# Řízení kapacity veřejné dopravy v reálném čase s adaptivním AI Form Builderem

Agentury veřejné dopravy po celém světě čelí třem provázaným výzvám:

1. **Proměnlivá poptávka** – špičkové nárůsty, speciální akce a neočekávané výpadky způsobují rychlé změny v počtu cestujících.  
2. **Operační omezení** – omezený počet vozidel, dostupnost řidičů a regulační standardy služeb omezují rychlost reakce agentur.  
3. **Očekávání cestujících** – cestující nyní očekávají aktualizace v reálném čase, nízkou zátěž a plynulé multimodální cesty.

Tradiční nástroje pro plánování spoléhají na statické jízdní řády a periodické ruční úpravy. Výsledkem je buď přeplánovaná služba (plýtvání palivem a pracovní silou) nebo poddimenzovaná služba (přeplněná vozidla, zmeškané přestupy a nespokojení cestující).  

**AI Form Builder** — platforma pro tvorbu formulářů s nízkým kódem a AI‑vylepšením — nabízí nový způsob, jak převést surová, streamovaná data na akční, lidsky čitelné pracovní postupy, které lze provést okamžitě. Vkládáním AI‑řízené logiky přímo do formulářů mohou agentury sbírat, validovat a reagovat na data během několika sekund, čímž uzavřou zpětnou smyčku mezi terénem a řídícím centrem.

Níže procházíme architekturou, klíčovými komponentami, kroky implementace a měřitelnými přínosy systému **Řízení kapacity veřejné dopravy v reálném čase s adaptací (RT‑APTCM)** postaveného na AI Form Builderu.

