אנליטיקת ערים חכמות עם Talent Alpha
כאשר הלקוח פנה אלינו לקבלת הכוונה בתחום ה-AI, הוא כבר עבד על Digital Twin עבור אחת הערים הגדולות בעולם. יחד, התמקדנו בהוספת יכולת חיזוי למערכת. נחקרו שני מקרי שימוש עיקריים הקשורים לתחבורה ציבורית - חיזוי מספר הכניסות לאוטובוסים ומידול זמני ההגעה של האוטובוסים. עבור שני מקרי שימוש אלה ניצלנו את ה-AI כדי לשפר את מודל ה-Digital Twin של עיר חכמה מודרנית.
טכנולוגיות
כיצד נוכל להשתמש באנליטיקת ערים חכמות הלכה למעשה?
תחום ה-Digital Twins המודרני צובר חשיבות במהירות, במיוחד כאשר אנו שוקלים את היכולות ההולכות וגדלות שמציע פיתוח תעשיית הטכנולוגיה של Big Data. איסוף כמויות עצומות של נתונים הפך לקל ויעיל מתמיד, ומדענים מתחרים ביניהם כדי למצוא דרכים חדשות וטובות יותר להשתמש בנתונים לטובתנו.
כאשר אנו עוברים את שלב ניתוח המגמות ההיסטוריות והבנת המצב הנוכחי שלנו, אנו מתחילים להתמקד במה שמצפה לנו בהמשך. כאן ניתוח חזוי, המונע על ידי למידת מכונה, הופך לבלתי יסולא בפז.
כאשר הלקוח שלנו ביקש מאיתנו הדרכה בתחום ה-AI, הם כבר עבדו על Digital Twin עבור אחת הערים הגדולות בעולם. יחד התמקדנו בהוספת יכולת חיזוי למערכת. נחקרו שני תרחישי שימוש עיקריים הקשורים לתחבורה ציבורית – חיזוי מספר כניסות לאוטובוסים ומידול זמני הגעה של האוטובוסים.
תחילה ביצענו אבחון נתונים קפדני והגדרנו את היקף החיזוי האפשרי – מסגרת הזמן שלו, רמת הפירוט, איתור מקורות נתונים נוספים ובדיקת היכולת לחבר את הפתרון ל-backend הקיים.
לאחר מכן, בהתחשב בכל האמור לעיל, עבור כל אחד ממקרי השימוש המוגדרים פיתחנו מודל למידת מכונה מותאם אישית שמטרתו לחזות:
- תנועות נוסעים באוטובוסים באמצעות נתוני כרטיסי נסיעה,
- זמן הגעת האוטובוס לתחנה נתונה באמצעות נתוני תנועה חיים של האוטובוסים.
במהלך התהליך הזה, בדקנו מגוון טכניקות מידול, החל מניתוח סדרות עתיות (למשל באמצעות האלגוריתם Prophet של Facebook) ועד למודלים מורכבים של למידת מכונה (כולל XGBoost, MLP).
התוצר הסופי של ה-PoC הראשון היה מודל למידת מכונה שחוזה את מספר העולים בתחנת אוטובוס נבחרת ב-15 הדקות הבאות. המודל ביצע כ-18 נקודות אחוז טוב יותר ממודל הבסיס (מגמה היסטורית).
כדי להתחיל למדל את הגעת האוטובוסים, היינו צריכים לבנות צינור נתונים מלא שהתחיל באיסוף נתונים חיים, ניקוים ויישום אלגוריתם שנבנה בהתאמה אישית שחיבר תצפיות גולמיות לנסיעות אוטובוס. בעבודה עם מערך נתונים מוגבל, הדיוק של המודל לחיזוי הגעת אוטובוסים היה קרוב לזה של המערכת מבוססת ה-GPS המוצגת בזמן אמת בתחנות האוטובוס. המודל שלנו השיג דיוק גבוה במעט כאשר המרחק בין האוטובוס לתחנת האוטובוס היה גדול יותר.
בנוסף לכך, סיפקנו גם ניתוחים נוספים הקשורים לשני תרחישי השימוש העיקריים. יצרנו סט של Jupyter Notebooks עם ויזואליזציות אינטראקטיביות שישמשו ככלי לחקירה ולפתרון בעיות של צווארי בקבוק במערכת התחבורה. מלבד מודלים של מספר הכניסות הצפוי של נוסעים וזמני הגעת אוטובוסים, התמקדנו גם בחיזוי אנומליות בשיטת Isolation Forest. גילינו שבאמצעות שימוש בערכים היסטוריים של כניסות לאוטובוסים (ב-15, 30, 45, 60 הדקות האחרונות), אנו יכולים, ברמת ודאות גבוהה, לחזות האם מרווח הזמן הבא יהיה אנומליה.
בסך הכל, עבור שני מקרי השימוש הללו, עשינו שימוש בטכניקות בינה מלאכותית מתקדמות כדי לשפר את מודל התאום הדיגיטלי של עיר חכמה מודרנית.
טכנולוגיות בשימוש:Python (Jupyter Notebook, PyCharm), Git, Prophet, XGBoost, MLP
מתודולוגיות בשימוש:ניתוח נתונים, מודלים חזויים, למידת מכונה, ניתוח סדרות עתיות, ויזואליזציה של נתונים, זיהוי חריגים, רגרסיה לינארית, Isolation Forest
arrow_circle_right העבודה שלנו
צפו בסיפורי הצלחה נוספים של לקוחותינו
arrow_circle_rightצור קשר
