Byg et forudsigende prognosesystem

Ved hjælp af Google Cloud Machine Learning udviklede Kolumbus et værktøj, som kan forudsige den fremtidige position for virksomhedens køretøjer, så kunderne kan planlægge deres rejser mere effektivt.

Kolumbus står for den offentlige transport for 500.000 borgere i den norske provins Rogaland – herunder byen Stavanger. Som en offentlig operatør står Kolumbus ikke kun for at planlægge og organisere båd- og busdriften i Rogaland, men ser også sig selv som en transportudbyder, hvis mål er at reducere privatbilismen.

Som en del af ambitionen om at forbedre servicen for kunderne har Kolumbus udviklet et realtids-kort, som viser positionen for alle firmaets både og busser. For at gøre kortet endnu bedre besluttede Kolumbus at lave dette om til en ”tidsmaskine”, som kan vise, hvor busser og både forventes at være i morgen eller næste uge på et vilkårligt tidspunkt. Det gjorde man ved hjælp af ’predictive analytics’ og maskinlæring, og til at løse opgaven kiggede Kolumbus mod Google Cloud Platform.

Til det her projekt havde vi brug for en platform, som både kan håndtere store datamængder, maskinlæring og kunstig intelligens. For os var Google Cloud Platform yderst konkurrencedygtig og angiveligt den bedste platform.

Audun M. Solheim, Head of Strategy and Development hos Kolumbus

Skalérbar maskinlæring

Udover at stå for Rogalands bus- og båddrift har Kolumbus ambitiøse målsætninger for miljø og innovation.
Det førte i 2016 til lanceringen af et kortlægningsværktøj i realtid, hvor kunderne fik mulighed for at holde øje med den offentlige transport i området med hjælp fra Google Maps. Hvert eneste af virksomhedens 400 transportmidler begyndte da at sende data med få sekunders mellemrum, og Kolumbus kunne derved opbygge et stort lager af data og information om sine køreplaner og funktioner – flere gigabyte på daglig basis.

Til det her projekt havde vi brug for en platform, som kunne håndtere en stor mængde maskinlæring og kunstig intelligens. Og for os var Google Cloud Platform yderst konkurrencedygtig og muligvis den bedste platform inden for dette område

Audun M. Solheim, Head of Strategy and Development hos Kolumbus

– Med al den data vi indsamlede, blev vi i stand til at rejse tilbage i tiden og se, hvor busserne var og hvordan de fungerede, siger Audun M. Solheim og fortsætter:

– Derfor tænkte vi; hvorfor ikke gå den anden vej og se, hvad der vil ske i fremtiden?
Det nye system ville kræve en potent maskinlæringsplatform, enorme mængder lagringsplads og evnen til let og hurtigt at skalere op uden omkostningerne løb løbsk. I midten af 2017 satte Kolumbus projektet i udbud.

I august 2017 vandt Computas dette udbud med et forslag om at udvikle en ny ”tidsmaskine” ved hjælp af Google Cloud Platform. Det nye system tager data ind i realtid fra køreplaner og sensorer i Kolumbus’ transportmidler og bearbejder det med Google Cloud Dataflow, Google BigQuery og Google Cloud SQL.

– Efter bearbejdningen sidder vi tilbage med 125 millioner datarækker. Hver række indeholder detaljeret information om en specifik bus på et givent tidspunkt, fortæller Simen Selseng, Knowledge Engineer hos Computas.

Google Cloud Machine Learning Engine var afgørende for os. Efter vi havde trænet vores TensorFlow-modeller, kunne vi distribuere videre til skyen uden problemer. Det er meget billigere og kræver mindre vedligeholdelse end lokal implementering.

Ture Friese, Lead Developer, Computas

Disse datasæt lagres mere sikkert i Google BigQuery sammen med de to terabytes med historisk realtidsdata, som Kolumbus allerede har indsamlet. En cloudbaseret lagringsløsning gav Kolumbus mulighed for at skalere hurtigt uden at skulle bruge penge på dyrt hardware, hvilket er nødvendigt når gigabytes af data tilføjes hver eneste dag.

