Πώς η τεχνητή νοημοσύνη αλλάζει τον σχεδιασμό δικτύων λεωφορείων: συχνότητες, διαδρομές και ρύθμιση σε πραγματικό χρόνο

Σχεδόν κάθε προμηθευτής λογισμικού σχεδιασμού και προγραμματισμού δρομολογίων πουλά σήμερα «τεχνητή νοημοσύνη». Ένα μέρος της είναι πράγματι καινούργιο: μοντέλα μηχανικής μάθησης που προβλέπουν τους χρόνους διαδρομής ανά χρονική ζώνη ή μοντέλα ζήτησης που εκτιμούν την επίδραση μιας αλλαγής στο δίκτυο πριν αυτή τεθεί σε λειτουργία. Ένα άλλο μέρος είναι επιχειρησιακή έρευνα δεκαετιών με νέα ετικέτα. Και ένα τρίτο, ιδίως ό,τι περιγράφεται ως «αναδιάταξη του δικτύου σε πραγματικό χρόνο», βρίσκεται ακόμη κυρίως σε πιλοτικό στάδιο.

Για μια αρχή συγκοινωνιών ή έναν φορέα λειτουργίας, το χρήσιμο ερώτημα δεν είναι «να χρησιμοποιήσουμε τεχνητή νοημοσύνη;» αλλά «για ποια εργασία σχεδιασμού, με ποιον αλγόριθμο, τροφοδοτούμενο με ποια δεδομένα;». Η απάντηση στο τελευταίο σκέλος είναι σχεδόν πάντα η ίδια: ο αλγόριθμος είναι τόσο καλός όσο τα πραγματικά δεδομένα εκτέλεσης που προέρχονται από το σύστημα AVM (αυτόματη παρακολούθηση οχημάτων). Ένας βελτιστοποιητής που τροφοδοτείται με προγραμματισμένους χρόνους διαδρομής αντί για μετρημένους θα δώσει μια πολύ ακριβή απάντηση στο λάθος ερώτημα.

Το άρθρο αυτό ξεχωρίζει ό,τι λειτουργεί σήμερα στην πράξη από ό,τι είναι μάρκετινγκ, με επαληθευμένα παραδείγματα από τη Βαρκελώνη, το Δουβλίνο, τις σκανδιναβικές πρωτεύουσες, το Λονδίνο και το Σικάγο.

Τι καλύπτει στην πράξη η «τεχνητή νοημοσύνη» στον σχεδιασμό λεωφορείων;

Ξεχωρίζουν δύο σημεία. Πρώτον, η πιο ώριμη «τεχνητή νοημοσύνη» του πίνακα, ο προγραμματισμός οχημάτων και πληρωμάτων, είναι κλασική βελτιστοποίηση και όχι μηχανική μάθηση. Δεύτερον, κάθε γραμμή εξαρτάται από πραγματικά δεδομένα εκτέλεσης. Χωρίς αυτά, κανένα από τα εργαλεία δεν έχει κάτι πραγματικό από το οποίο να μάθει.

Χρόνοι διαδρομής: πού αρχίζει το πρόβλημα των δεδομένων;

Η βαθμονόμηση των χρόνων διαδρομής είναι η λιγότερο εντυπωσιακή εργασία και εκείνη με την πιο σαφή απόδοση. Πολύ σφιχτοί χρόνοι σημαίνουν καθυστερημένα λεωφορεία όλη την ημέρα· πολύ χαλαροί χρόνοι σημαίνουν πρόωρες διελεύσεις και αμειβόμενες ώρες που ο φορέας λειτουργίας δεν χρειάζεται.

