# Valós‑időben adaptív tömegközlekedési kapacitáskezelés AI Form Builderrel

A világ számos tömegközlekedési ügynöksége három egymással szorosan összefonódó kihívással küzd:

1. **Változó kereslet** – csúcsidőben fellépő csúcsok, különleges események és váratlan zavarok gyors változásokat idéznek elő az utasforgalomban.  
2. **Működési korlátok** – korlátozott járműpark, sofőr‑elérhetőség és szabályozott szolgáltatási normák határozzák meg, milyen gyorsan tud reagálni az ügynökség.  
3. **Az utasélmény elvárásai** – a felhasználók már elvárják a valós‑idős frissítéseket, alacsony zsúfoltságot és a zökkenőmentes multimodális utazást.

A hagyományos menetrend‑készítő eszközök statikus menetrendekre és időszakos kézi beavatkozásokra támaszkodnak. Ennek eredménye vagy a túlzott szolgáltatás (üzemanyag‑ és munkaerő‑pazarlás) vagy a hiányos szolgáltatás (zsúfolt járművek, elmulasztott átszállások, elégedetlen utasok).  

**AI Form Builder** – egy alacsony‑kódú, AI‑kiegészített űrlapkészítő platform – új megközelítést kínál a nyers, folyamatos adatfolyamok ember‑olvasható, azonnal végrehajtható munkafolyamatokká alakítására. Az AI‑vezérelt logikát közvetlenül az űrlapokba ágyazva az ügynökségek másodpercek alatt gyűjthetnek, ellenőrizhetnek és cselekedhetnek az adatokkal, így lezárva a visszacsatolási hurkot a terep és a központ között.

Az alábbiakban bemutatjuk a **Valós‑időben adaptív tömegközlekedési kapacitáskezelő (RT‑APTCM)** rendszer architektúráját, fő komponenseit, megvalósítási lépéseit és mérhető előnyeit, amely az AI Form Builderen alapul.

---

## 1. Alapvető architektúra áttekintése

```mermaid
flowchart LR
    A["Jármű‑telemetria szenzorok"] --> B["AI Form Builder adatbefogadó réteg"]
    C["Utas‑számláló IoT eszközök"] --> B
    D["Esemény‑ és időjárás API‑k"] --> B
    B --> E["Dinamikus kapacitás űrlap (AI‑támogatott)"]
    E --> F["Döntési motor (szabály‑alapú + ML)"]
    F --> G["Közlekedési üzemeltetési irányítópult"]
    G --> H["Jármű‑kiosztási és menetrend‑rendszer"]
    H --> I["Valós‑idős utas‑értesítési szolgáltatás"]
    I --> J["Utas‑mobilalkalmazások és kijelzők"]
```

* **Jármű‑telemetria szenzorok** – GPS, sebesség, ajtó‑nyitás/zárás események, üzemanyagszint.  
* **Utas‑számláló IoT eszközök** – infravörös vagy számítógépes látás alapú számlálók az ajtóknál, peron‑kamerák, okoskártya‑érintés adatok.  
* **Esemény‑ és időjárás API‑k** – koncertek, sportesemények, súlyos időjárási riasztások, amelyek befolyásolják a keresletet.  
* **AI Form Builder adatbefogadó réteg** – automatikusan generált űrlapok, amelyek a heterogén adatfolyamokat egységes sémává normalizálják.  
* **Dinamikus kapacitás űrlap** – AI‑kiegészített űrlap, amely valós‑időben kiszámítja a terhelési tényezőt, előrejelzi a közeljövő keresletét, és javaslatot tesz a korrekcióra.  
* **Döntési motor** – szabály‑alapú küszöbértékek (pl. „terhelés > 85 %”) és gépi‑tanulási előrejelzések kombinációja a kiosztási ajánlásokhoz.  
* **Közlekedési üzemeltetési irányítópult** – vizuális felület a felügyelőknek, hogy jóváhagyják, felülbírálják vagy finomhangolják a javaslatokat.  
* **Jármű‑kiosztási és menetrend‑rendszer** – integrálódik a meglévő flottakezelő szoftverekkel (pl. Trapeze, Clever Devices).  
* **Utas‑értesítési szolgáltatás** – push‑értesítéseket küld mobilalkalmazásokra, digitális táblákra és hangos bejelentésekre.

---

## 2. Miért az AI Form Builder a tökéletes „ragasztó”

| Jellemző | Hagyományos köztes réteg | AI Form Builder |
|----------|--------------------------|-----------------|
| **Alacsony‑kódú űrlapkészítés** | Egyedi UI fejlesztés szükséges | Drag‑and‑drop űrlaltervező AI‑javasolt mezőtípusokkal |
| **Beépített validáció & AI‑inferencia** | Külön validációs szolgáltatások + modell‑kiszolgálás | Validációs szabályok és modell‑hívások közvetlenül az űrlapban |
| **Verziókövetés & audit‑napló** | Manuális naplózás | Automatikus változtatási előzmények, szerepkör‑alapú hozzáférés |
| **Többcsatornás adatgyűjtés** | Csak API, korlátozott a webre | IoT, SMS, hang, mobil SDK‑k natív támogatása |
| **Gyors iteráció** | Hetek‑hónapok a séma‑változtatáshoz | Percek alatt mezők, küszöbértékek vagy modell‑kapcsolatok frissítése |

Mivel az AI Form Builder minden adatpontot *űrlapmezőként* kezel, az ügynökségek azonnal hozzáadhatnak új szenzorokat, módosíthatják a küszöbértékeket vagy cserélhetnek előrejelző modelleket anélkül, hogy a kódalapot érintenék. Ez az agilitás elengedhetetlen egy olyan rendszerhez, amelynek naponta kell alkalmazkodnia a kereslet ingadozásához.

