# Управление на капацитета на обществен транспорт в реално време с адаптивност, използвайки AI Form Builder

Транспортните агенции по целия свят се сблъскват с три взаимосвързани предизвикателства:

1. **Колебливо търсене** – пикова натовареност, специални събития и неочаквани прекъсвания водят до бързи промени в броя на пътниците.  
2. **Оперативни ограничения** – ограничен размер на автопарка, наличност на шофьори и регулаторни стандарти за обслужване ограничават скоростта, с която агенциите могат да реагират.  
3. **Очаквания за преживяване на пътниците** – пътниците сега очакват актуализации в реално време, ниска натовареност и безпроблемни мултимодални пътувания.

Традиционните инструменти за планиране разчитат на статични разписания и периодични ръчни корекции. Резултатът е или **претрупано обслужване** (излишно гориво и труд) или **недостатъчно обслужване** (претъпкани превозни средства, пропуснати връзки и недоволни пътници).  

**AI Form Builder** — платформа за създаване на форми с нисък код и AI‑подобрения — предлага нов начин за превръщане на сурови, потокови данни в изпълними, човешко‑четими работни процеси, които могат да се изпълняват мигновено. Чрез вграждане на AI‑управлявана логика директно във форми, агенциите могат да събират, валидират и реагират на данни за секунди, затваряйки обратната връзка между полето и централата за управление.

По-долу разглеждаме архитектурата, ключовите компоненти, стъпките за внедряване и измеримите ползи от система за **Управление на капацитета на обществен транспорт в реално време с адаптивност (RT‑APTCM)**, изградена върху AI Form Builder.

---

## 1. Преглед на основната архитектура

```mermaid
flowchart LR
    A["Vehicle Telemetry Sensors"] --> B["AI Form Builder Ingestion Layer"]
    C["Passenger‑Count IoT Devices"] --> B
    D["Event & Weather APIs"] --> B
    B --> E["Dynamic Capacity Form (AI‑Powered)"]
    E --> F["Decision Engine (Rule‑Based + ML)"]
    F --> G["Transit Operations Dashboard"]
    G --> H["Vehicle Dispatch & Scheduling System"]
    H --> I["Real‑Time Rider Notification Service"]
    I --> J["Passenger Mobile Apps & Displays"]
```

* **Vehicle Telemetry Sensors** – GPS, скорост, събития от отваряне/затваряне на врати, ниво на гориво.  
* **Passenger‑Count IoT Devices** – инфрачервени или компютърно‑визуални броячи на врати, камери на платформи, данни от смарт‑карти.  
* **Event & Weather APIs** – концерти, спортни събития, предупреждения за тежко време, които влияят на търсенето.  
* **AI Form Builder Ingestion Layer** – набор от автоматично генерирани форми, които нормализират различни потоци от данни в унифицирана схема.  
* **Dynamic Capacity Form** – AI‑подсилена форма, която изчислява фактор на натоварване в реално време, предвижда близкото бъдеще и предлага коригиращи действия.  
* **Decision Engine** – комбинира правила‑базирани прагове (например „натоварване > 85 %“) с прогнози от машинно обучение, за да генерира препоръки за изпращане.  
* **Transit Operations Dashboard** – визуален интерфейс, чрез който надзорниците могат да одобряват, отменят или фино настройват препоръките.  
* **Vehicle Dispatch & Scheduling System** – интеграция със съществуващ софтуер за управление на автопарка (напр. Trapeze, Clever Devices).  
* **Rider Notification Service** – изпраща актуализации към мобилни приложения, цифрови табла и гласови съобщения.

---

## 2. Защо AI Form Builder е идеалното решение

| Функция | Традиционен посредник | AI Form Builder |
|---------|------------------------|-----------------|
| **Създаване на форми с нисък код** | Изисква персонализирано UI разработване | Дизайнер с плъзгане‑и‑пускане и AI‑предложени типове полета |
| **Вградена валидация и AI инференция** | Отделни услуги за валидация + обслужване на модели | Правила за валидация и модели, вградени директно във формата |
| **Контрол на версии и одит** | Ръчно логване | Автоматична история на промените, достъп според роли |
| **Мулти‑канално събиране на данни** | Само API, ограничено до уеб | Поддръжка на IoT, SMS, глас, мобилни SDK‑ове от кутията |
| **Бърза итерация** | Седмици‑месеци за промяна на схемата | Минутно актуализиране на полета, прагове или модели без код |

Тъй като AI Form Builder третира всяка точка от данните като *поле от форма*, агенциите могат мигновено да добавят нови сензори, да променят прагове или да заменят прогнозиран модел без да докосват основния код. Тази гъвкавост е от съществено значение за система, която трябва да се адаптира към ежедневните колебания в търсенето.