Η εργασία αυτή προηγείται της ετικέτας «τεχνητή νοημοσύνη». Η ενότητα HASTUS-ATP της GIRO, τεκμηριωμένη το 2011 και αναπτυγμένη με την Transports Metropolitans de Barcelona και το Πανεπιστήμιο της Βαρκελώνης, υπολογίζει βέλτιστους χρόνους διαδρομής και ελάχιστους χρόνους αναμονής στις αφετηρίες από ιστορικά δεδομένα εντοπισμού. Στο Λονδίνο, το σύστημα iBus της TfL, που καλύπτει περισσότερα από 8.000 λεωφορεία, χρησιμοποιήθηκε για τον υπολογισμό των πραγματικών χρόνων διαδρομής μεταξύ σημείων ελέγχου ανά περίοδο της ημέρας, ώστε οι φορείς λειτουργίας να υποβάλλουν πιο ρεαλιστικά δρομολόγια, όπως περιγράφουν οι Hounsell, Shrestha και Wong στο Transportation Research Part C (2012).

Αυτό που προσθέτει η μηχανική μάθηση είναι μεγαλύτερη λεπτομέρεια και η δυνατότητα συνδυασμού περισσότερων μεταβλητών: ιστορικοί χρόνοι διαδρομής, κυκλοφοριακά μοτίβα, καιρός, σχολικό ημερολόγιο, όλα ανά τμήμα και χρονική ζώνη. Λειτουργίες πρόβλεψης χρόνων διαδρομής προσφέρουν πλέον τα περισσότερα εργαλεία σχεδιασμού και προγραμματισμού. Όταν όμως μια επαναβαθμονομημένη γραμμή βελτιώνεται, ο καθοριστικός παράγοντας σπάνια είναι το μοντέλο. Είναι μια ολόκληρη περίοδος καθαρών δεδομένων εντοπισμού ανά δρομολόγιο στις γραμμές που μετρούν, διασταυρωμένων με όσα κατέγραψε το AVM.

Προσοχή επίσης στον τρόπο παρουσίασης των βελτιώσεων. Ένα ποσοστό συνέπειας που ανεβαίνει από 80% σε 90% είναι βελτίωση 10 ποσοστιαίων μονάδων, αλλά σχετική αύξηση 12,5%. Και οι δύο αριθμοί είναι σωστοί· δεν είναι όμως ο ίδιος αριθμός, και η αξιολόγηση προσφορών σε έναν διαγωνισμό θα πρέπει να διευκρινίζει ποιος από τους δύο εννοείται.

Γιατί το «σκουπίδια μέσα, σκουπίδια έξω» μπορεί να μετρηθεί;

Τα τυπικά σφάλματα είναι γνωστά σε όποιον έχει ελέγξει ποτέ μια ροή δεδομένων τηλεματικής (ποιες λειτουργίες πρέπει να διαθέτει ένα σύστημα AVM για να τα αποφύγει, θα τις βρείτε στον κατάλογο λειτουργιών συστήματος AVM 2026). Πολύ μεγάλα διαστήματα ενημέρωσης θέσης καθιστούν αναξιόπιστη την ανίχνευση αφίξεων και αναχωρήσεων στις στάσεις. Χαμηλά ποσοστά σύνδεσης των οδηγών αφήνουν πολλά δρομολόγια χωρίς αντιστοίχιση σε όχημα. Η ανίχνευση στάσεων μέσω geofence μπορεί να αλλοιώσει τόσο τους δείκτες συνέπειας όσο και τους μετρημένους χρόνους διαδρομής.

Αν τροφοδοτήσετε ένα μοντέλο χρόνων διαδρομής με τέτοια σφάλματα, θα προτείνει με απόλυτη βεβαιότητα δρομολόγια βαθμονομημένα σε τεχνουργήματα. Αυτό είναι το κεντρικό σημείο όλου του θέματος: τα εργαλεία σχεδιασμού με τεχνητή νοημοσύνη δεν διορθώνουν κακά δεδομένα AVM, τα μεγεθύνουν.

Ισχύει και το αντίστροφο. Στην περιοχή του Ελσίνκι, η HSL δημοσιεύει θέσεις όπου τα περισσότερα οχήματα αναφέρουν τη θέση τους μία φορά το δευτερόλεπτο, μαζί με συμβάντα άφιξης, αναχώρησης και ανοίγματος θυρών στις στάσεις: αυτό είναι το επίπεδο λεπτομέρειας από το οποίο ένα μοντέλο χρόνων διαδρομής μπορεί πράγματι να μάθει.