---

## 3. Lépés‑ről‑lépésre megvalósítási útmutató

### 3.1 Adatgyűjtés és normalizálás

1. Telepítsen IoT számlálókat minden jármű ajtajára és a főbb peronokra.  
2. Tegye elérhetővé a telemetriát MQTT vagy REST végpontokon keresztül.  
3. Hozzon létre **„Adatbefogadó űrlapokat”** az AI Form Builderben: minden űrlap a nyers JSON‑payload‑ot egy kanonikus sémára (`vehicle_id`, `timestamp`, `passenger_count`, `gps_lat`, `gps_lon`, `event_id`) képezi le.  
4. Engedélyezze az AI‑segített mezőleképezést – a platform javasolja a mezőtípusokat (numeric, geo‑point) és automatikusan generál validációs szabályokat (pl. az utas‑szám nem lehet negatív).

### 3.2 Valós‑idő terhelés‑számítás

1. Tervezzen egy **„Kapacitás űrlapot”**, amely az aktuális számlálásokat jármű‑ és útvonal‑szegmens szerint aggregálja.  
2. Adjon hozzá AI‑vezérelt számításokat:  
   * `load_factor = passenger_count / vehicle_capacity`  
   * `predicted_load = MLModel.predict([time_of_day, day_of_week, weather, event_id])`  
3. Állítson be dinamikus küszöbértékeket:  
   * Ha `load_factor > 0.85` → *Magas zsúfoltság riasztás*  
   * Ha `predicted_load > 0.90` → *Előzetes skálázási ajánlás*

### 3.3 Döntési motor integráció

1. Hozzon létre egy **„Kiosztási ajánlás űrlapot”**, amely a Kapacitás űrlap kimenetét felhasználja.  
2. Ágyazza be a szabály‑motor logikát az AI Form Builder feltételes blokkjain keresztül:  
   * `IF high_crowding THEN suggest additional vehicle`  
   * `ELSE IF low_load THEN suggest vehicle consolidation`  
3. Kapcsolja össze egy külső ML szolgáltatással (pl. Azure AutoML) az űrlap **„AI Action”** csomópontjával, átadva a jelenlegi kontextust és visszakapva egy bizalmi pontszámot.

### 3.4 Ember‑a‑köz‑köz‑hurok irányítópult

1. Tegye közzé a Kiosztási ajánlás űrlapot egy biztonságos webportálon, amelyet a diszpécser felügyelők használnak.  
2. Engedélyezze a **„Jóváhagyás / Felülbírálás”** gombokat, amelyek automatikusan elindítják a downstream műveleteket webhook‑okon keresztül.  
3. Naplózza minden döntést a megfelelőség és a jövőbeli modell‑tréning érdekében.

### 3.5 Utas‑kommunikációs hurok

1. Konfiguráljon egy **„Értesítési űrlapot”**, amely formázott riasztásokat készít push‑értesítésekhez, digitális táblákhoz és a fedélzeti hanghoz.  
2. Térképezze le a mezőket, például `route_id`, `expected_wait_time`, `crowding_level`.  
3. Integrálja a meglévő utas‑felé szolgáltatott platformokkal (pl. Google Transit, helyi közlekedési alkalmazások) API‑kapcsolókon keresztül.

---

## 4. Gépi‑tanulási modellválasztások

| Modell | Alkalmazási eset | Adatigény | Tipikus pontosság |
|--------|------------------|-----------|-------------------|
| Gradient Boosted Trees (XGBoost) | Rövid távú kereslet‑előrejelzés (0‑30 perc) | Historikus utasforgalom, időjárás, eseménynaptár | 85‑90 % MAE csökkenés |
| LSTM Recurrent Neural Network | Sorozatalapú terhelés‑előrejelzés több órás horizonton | Idősorok utas‑számlálás, jármű‑helyzetek | 80‑88 % RMSE javulás |
| Bayesian Network | Valószínűségi érvelés bizonytalanság esetén (pl. hirtelen szolgáltatás‑megszakítás) | Valós‑idő incidens‑jelentések, historikus helyreállítási idők | Bizalmi intervallumot biztosít a döntésekhez |

Az AI Form Builderrel a **modellek cseréje** egyszerűen a „AI Action” végpont URL‑jének módosításával történik, így a kísérletezés könnyű.

