Oppdraget ledes av WSP Norge godt støttet av WSPs globale spisskompetanse innen jernbane, transportanalyse og kunstig intelligens.
Jernbanedirektoratet skal opparbeide et kunnskapsgrunnlag for hvilke trender og drivkrefter som kan påvirke fremtidens jernbane frem mot 2050. WSPs oppdrag er å identifisere disse faktorene, og utvikle en metodikk for hvordan dette kan overvåkes systematisk og kontinuerlig ved bruk av stordata og maskinlæring. Sagt på en annen måte; det skal lages et system for å hente inn en stor mengde data, for deretter å benytte kunstig intelligens (AI – teknologi) til å tolke dataene.
– Dette er et skikkelig spennende oppdrag. Det blir inspirerende å jobbe med Jernbanedirektoratet, som ligger langt fremme på dette feltet. Å tenke trender og scenarier langt frem i tid er en bærende tankegang i WSPs arbeid med samfunnsutvikling. Derfor er vi ekstra glad for å kunne bidra med å utvikle metodikk som kan hjelpe Jernbanedirektoratet i arbeidet med Nasjonal transportplan og strategier for fremtiden, sier Julia Obrovac, avdelingsleder for Samferdsel og Infrastruktur i WSP Norge.
Desmond Wright, digital lead i WSP Rail Advisory, mener Jernbanedirektoratet er i verdenstoppen når det gjelder å ta i bruk nye og innovative verktøy.
– Vi kommer til å utforske forskjellige informasjonskilder og bruke maskinlæring for å kunne forutsi mer pålitelige fremtidsscenarier, slik at Jernbanedirektoratet kan utvikle mer robuste policyer og strategier. Med Covid-19-tidene vi står i som eksempel er dette et verdifullt verktøy for å håndtere usikkerhet på en måte som dagens metoder for prognoser ikke er i stand til, sier Desmond Wright, digital lead i WSP Rail Advisory.
Skal treffe bedre beslutninger
Gjennom bruk og analyse av stordata med maskinlæringsmetoder skal det avdekkes kunnskap om hva som kan påvirke etterspørselen etter transport i tiden som kommer. Eksempler på dette er holdningsendringer, relevante trender, megatrender og metode for når et bestemt scenario vil inntreffe.
– Reisevanene våre er i stadig endring. Ved bruk av stordata og maskinlæring skal vi utvikle metoder som kan komplettere de tradisjonelle metodene som finnes i dag for å sanke kunnskap om fremtidens transportvaner og -behov. Denne metodikken vil kunne forbedre kunnskapsgrunnlaget for hvordan Jernbanedirektoratet tar beslutninger for fremtidige investeringer, sier Sida Jang, ekspert maskinlæring i WSP Sverige.