Επανασχεδιασμός δικτύου και πρόβλεψη ζήτησης: ποιος σχεδιάζει, το εργαλείο ή ο άνθρωπος;

Οι πιο γνωστοί επανασχεδιασμοί δικτύων της τελευταίας δεκαετίας δεν προήλθαν από αλγορίθμους. Στο Δουβλίνο, ο επανασχεδιασμός BusConnects της National Transport Authority (NTA) ξεκίνησε από μια έκθεση επιλογών του 2017 του συμβουλευτικού γραφείου Jarrett Walker + Associates, πέρασε από αρκετούς γύρους δημόσιας διαβούλευσης από τα μέσα του 2018 και υλοποιείται σταδιακά από τον Ιούνιο του 2021. Στην έκθεση προόδου του Μαρτίου 2025, η NTA ανέφερε ότι ο αριθμός των επιβατών στις περιοχές όπου εφαρμόστηκε το νέο δίκτυο είχε αυξηθεί κατά 48% έως το τέλος του 2024, έναντι 8% στο υπόλοιπο δίκτυο. Το Nova Xarxa της Βαρκελώνης, ένα ορθογωνικό δίκτυο που μελέτησαν οι Badia, Argote-Cabanero και Daganzo (UC Berkeley, 2016), προσέλκυσε περισσότερη ζήτηση από το παλιό δίκτυο, με περίπου 26% των διαδρομών να περιλαμβάνουν μετεπιβίβαση στο τέλος του 2015.

Εκεί όπου το λογισμικό βοηθά σήμερα είναι η δοκιμή σεναρίων. Τα σύγχρονα εργαλεία σχεδιασμού μπορούν να εκτιμήσουν την επίδραση μιας αλλαγής δικτύου στην επιβατική κίνηση από δεδομένα πραγματοποιημένων διαδρομών, και ορισμένα εμφανίζουν τους μετρημένους χρόνους από στάση σε στάση απευθείας στον επεξεργαστή δρομολογίων, ώστε οι σχεδιαστές να βλέπουν πού οι πραγματικές αναχωρήσεις αποκλίνουν από τις προγραμματισμένες. Οι προμηθευτές παρουσιάζουν όλο και συχνότερα αυτές τις λειτουργίες ως «πλατφόρμες τεχνητής νοημοσύνης» για σχεδιασμό, προγραμματισμό και λειτουργία. Το χρήσιμο κριτήριο για τον αγοραστή παραμένει το ίδιο: ποια δεδομένα τροφοδοτούν κάθε πρόβλεψη και πόσο πρόσφατα είναι.

Και η πρόβλεψη της ζήτησης εξαρτάται από όσα μετρά το όχημα. Η Ruter στο Όσλο άρχισε το 2016 να εγκαθιστά αυτόματη καταμέτρηση επιβατών και άλλους αισθητήρες σε περισσότερα από 400 λεωφορεία και στη συνέχεια κινήθηκε προς μια ανοιχτή αρχιτεκτονική επί του οχήματος βασισμένη στο ITxPT. Η ροή υψηλής συχνότητας της HSL στο Ελσίνκι περιλαμβάνει επίσης ένα πεδίο πληρότητας δίπλα στα συμβάντα θυρών. Τέτοιου είδους λεπτομερείς, τυποποιημένες ροές κάνουν αξιόπιστο τον καθορισμό συχνοτήτων με βάση την πληρότητα, αντί για εικασίες.

Η ειλικρινής σύνοψη: η μηχανική μάθηση βελτιώνει την πρόβλεψη για κάθε σενάριο. Η επιλογή του σεναρίου (κάλυψη ή συχνότητα, πού θα επιβληθούν μετεπιβιβάσεις, τι θα ειπωθεί στο κοινό) παραμένει πολιτική και επαγγελματική απόφαση.