Fra dette lager strømmer data videre ind i maskinlæringsmodellerne, som er bygget med TensorFlow og drevet på Google Cloud Machine Learning Engine. TensorFlow-modellerne forudser hvilke køretøjer, som opererer på et vilkårligt tidspunkt, og hvor langt foran eller bagud de er i forhold til køreplanen.

Computas har bygget en API med Flask og Google App Engine, som gør det muligt for Kolumbus’ online-kortlægningsværktøj at få adgang til ’prediction data’ og vise køretøjets fremtidige placering på ethvert givent klokkeslæt og dato.

– Google Cloud Machine Learning Engine var afgørende for os. Efter vi havde trænet vores TensorFlow-modeller, kunne vi distribuere videre til skyen uden problemer. Det er meget billigere og kræver mindre vedligeholdelse end en lokal implementering, siger Ture Friese, som er Lead Developer hos Computas.

Lav vedligeholdelse, høj kapacitet

Med det nye prognosesystem gør Kolumbus det lettere at planlægge rejser gennem Rogaland. Ved at indtaste tid og dato på et kort, kan kunderne i løbet af få sekunder på dette kort se løbende opdateringer over, hvor busser og både forventes at befinde sig på et givent tidspunkt i fremtiden. Hvis en busrute f.eks. normalt er forsinket på grund af trafik på et bestemt tidspunkt af dagen, vil man kunne se det på kortet, så kunden kan vælge en alternativ rute.

Takket være brugervenligheden og skalerbarheden kan Google Cloud Platform indsamle data fra de 85.000 rejser, der foretages hver dag, og tilføje dem til de eksisterende 2 terabyte med historiske data og lave forudsigelserne uden, at Kolumbus skal investere i ny infrastruktur eller en udvidelse af it-ressourcerne.

– Hos Kolumbus ved vi, hvad vi vil have, men vi har ikke nødvendigvis den tekniske stab til at bygge det. Med Computas har vi en partner, som er ekspert i teknologi, så vi kan fokusere på vores forretningsbehov og vores kunder, siger Audun M. Solheim, Head of Strategy and Development hos Kolumbus.

Med første fase af projektet gennemført kan Kolumbus’ prognosesystem forudsige transportmidlernes position baseret på mapping af historisk data. I slutningen af januar leverer Kolumbus og Computas en endnu mere præcis version af ”tidsmaskinen”, som vil kunne tage højde for eksterne data som vejr og helligdage i forudsigelsesmodellerne.

For Kolumbus udgør ”tidsmaskinen” et solidt fundament, som kan bruges til at bygge fremtidige projekter; f.eks. en flåde af selvkørende busser eller skabe bedre information om afvigelser i trafik og køreplan til passagerne.

Kundernes forventninger bliver højere for hver dag, hvor teknologien bliver bedre. Hvis vi skal fortsætte med at være relevante, skal vi blive ved med at udvikles os og hele tiden være på forkant. Computas og Google hjælper os med netop det.

Audun M. Solheim, Head of Strategy and Development, Kolumbus

I tillæg er Kolumbus’ samarbejde med Computas og Google en nøglefaktor i virksomhedens transformation fra en offentlig transportadministrator til leverandør af en mobilitetsplatform.

– Kundernes forventninger bliver højere for hver dag, hvor teknologien bliver bedre. Hvis vi skal fortsætte med at være relevante, skal vi blive ved med at udvikle os og hele tiden være på forkant. Computas og Google hjælper os med netop dette, siger Audun M. Solheim.

Teknologien vi brukte

  • Google Cloud Platform
  • Python 2.7
  • Flask
  • TensorFlow + Keras

Vores bidrag

  • Dataanalyse
  • ETL
  • Maskinlæring
  • API
  • Kortintegration
  • Projektledelse

Vil du vide mere?

Kontakt os gjerne på mail for en uforpligtende snak.

Boris Bulajic