---

## 1. Přehled základní architektury

```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, rychlost, události otevření/zavření dveří, úroveň paliva.  
* **Passenger‑Count IoT Devices** – infračervené nebo počítačové vidění počítadla u dveří, kamery na nástupištích, data o přiložení chytré karty.  
* **Event & Weather APIs** – koncerty, sportovní utkání, výstrahy před nepříznivým počasím, které ovlivňují poptávku.  
* **AI Form Builder Ingestion Layer** – sada automaticky generovaných formulářů, které normalizují heterogenní datové proudy do jednotného schématu.  
* **Dynamic Capacity Form** – AI‑augmentovaný formulář, který vypočítává faktor zatížení v reálném čase, předpovídá blízkou budoucnost a navrhuje korekční akce.  
* **Decision Engine** – kombinuje pravidlově založené prahy (např. „zatížení > 85 %“) s předpověďmi strojového učení pro vytvoření doporučení o rozvozu.  
* **Transit Operations Dashboard** – vizuální rozhraní pro supervizory k schválení, přepsání nebo doladění doporučení.  
* **Vehicle Dispatch & Scheduling System** – integruje se se stávajícím softwarem pro správu vozového parku (např. Trapeze, Clever Devices).  
* **Rider Notification Service** – posílá aktualizace do mobilních aplikací, digitálních displejů a hlasových oznámení.

---

## 2. Proč je AI Form Builder ideálním lepidlem

| Funkce | Tradiční middleware | AI Form Builder |
|--------|----------------------|-----------------|
| **Tvorba formulářů s nízkým kódem** | Vyžaduje vývoj vlastního UI | Návrhář formulářů drag‑and‑drop s AI‑navrhovanými typy polí |
| **Vestavěná validace a AI inference** | Samostatné validační služby + nasazení modelu | Pravidla validace a volání modelů vložené přímo do formuláře |
| **Verze a audit** | Manuální logování | Automatická historie změn, přístup na základě rolí |
| **Zachycení dat z více kanálů** | Pouze API, omezené na web | Podpora IoT, SMS, hlasu, mobilních SDK „out‑of‑the‑box“ |
| **Rychlá iterace** | Týdny až měsíce na změny schématu | Minuty na úpravu polí, prahů nebo vazeb na modely |

Protože AI Form Builder považuje každý datový bod za *pole formuláře*, agentury mohou okamžitě přidávat nové senzory, upravovat prahy nebo měnit predikční model bez zásahu do kódu. Tato agilita je klíčová pro systém, který se musí přizpůsobovat denním výkyvům poptávky.

---

## 3. Průvodce implementací krok za krokem

### 3.1 Získávání a normalizace dat

1. **Nasadit IoT počítadla** na všech dveřích vozidel a hlavních nástupištích.  
2. **Zveřejnit telemetrii** přes MQTT nebo REST endpointy.  
3. **Vytvořit „Ingestion Forms“** v AI Form Builderu: každý formulář mapuje surový JSON na kanonické schéma (`vehicle_id`, `timestamp`, `passenger_count`, `gps_lat`, `gps_lon`, `event_id`).  
4. **Povolit AI‑asistované mapování polí** – platforma navrhne typy polí (číslo, geopozice) a automaticky vygeneruje validační pravidla (např. počet cestujících nesmí být záporný).

### 3.2 Výpočet zatížení v reálném čase

1. **Navrhnout „Capacity Form“**, který agreguje nejnovější počty na vozidle a úsekové trasy.  
2. **Přidat AI‑řízené výpočty**:  
   * `load_factor = passenger_count / vehicle_capacity`  
   * `predicted_load = MLModel.predict([time_of_day, day_of_week, weather, event_id])`  
3. **Nastavit dynamické prahy**:  
   * Pokud `load_factor > 0.85` → *Upozornění na vysokou zátěž*  
   * Pokud `predicted_load > 0.90` → *Doporučení předběžného rozšíření kapacity*

### 3.3 Integrace rozhodovacího enginu

1. **Vytvořit „Dispatch Recommendation Form“**, který přijímá výstupy z Capacity Form.  
2. **Vložit logiku pravidlového enginu** pomocí podmínkových bloků AI Form Builderu:  
   * `IF high_crowding THEN suggest additional vehicle`  
   * `ELSE IF low_load THEN suggest vehicle consolidation`  
3. **Propojit s externí službou ML** (např. Azure AutoML) přes uzel „AI Action“, předat aktuální kontext a získat skóre důvěry.

### 3.4 Dashboard s lidským zásahem

1. **Publikovat Dispatch Recommendation Form** na zabezpečeném webovém portálu určeném pro dispečerské supervizory.  
2. **Povolit tlačítka „Schválit / Přepsat“**, která automaticky spouští následné akce pomocí webhooků.  
3. **Logovat každé rozhodnutí** pro soulad a budoucí trénink modelů.

### 3.5 Komunikační smyčka pro cestující

1. **Nastavit „Notification Form“**, který formátuje upozornění pro push notifikace, digitální značení a palubní audio.  
2. **Namapovat pole** jako `route_id`, `expected_wait_time`, `crowding_level`.  