---

## 5. Várható előnyök és KPI‑hatás

| KPI | Kiinduló állapot (elő‑implementáció) | Cél (12 hónap) | Várható megtérülés |
|-----|--------------------------------------|----------------|--------------------|
| Átlagos utas‑várakozási idő | 7,2 perc | 4,5 perc | 30 % csökkenés |
| Jármű‑terhelési tényező > 85 % előfordulása | 22 % az utazásokból | 9 % az utazásokból | 13 % javulás |
| Pontosság (≤ 5 perc eltérés) | 81 % | 93 % | 12 % növekedés |
| Üzemanyag‑fogyasztás utas‑km‑re vetítve | 0,12 L | 0,09 L | 25 % megtakarítás |
| Utas‑elégedettségi pontszám (felmérés) | 3,8 / 5 | 4,4 / 5 | 0,6 pont növekedés |

Egy közepes méretű városban (≈ 150 ezer napi szállítás) a pilot projekt **12 % csökkenést** eredményezett a csúcsidő‑zsúfoltságban három hónap után, ami **1,2 M USD éves működési megtakarítást** jelentett.

---

## 6. Valós‑világú pilot terv

| Fázis | Időtartam | Kulcsfontosságú tevékenységek | Sikerkritérium |
|-------|-----------|------------------------------|----------------|
| **Felfedezés** | 4 hét | Érintett felek workshopjai, szenzor‑audit, adat‑inventár | Aláírt adat‑megosztási megállapodások |
| **Prototípus** | 6 hét | Adatbefogadó és kapacitás űrlapok építése, egy útvonal integrálása | 95 % adat‑teljesség, < 5 s késleltetés |
| **Pilot** | 8 hét | 3 nagy forgalmú útvonal bevetése, döntési irányítópult aktiválása | > 80 % ajánlás elfogadása |
| **Kiterjesztés** | 12 hét | Teljes hálózatra való átállás, esemény‑alapú triggerek hozzáadása | > 10 % hálózati terhelési tényező csökkenés |
| **Optimalizálás** | Folyamatos | ML modellek újratanítása, küszöbérték finomhangolása, utas‑visszajelzés beépítése | Folyamatos KPI‑javulás |

---

## 7. Kormányzás, adatvédelem és biztonság

* **Adatminimalizálás** – csak utas‑számot gyűjtünk, személyazonosító adatot nem.  
* **Titkosítás átvitel közben** – TLS 1.3 minden MQTT/REST végponthoz.  
* **Szerepkör‑alapú hozzáférés** – az AI Form Builder finom engedélyeket támogat (mező‑szintű olvasás/írás).  
* **Audit‑napló** – minden űrlap‑beküldés, döntés és modell‑inferencia időbélyeggel ellátott, megváltoztathatatlan naplóval rögzítve.  
* **Megfelelés** – összhangban a [GDPR](https://gdpr.eu/), a [CCPA](https://oag.ca.gov/privacy/ccpa) és a helyi közlekedési adatvédelmi előírásokkal.

---

## 8. Jövőbeli bővítések

1. **Multimodális integráció** – ugyanazokat az űrlapokat kiterjesztve a kerékpár‑megosztó és mikro‑mobilitási flottákra, egy városi szintű kapacitás‑áttekintés létrehozása.  
2. **Előrejelző karbantartási trigger** – a jármű‑terhelés csúcsait korai kopás‑indikátorként használni, karbantartási ütemező űrlapba ágyazva.  
3. **Dinamikus árazási kísérletek** – a kapacitásadatok összekapcsolása díj‑korrekciós űrlapokkal a csúcsidő‑súlyozás érdekében.  
4. **Utas‑alapú validáció** – a felhasználók egyszerű mobil űrlappal jelenthetik a zsúfoltságot, amely visszacsatolásként szolgál a modell‑tréninghez.

---

## 9. Összegzés

Az AI Form Builder a hagyományosan szilárd, szilárd tömegközlekedési üzemeltetést egy **élő, adat‑vezérelt ökoszisztémává** alakítja. Minden szenzor‑olvasást, időjárási riasztást és esemény‑naptárat strukturált, AI‑kiegészített űrlappá alakítva az ügynökségek **azonnal reagálhatnak**, és **proaktívan tervezhetnek**. Ennek eredménye egy simább, biztonságosabb és fenntarthatóbb tömegközlekedési élmény, amely megfelel a modern városi lakosok elvárásainak.

A Valós‑időben adaptív tömegközlekedési kapacitáskezelő rendszer bevezetése már nem a távoli jövő víziója – egy gyakorlati, alacsony‑kódú megoldás, amely néhány hónapon belül telepíthető, mérhető működési megtakarítást és kézzelfogható utas‑elégedettség‑növekedést hozva.

---

## Kapcsolódó anyagok
- [MIT Urban Mobility Lab – AI‑vezérelt menetrend‑készítés](https://urbanmobility.mit.edu/ai-transit-scheduling)  
- [World Bank – Fenntartható városi közlekedési megoldások](https://www.worldbank.org/en/topic/transport/brief/sustainable-urban-transport)