Προγραμματισμός οχημάτων και βαρδιών: είναι αυτό το ώριμο κομμάτι;

Η δημιουργία κυκλωμάτων οχημάτων και βαρδιών οδηγών είναι ο τομέας όπου η βελτιστοποίηση χρησιμοποιείται περισσότερο καιρό. Τα εργαλεία σχεδιασμού και προγραμματισμού, με το HASTUS ανάμεσα στα πιο καθιερωμένα, λύνουν μεγάλα συνδυαστικά προβλήματα (ποιο όχημα καλύπτει ποια δρομολόγια, πώς οι βάρδιες σέβονται τις συλλογικές συμβάσεις, τα σημεία αλλαγής οδηγού και τα αμαξοστάσια) για να εξοικονομήσουν οχήματα και αμειβόμενες ώρες.

Δύο επιφυλάξεις έχουν σημασία για τους αγοραστές. Πρώτον, ο βελτιστοποιητής αντιμετωπίζει τους χρόνους διαδρομής και αναμονής ως δεδομένα εισόδου. Αν αυτά προέρχονται από το παλιό πρόγραμμα και όχι από μετρήσεις, ένα «πιο αποδοτικό» κύκλωμα μπορεί απλώς να σημαίνει την αφαίρεση χρόνου ανάκαμψης που το οδικό δίκτυο στην πραγματικότητα δεν επιτρέπει, κάτι που εμφανίζεται στη συνέχεια ως καθυστερήσεις και χαμένα δρομολόγια. Δεύτερον, οι νεότερες λειτουργίες παραγωγικής τεχνητής νοημοσύνης (ερωτήματα σε φυσική γλώσσα, υποβοηθούμενη ρύθμιση) αλλάζουν τη διεπαφή, όχι τα υποκείμενα μαθηματικά.

Ρύθμιση σε πραγματικό χρόνο: τι υπάρχει σήμερα και τι είναι ακόμη πιλοτικό;

Εδώ το χάσμα ανάμεσα στο μάρκετινγκ και στη λειτουργία είναι το μεγαλύτερο.

Τι είναι σήμερα καθιερωμένο. Τα κέντρα ελέγχου ήδη ρυθμίζουν την υπηρεσία σε πραγματικό χρόνο: κρατούν ένα λεωφορείο σε σημείο ελέγχου, αναστρέφουν πρόωρα ένα καθυστερημένο λεωφορείο για να καλύψουν ένα κενό στην αντίθετη κατεύθυνση, εισάγουν εφεδρικό όχημα ή περνούν μια γραμμή υψηλής συχνότητας σε ρύθμιση βάσει διαστήματος. Η TfL, σε απάντηση σε αίτημα πρόσβασης σε πληροφορίες, περιγράφει τις πρόωρες αναστροφές ως αποφάσεις όπου «οι συνθήκες συνήθως καθορίζουν την καλύτερη πορεία δράσης». Τις αποφάσεις αυτές τις λαμβάνουν οι επόπτες κυκλοφορίας με βάση τις οθόνες του AVM, κανόνες και εμπειρία. Το λογισμικό προτείνει όλο και συχνότερα ενέργειες, αλλά αποφασίζει ένας άνθρωπος.

Τι έχει δοκιμαστεί στο πεδίο. Η Στοκχόλμη πραγματοποίησε δοκιμές λειτουργίας με βάση την κανονικότητα (διαστήματα μεταξύ οχημάτων) στις κύριες γραμμές λεωφορείων της, τις οποίες ανέλυσε ο Oded Cats στο Transport Policy (2014), καταλήγοντας ότι η κανονικότητα απαιτεί αλλαγές στον σχεδιασμό, στη λειτουργία και στην παρακολούθηση, όχι μόνο έναν αλγόριθμο ελέγχου. Πιο πρόσφατα, η Chicago Transit Authority (CTA) δοκίμασε ένα σύστημα υποστήριξης αποφάσεων για τον έλεγχο διαστημάτων στη γραμμή 81 (Οκτώβριος 2022, κράτηση στην αφετηρία) και στη γραμμή 66 (Νοέμβριος 2023, κράτηση κατά τη διαδρομή). Οι χρόνοι αναμονής μειώθηκαν κατά 8,7% στην πρωινή αιχμή και κατά 19,9% στην απογευματινή αιχμή στη γραμμή 81, και κατά 5,8% στην απογευματινή αιχμή στη γραμμή 66, με την πληρότητα στο 90ό εκατοστημόριο μειωμένη κατά 5,5%. Ωστόσο, η συμμόρφωση των οδηγών με τις οδηγίες κράτησης ήταν μόλις 35% στη γραμμή 81 και 56,9% στη γραμμή 66, και οι πιο έμπειροι οδηγοί συμμορφώνονταν λιγότερο.