3. **Integrovat s existujícími platformami pro cestující** (např. Google Transit, lokální aplikace) přes API konektory.

---

## 4. Výběr modelů strojového učení

| Model | Případ použití | Požadavky na data | Typická přesnost |
|-------|----------------|-------------------|------------------|
| Gradient Boosted Trees (XGBoost) | Krátkodobé předpovědi poptávky (0‑30 min) | Historické údaje o jízdách, počasí, kalendář akcí | 85‑90 % snížení MAE |
| LSTM Recurrent Neural Network | Sekvenční predikce zatížení na více hodin dopředu | Časové řady počtu cestujících, polohy vozidel | 80‑88 % zlepšení RMSE |
| Bayesian Network | Pravděpodobnostní uvažování při nejistotě (např. náhlé výpadky) | Zprávy o incidentech v reálném čase, historické časy zotavení | Poskytuje intervaly důvěry pro rozhodnutí |

AI Form Builder umožňuje **vyměnit modely** pouhým aktualizováním URL koncového bodu „AI Action“, což usnadňuje experimentování.

---

## 5. Očekávané přínosy a dopad na KPI

| KPI | Výchozí stav (před implementací) | Cíl (12 měsíců) | Očekávaná návratnost investice |
|-----|----------------------------------|------------------|--------------------------------|
| Průměrná čekací doba cestujících | 7,2 min | 4,5 min | 30 % snížení |
| Výskyt zatížení vozidla > 85 % | 22 % jízd | 9 % jízd | 13 % zlepšení |
| Výkonnost včasnosti (≤ 5 min odchylka) | 81 % | 93 % | 12 % nárůst |
| Spotřeba paliva na pasažér‑km | 0,12 L | 0,09 L | 25 % úspora |
| Skóre spokojenosti cestujících (průzkum) | 3,8 / 5 | 4,4 / 5 | +0,6 bodu |

Pilotní projekt ve středně velkém městě (≈ 150 tis. denních nástupů) zaznamenal **12 % snížení přeplněnosti během špiček** po třech měsících, což se promítlo do **úspor provozu ve výši 1,2 mil. USD ročně**.

---

## 6. Plán pilotního projektu v reálném světě

| Fáze | Doba trvání | Klíčové aktivity | Kritéria úspěchu |
|------|--------------|-------------------|------------------|
| **Objevování** | 4 týdny | Workshopy se stakeholdery, audit senzorů, inventarizace dat | Podepsané dohody o sdílení dat |
| **Prototyp** | 6 týdnů | Vytvořit ingestní a kapacitní formuláře, integrovat jednu trasu | 95 % úplnosti dat, < 5 s latence |
| **Pilot** | 8 týdnů | Nasadit na 3 nejvytíženější trasy, aktivovat dashboard rozhodování | > 80 % doporučení akceptováno |
| **Rozšíření** | 12 týdnů | Rozšířit na celý síť, přidat spouštěče na události | Snížení zatížení v celé síti > 10 % |
| **Optimalizace** | Průběžně | Přetrénování ML modelů, dolaďování prahů, zavedení zpětné vazby od cestujících | Kontinuální zlepšování KPI |

---

## 7. Správa, soukromí a bezpečnost

* **Minimalizace dat** – sbíráme jen počty cestujících, nikoli osobní údaje.  
* **Šifrování během přenosu** – TLS 1.3 pro všechny MQTT/REST endpointy.  
* **Přístup na základě rolí** – AI Form Builder podporuje detailní oprávnění (např. čtení/zápis na úrovni polí).  
* **Auditní záznamy** – Každé odeslání formuláře, rozhodnutí a inference modelu je logováno s neměnným časovým razítkem.  
* **Soulad** – Vyhovuje GDPR, CCPA a místním předpisům o ochraně dat ve veřejné dopravě.

---

## 8. Budoucí rozšíření

1. **Multimodální integrace** – rozšířit stejné formuláře i na sdílené kola a mikro‑mobilitu, čímž vytvoříme městský přehled kapacity.  
2. **Spouštěč prediktivní údržby** – využít špičky zatížení jako rané varování opotřebení a napojit na formulář plánování údržby.  
3. **Experimenty s dynamickým tarifováním** – spojit kapacitní data s formuláři pro úpravu tarifů s cílem vyrovnat poptávku během špiček.  
4. **Crowd‑sourced validace** – umožnit cestujícím hlásit vnímanou přeplněnost pomocí lehkého mobilního formuláře, který bude zpětně trénovat modely.

---

## 9. Závěr

AI Form Builder proměňuje tradičně oddělený svět dopravních operací v **živý, daty řízený ekosystém**. Přeměnou každého senzorového signálu, meteorologického upozornění a kalendáře událostí na strukturovaný, AI‑vylepšený formulář získávají agentury schopnost **okamžitě reagovat** i **proaktivně plánovat**. Výsledkem je plynulejší, bezpečnější a udržitelnější veřejná doprava, která splňuje očekávání moderních městských obyvatel.

Implementace systému Řízení kapacity veřejné dopravy v reálném čase s adaptací už není futuristickou vizí — je to praktické řešení s nízkým kódem, které lze nasadit během několika měsíců a přináší měřitelné úspory provozu i výrazné zvýšení spokojenosti cestujících.

---

## Další informace
- [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)