AI and public transport: potential and hindrances

Projektet har via en systematisk genomgång av vetenskapliga publikationer (drygt 70 artiklar) förstärkt bilden av att det bör finnas en god potential för Artificiell Intelligens inom kollektivtrafiken. Bland annat visas det genom att flera olika typer av AI är föreslagen för flera områden och för flera typer av uppgifter. 

Nästan uteslutande har publikationerna behandlat AI för beslutsstöd (och ej automatisering) och ganska jämt fördelat mellan beslutsstöd för realtidsbeslut till beslutstöd för planering (dvs med lång planeringshorisont). Syftet är ofta att höja servicekvalitet på kollektivtrafiktjänster och i andrahand kunskapen om resenärers resande och i betydlig mindre omfattning med primärt syfte att uppnå kostnadsbesparing. Flera transportmoder behandlas även om tåg och buss naturligt är dominerande.  

Data som nyttjas i AI-tillämpningen är till största delen data kopplad till resenären och kollektivtrafiksystemet. En majoritet är sensordata. Noterbart är att även historisk data av flera typer nyttjas till en stor grad. 

Förutom att analysera potentialen med AI i kollektivtrafik har projektet haft som mål att identifiera hinder och utmaningar. Från den vetenskapliga litteraturen har följande utmaningar identifierats: stora datamängder behövs, väsentliga resurser går åt för att förbehandla dessa datamängder innan användning, det behövs ofta ytterligare datatyper än de som har kunnat användas, bristande datakvalité, svårt att identifiera och välja mest lämpade metod, undvika att inskränka den personliga integriteten. För att fördjupa bilden analyserades resultat från ett internationellt branschperspektiv i form av information från UITP, som också identifierad en generell kunskap om införandet/utnyttjandet av AI inom domänen och engagemang från ledningen för att genomföra kulturell och process förändring som viktiga utmaningar.  I workshopen anordnad av projekten med fokus på den svenska kontexten framkom också följande utmaningar: skydda den personliga integriteten, uppnå datadelande mellan olika parter (hindras t.ex. av kommersiellt intresse), acceptans för experiment, experter kan se AI som ett hot mot deras roll, tillgänglighet för funktionsbegränsade resenärer, konservativa politiker.

Något förvånande har vi funnit få indikationer på att tillgången till data för maskininlärning är ett problem inom denna domän, vilket kanske kommer förändras i framtiden då nya och mera komplexa uppgifter adresseras med AI inom området.