Τι παραμένει κυρίως έρευνα. Η ενισχυτική μάθηση για την κράτηση λεωφορείων και τον έλεγχο στόλου είναι ενεργό ακαδημαϊκό πεδίο, αλλά η μεγάλη πλειονότητα των δημοσιευμένων αποτελεσμάτων προέρχεται από προσομοιώσεις. Η πλήρως αυτόματη ρύθμιση, όπου ένας αλγόριθμος στέλνει πρόσθετα οχήματα ή αναστρέφει λεωφορεία χωρίς έγκριση από το κέντρο ελέγχου, δεν αποτελεί συνήθη πρακτική σε κανένα μεγάλο δίκτυο που μπορέσαμε να επαληθεύσουμε.

Οι έρευνες και στις δύο πλευρές του Ατλαντικού δείχνουν προς την ίδια κατεύθυνση. Η UITP, η διεθνής ένωση δημόσιων συγκοινωνιών με έδρα τις Βρυξέλλες, διαπίστωσε στη μελέτη της «Moving Forward with Artificial Intelligence in Public Transport» (Φεβρουάριος 2020, 48 οργανισμοί δημόσιων συγκοινωνιών που απάντησαν) ότι η διαχείριση της λειτουργίας σε πραγματικό χρόνο και η ανάλυση πελατών ήταν οι πιο συνηθισμένες εφαρμογές τεχνητής νοημοσύνης, καθεμία σε χρήση, δοκιμή ή προσφορά από το 25% των ερωτηθέντων, ενώ ο σχεδιασμός δικτύου και διαδρομών είχε ακόμη σχετικά χαμηλή υιοθέτηση. Έξι χρόνια αργότερα, ο οδηγός της APTA για την τεχνητή νοημοσύνη (Μάιος 2026), βασισμένος σε έρευνα σε 32 μέλη της από τη Βόρεια Αμερική, περιγράφει έναν κλάδο που «δοκιμάζει, μαθαίνει και κλιμακώνει», με τη λειτουργία ανάμεσα στους τομείς με τη μεγαλύτερη προγραμματισμένη υιοθέτηση και όχι με τη μεγαλύτερη σημερινή ωριμότητα.

Τι σημαίνει αυτό για έναν φορέα λειτουργίας ή μια αρχή συγκοινωνιών;

Πριν αγοράσετε μια ενότητα σχεδιασμού με τεχνητή νοημοσύνη, ελέγξτε τα θεμέλια:

1. Μετρήστε τους χρόνους διαδρομής ανά τμήμα και χρονική ζώνη, όχι μόνο από άκρο σε άκρο, και για αρκετές εβδομάδες ώστε να ξεχωρίζετε τα επαναλαμβανόμενα μοτίβα από τα συμβάντα.
2. Ελέγξτε την ποιότητα των δεδομένων AVM: διάστημα ενημέρωσης θέσης, ποσοστό αντιστοίχισης δρομολογίων (σύνδεση οδηγού), μέθοδος ανίχνευσης στάσεων, ποσοστό δρομολογίων με πλήρη καταγραφή.
3. Συνδέστε την πληρότητα με τα δρομολόγια: τα δεδομένα καταμέτρησης ή έκδοσης εισιτηρίων στηρίζουν αποφάσεις για τις συχνότητες μόνο αν αντιστοιχίζονται στο δρομολόγιο που πραγματικά εκτελέστηκε.
4. Κλείστε τον κύκλο: συγκρίνετε κάθε νέο πρόγραμμα με την πραγματική εκτέλεση μετά την εφαρμογή του και αξιοποιήστε το αποτέλεσμα στην επόμενη βαθμονόμηση.
5. Αντιμετωπίστε την τεχνητή νοημοσύνη σε πραγματικό χρόνο πρώτα ως υποστήριξη αποφάσεων: σχεδιάστε με γνώμονα την αποδοχή από επόπτες και οδηγούς, αφού τα πιλοτικά της CTA δείχνουν ότι η συμμόρφωση είναι ο καθοριστικός περιορισμός.