---

## 3. Ръководство за внедряване стъпка по стъпка

### 3.1 Събиране и нормализация на данни

1. **Инсталирайте IoT броячи** на всички врати на превозните средства и на главните платформи.  
2. **Изложете телеметрия** чрез MQTT или REST крайни точки.  
3. **Създайте „Ingestion Forms“** в AI Form Builder: всяка форма съпоставя суровия JSON към канонична схема (`vehicle_id`, `timestamp`, `passenger_count`, `gps_lat`, `gps_lon`, `event_id`).  
4. **Активирайте AI‑асистирано съпоставяне на полета** – платформата предлага типове полета (числови, гео‑точка) и автоматично генерира правила за валидация (например броят на пътниците не може да бъде отрицателен).

### 3.2 Изчисляване на натоварването в реално време

1. **Проектирайте „Capacity Form“**, която агрегира последните брояния за всяко превозно средство и сегмент от маршрут.  
2. **Добавете AI‑управлявани изчисления**:  
   * `load_factor = passenger_count / vehicle_capacity`  
   * `predicted_load = MLModel.predict([time_of_day, day_of_week, weather, event_id])`  
3. **Задайте динамични прагове**:  
   * Ако `load_factor > 0.85` → *Сигнал за висока натовареност*  
   * Ако `predicted_load > 0.90` → *Препоръка за предварително мащабиране*

### 3.3 Интеграция на двигател за решения

1. **Създайте „Dispatch Recommendation Form“**, която получава изходите от Capacity Form.  
2. **Вградете логика на правилния двигател** чрез условни блокове на AI Form Builder:  
   * `IF high_crowding THEN suggest additional vehicle`  
   * `ELSE IF low_load THEN suggest vehicle consolidation`  
3. **Свържете се с външна ML услуга** (напр. Azure AutoML) чрез възела „AI Action“ на формата, предавайки текущия контекст и получавайки оценка на увереност.

### 3.4 Табло за човешка намеса

1. **Публикувайте Dispatch Recommendation Form** в защитен уеб портал, използван от диспетчърите.  
2. **Активирайте бутони „Одобряване / Отмяна“**, които автоматично задействат последващи действия чрез уебхукове.  
3. **Записвайте всяко решение** за съответствие и бъдещо обучение на модели.

### 3.5 Комуникационен цикъл към пътниците

1. **Конфигурирайте „Notification Form“**, която форматира сигнали за push известия, цифрови табла и аудио съобщения на борда.  
2. **Съпоставете полета** като `route_id`, `expected_wait_time`, `crowding_level`.  
3. **Интегрирайте се със съществуващите платформи за пътници** (Google Transit, местни приложения) чрез API конектори.

---

## 4. Избор на модели за машинно обучение

| Модел | Случай на употреба | Изисквания за данни | Типична точност |
|-------|--------------------|---------------------|-----------------|
| Gradient Boosted Trees (XGBoost) | Краткосрочно прогнозиране на търсенето (0‑30 мин) | Исторически данни за пътувания, време, календари за събития | 85‑90 % намаляване на MAE |
| LSTM Recurrent Neural Network | Последователно прогнозиране на натоварването за няколко часа | Времеви редове от брояния на пътници, местоположения на превозните средства | 80‑88 % подобрение на RMSE |
| Bayesian Network | Вероятностно разсъждение при несигурност (неочаквано прекъсване) | Реални доклади за инциденти, исторически времена за възстановяване | Предоставя интервали на доверие за решенията |

AI Form Builder позволява **смяна на модели** само чрез актуализиране на URL‑то на „AI Action“, което прави експериментирането безболезнено.

