & Company (2013) – Rola danych miejskich i analityki w zarządzaniu usługami publicznymi
• General Transit Feed Specification Reference. Google – Opis struktury GTFS i zastosowań w systemach informacji pasażerskiej
• Urban Mobility Report. Texas A&M Transportation Institute (2021) – Dane o zatłoczeniu, korkach i wpływie na systemy transportu miejskiego