Εδώ το AVM κερδίζει τη θέση του στην αλυσίδα του σχεδιασμού. Ένα σύστημα AVM δεν επανασχεδιάζει το δίκτυο, αλλά παράγει τα πραγματικά δεδομένα εκτέλεσης (δρομολόγια που εκτελέστηκαν, χρόνοι ανά τμήμα, συνέπεια ανά στάση και χρονική ζώνη, χιλιόμετρα) που χρειάζεται κάθε εργαλείο σχεδιασμού, με ή χωρίς τεχνητή νοημοσύνη, για να είναι σωστό. Στην Pysae, τα δεδομένα αυτά προέρχονται από το Operations, την ενότητα εποπτείας της λειτουργίας σε πραγματικό χρόνο, ενώ το Network είναι η ενότητα όπου τα σχέδια μεταφορών επεξεργάζονται με τη βοήθεια τεχνητής νοημοσύνης και εξάγονται σε GTFS και NeTEx.

Συχνές ερωτήσεις

Μπορεί η τεχνητή νοημοσύνη να σχεδιάσει μόνη της ένα νέο δίκτυο λεωφορείων;

Όχι. Τα εργαλεία μπορούν να δημιουργούν και να αξιολογούν σενάρια και να προβλέπουν την επιβατική κίνηση, αλλά οι επανασχεδιασμοί που πέτυχαν, όπως το BusConnects στο Δουβλίνο ή το Nova Xarxa στη Βαρκελώνη, καθοδηγήθηκαν από σχεδιαστές που έκαναν ρητές επιλογές με τη συμμετοχή του κοινού.

Ποια δεδομένα χρειάζομαι πριν χρησιμοποιήσω προβλεπόμενους χρόνους διαδρομής;

Καταγραφές AVM ανά δρομολόγιο με ακριβείς ώρες άφιξης και αναχώρησης στις στάσεις, υψηλό ποσοστό δρομολογίων σωστά αντιστοιχισμένων σε οχήματα και τουλάχιστον μία πλήρη περίοδο ιστορικού ανά γραμμή και χρονική ζώνη.

Χρησιμοποιείται σήμερα η ρύθμιση σε πραγματικό χρόνο με τεχνητή νοημοσύνη;

Τα κέντρα ελέγχου ρυθμίζουν την υπηρεσία καθημερινά με εργαλεία AVM. Οι αλγοριθμικές συστάσεις έχουν δοκιμαστεί σε πιλοτικά προγράμματα στο πεδίο, όπως αυτό της CTA στο Σικάγο. Η πλήρως αυτόματη ρύθμιση παραμένει αντικείμενο έρευνας.

Πηγές: Hounsell, Shrestha, Wong, «Data management and applications in a world-leading bus fleet», Transportation Research Part C (2012)· TRID, «ATP: Run-time analysis and improved punctuality» (GIRO, 2011)· National Transport Authority, «BusConnects Network Plan sees spike in passenger numbers in Dublin» και BusConnects Dublin Progress Report (Μάρτιος 2025)· Badia, Argote-Cabanero, Daganzo, «Network effects in bus transit: evidence from Barcelona's Nova Xarxa» (UC Berkeley, 2016)· HERE, «What Oslo's buses can teach us about data collection» (Ruter)· Digitransit, HSL High-Frequency Positioning API· TfL, απάντηση σε αίτημα πρόσβασης σε πληροφορίες για τις πρόωρες αναστροφές (WhatDoTheyKnow)· Cats, «Regularity-driven bus operation», Transport Policy 36 (2014)· Rodriguez et al., «Deploying robust decision support systems for transit headway control», arXiv 2509.08231 (2025)· UITP, «Moving Forward with Artificial Intelligence in Public Transport», Action Points (Φεβρουάριος 2020)· APTA, AI and ML in Public Transit Primer (Μάιος 2026).