Stordata og maskinlæring forutser fremtidens reisevaner

Metodikken, som er utviklet av WSP, viser at det er mulig å bruke stordata og maskinlæring på nye måter, som gir et bedre kunnskapsgrunnlag for hvilke trender og drivkrefter som påvirker fremtidens reisevaner. Det ble stilt mange hypoteser og diskutert grundig underveis i arbeidet, med stort engasjement fra begge parter.

- Det har vært en utrolig spennende og nytenkende prosess, hvor vi har lært masse av hverandre og utviklet oss sammen. Å tenke fremtidstrender og -scenarier er en bærende tankegang i WSPs arbeid med samfunnsutvikling, og et svært tillitsbasert samarbeid med Jernbanedirektoratet som er langt fremme i skoene på innovasjon har vært fantastisk, sier Julia Obrovac, avdelingsleder for Samferdsel og Infrastruktur i WSP Norge.

For å finne prediksjonsmetoder og innsikt i fremtidens reisevaner trengs store mengder data. Blant dataene som har blitt undersøkt er det lange tidsserier fra nasjonale reiseundersøkelser i kombinasjon med åpne europeiske datasett som for eksempel European Social Survey.

- Innsikten har blitt hentet gjennom store mengder høykvalitetsdata og avanserte verktøy, mens kunstig intelligens har tolket dataene. Et av de viktigste funnene i innsikten for hva som påvirker reiseatferden viser at maskinlæringsmodellen øker den totale estimeringsnøyaktigheten med 10-20 prosent, og gir en mer nøyaktig prediksjon for valgene til kollektivpassasjerer, forteller Sida Jiang, Lead Planner Transportation and Innovation i WSP.

Krever flerfaglig dybdekunnskap

Det ble foretatt horisontskanning for fremtidige trender ved bruk av sosiale mediers metadata og AI-verktøy som #IBM Watson. Et viktig aspekt har vært å bruke data på en etisk måte og bruke åpne datakilder som er godt innenfor de norske personvernreglene. Ambisjonsnivået i prosjektet var høyt, så prosjektet ble delt opp i fire håndterlige deler, som hver for seg testet ut metoder og verktøy for å redusere usikkerhet i langsiktig planlegging.

- WSP har imponert med unik og dyp kunnskap på flere fagfelt for å komme opp med de metodene som har produsert så gode resultater, sier Jon Robert Dohmen, seniorrådgiver i Innovasjonsseksjonen hos Jernbanedirektoratet.

Han legger til at arbeidet og resultatene fra prosjektet har fanget interesse fra flere hold og viser at metodisk tilnærming til planlegging, spesielt med stordata og maskinlæring, kan redusere usikkerhet.  Jernbaneinvesteringer er kostbare og skal fungere i opptil 100 år, noe som gjør det vesentlig å redusere usikkerhet i planleggingen og holde riktig kurs.

- Vi brukte verktøy for å samle klynger av nyhetsartikler som underlag for trender under utvikling, men med stordata og maskinlæring kunne vi få unik innsikt i hva som påvirker reiseatferden. Vi forsøkte til og med å finne de ukjente trendene, såkalte «sorte svaner» og «grå neshorn»! I tillegg brukte vi systemdynamikk for å se samspillet mellom de ulike trender og simulere utfallene, legger Dohmen til.