---

## 5. Очаквани ползи и влияние върху KPI

| KPI | Базова стойност (преди внедряване) | Цел (12 месеца) | Очаквана възвръщаемост |
|-----|-----------------------------------|----------------|------------------------|
| Средно време за изчакване на пътник | 7,2 мин | 4,5 мин | 30 % намаление |
| Фактор на натоварване > 85 % | 22 % от пътуванията | 9 % от пътуванията | 13 % подобрение |
| Точност на обслужване (≤ 5 мин отклонение) | 81 % | 93 % | 12 % увеличение |
| Консумация на гориво на пасажер‑км | 0,12 л | 0,09 л | 25 % спестяване |
| Оценка на удовлетвореност на пътниците (проучване) | 3,8 / 5 | 4,4 / 5 | 0,6 точка увеличение |

Пилот в средноголям град (≈ 150 хилдневни качвания) показа **12 % намаляване на натовареността в пиковите часове** след три месеца, което се превърна в **годишни оперативни спестявания от 1,2 млн USD**.

---

## 6. План за пилотен проект в реалния свят

| Фаза | Продължителност | Ключови дейности | Критерии за успех |
|------|-----------------|------------------|-------------------|
| **Откриване** | 4 седмици | Работилници с заинтересовани страни, одит на сензори, инвентаризация на данни | Подписани споразумения за споделяне на данни |
| **Прототип** | 6 седмици | Създаване на форми за събиране и капацитет, интеграция на един маршрут | 95 % пълнота на данните, < 5 сек. латентност |
| **Пилот** | 8 седмици | Пускане на 3 маршрута с висока натовареност, активиране на таблото за решения | > 80 % от препоръките приети |
| **Разширяване** | 12 седмици | Прилагане за цялата мрежа, добавяне на събитийни тригери | Намаляване на натовареността > 10 % в цялата мрежа |
| **Оптимизация** | Непрекъсната | Преобучаване на ML модели, фина настройка на прагове, добавяне на обратна връзка от пътници | Постоянно подобряване на KPI‑те |

---

## 7. Управление, поверителност и сигурност

* **Минимизация на данните** – събира се само броят на пътниците, без лична идентифицируема информация.  
* **Шифроване в транзит** – TLS 1.3 за всички MQTT/REST крайни точки.  
* **Достъп според роли** – AI Form Builder поддържа детайлни права (напр. четене/писане на ниво поле).  
* **Одитни записи** – Всяко подаване на форма, решение и AI инференция се записва с неизменим времеви печат.  
* **Съответствие** – Съответства на [GDPR](https://gdpr.eu/), [CCPA](https://oag.ca.gov/privacy/ccpa) и местните закони за данни в транспорта.

---

## 8. Бъдещи разширения

1. **Интеграция на мултимодален транспорт** – разширяване на същите форми към споделени велосипеди и микромобилност, създавайки градска картина на капацитета.  
2. **Тригери за предиктивна поддръжка** – използване на сплесъци в натоварването като ранни индикатори за износване, свързвайки ги с форма за планиране на поддръжка.  
3. **Експерименти с динамично ценообразуване** – комбиниране на данни за капацитет с форми за корекция на тарифи, за да се разпределя търсенето в пиковите периоди.  
4. **Валидация от пътници** – позволяване на пътниците да докладват възприемана натовареност чрез лека мобилна форма, която се включва в обучението на моделите.

---

## 9. Заключение

AI Form Builder трансформира традиционно изолирания свят на транспортните операции в **жив екосистема, базирана на данни**. Като превръща всяка сензорна стойност, метеорологично предупреждение и календар на събития в структурирана, AI‑подсилена форма, агенциите получават способността да **реагират мигновено** и **планират проактивно**. Резултатът е по‑гладко, по‑сигурно и по‑устойчиво обществено транспортно преживяване, което отговаря на очакванията на съвременните градски жители.

Внедряването на система за Управление на капацитета на обществен транспорт в реално време с адаптивност вече не е футуристична визия – това е практично решение с нисък код, което може да се пусне в експлоатация за няколко месеца, доставяйки измерими оперативни спестявания и значително повишаване на удовлетвореността на пътниците.

---

## Вижте също
- [MIT Urban Mobility Lab – AI‑Driven Transit Scheduling](https://urbanmobility.mit.edu/ai-transit-scheduling)  
- [World Bank – Sustainable Urban Transport Solutions](https://www.worldbank.org/en/topic/transport/brief/sustainable-urban-transport)