# Ժամանակին‑կողմնորոշված քաղաքային շարժականություն‑որպես‑սպասարկում (MaaS) օպտիմիզացիա իրական‑ժամանակում AI Form Builder‑ով

## Ներածություն  

Mobility‑as‑Service (MaaS)‑ը դարձել է ժամանակակից քաղաքային տրանսպորտի հիմքը, միավորելով հանրային տրանսպորտը, վարձակալված մեքենաները, հեծանիվ‑բաժանումը և միկրո‑շարժունակությունը մեկ, օգտատիրոջ կենտրոնացված հարթակով: Երբ MaaS-ը խոստանում է անխափան ճանապարհորդություն, իրականությունը՝ տիրույթում, որը մշտապես փոխվում է՝ տրանսպորտի գերխամում, եղանակի պայմաններում, հատուկ միջոցառումների գանձերում և նույնիսկ անսպասված ենթակառուցվածքի ձախողումներում: Ավանդական, ստատիկ պլանավորումը և կանոն‑բազված dispatch համակարգերը դժվարանում են պահել քայլը, ինչը հանգեցնում է երկար սպասման ժամանակների, անօգտագործված ֆլոտների և բարձր արտանետումների:

**AI Form Builder**‑ը, ցածր‑կոդ, AI‑չափված ձևերի գեներացման շարժիչը, կարող է ներմուծել, վավերացնել և գործողություն կատարել իրական‑ժամանակի տվյալների հոսքերի վրա: AI Form Builder‑ը edge սենսորների, քաղաքային API‑ների և կանխատեսող վերլուծությունների հետ միացելով, օպերատորները կարող են ստեղծել ադապտիվ աշխատանքային հոսքեր, որոնք ավտոմատ կերպով վերաբալանսում են ֆլոտները, վերաուղեցում են մեքենաները և անձնավորեցվում են առաջարկները ուղևորների համար—բոլորը առանց մեծ ծավալի հատուկ կոդի գրելու:

Այս հոդվածը ներկայացնում է տեխնիկական ճարտարապետությունը, տվյալների պիպլայնները և գործառնական առավելությունները **ժամանակին‑կողմնորոշված ադապտիվ MaaS օպտիմիզացիայի** լուծման, որը ուժի մեջ է gebracht AI Form Builder‑ով: Մենք նաև կպատրաստենք մի պատկերական պիլոտը **Rivergate** քաղաքում, ցույց տալով չափելի արդյունքներ և կրկնապատկման ճանապարհը:

## MaaS-ի հիմնական մարտահրավերները դինամիկ քաղաքային միջավայրերում  

| Բարդություն | Ինչու է կարևոր | Տիպական սիմպտոմ |
|------------|----------------|-----------------|
| **Պահանջի անորոշություն** | Իրադարձություններ, եղանակը և հեռակա աշխատանքը առաջացնում են պիկներ և ցածրություններ | Դատված մեքենաներ off‑peak‑ում, գերհամված երթեր կոնցերտների ժամանակ |
| **Տվյալների աղբյուրների բաժանվածություն** | Տրանսպորտային գործակալություններ, մասնավոր ֆլոտներ և IoT սենսորները տարբեր API‑ներ են տրամադրում | Անհամապատասխան մեքենաների տեղակայման թարմացումներ, ուշացված զբաղվածության տվյալներ |
| **Կանոնակարգային համապատասխանություն** | Քաղաքները պահանջում են հաշվետվություններ արտանետումների, մատչելիության և հավասարության մասին | Ձեռքով հաշվետվությունների պիպլայններ, ոչ‑համապատասխանության տուգանների ռիսկ |
| **Որոշման տրամաբանականի չափսելիություն** | Կանոն‑բազված dispatch‑ը չի կարող կառավարել կոմբինատոր հնարավորությունները | Անարդար ուղեցույց, բարձր վառելիքի օգտագործում |
| **Օգտատիրոջ փորձի բաժանվածություն** | Ուղևորները ստանում են տարբեր ծանուցումներ տարբեր պրովայդերներից | Անհասկանալի ճանապարհորդության պլաններ, ցածր գոհունակության գնահատականներ |

Այս մարտահրավերների լուծումը պահանջում է **մեկ, ընդլայնելի հարթակ**, որը կարող է:

1. **Հավաքել** տարբերակված տվյալները իրական‑ժամանակում:  
2. **Վավերացնել** և **բարձրացնել** տվյալները AI‑չափված ձևերի միջոցով:  
3. **Կատարել** ադապտիվ որոշման տրամաբանականը edge‑ում:  
4. **Հաշվետվություն** տալ համապատասխանության չափանիշները ավտոմատ կերպով:

AI Form Builder-ը այս չորս սյունակները ապահովում է «բուքի», թույլ տալով քաղաքային պլանավորողներին և շարժականության օպերատորներին կենտրոնանալ ռազմավարության վրա, ոչ թե ենթակառուցվածքի վրա:

## Ինչպե՞ս AI Form Builder-ը փոխում է MaaS-ի աշխատանքային հոսքերը  

### 1. Դինամիկ ձևերի գեներացում  

AI Form Builder‑ը կարող է ստեղծել համատեքստ‑համապատասխան ձևեր «համար». Օրինակ, երբ անսպասված անձրևի ծածկույթ հայտնաբերվում է, “Եղանակի‑ազդեցության կարգավորում” ձևը հայտնվում է, և համակարգը պահանջում է.

- Թարմացված ճանապարհի ժամանակի գնահատում տրաֆիկի API‑ներից:  
- Իրական‑ժամանակի զբաղվածություն մեքենաների հեռակառավարման համակարգից:  
- Ուղևորների նախապատվություն ծածկված ուղիների համար:

AI‑ինջին վերլուծում է ձևը, վավերացնում է մուտքերը և առանց ձեռքով կոդավորման գործարկում է հետագա գործողություններ:

### 2. Ցածր‑կոդ որոշման օրհասություն  

**Form‑Driven Automation Engine**‑ի միջոցով օպերատորները սահմանում են պայմանական հոսքեր, օրինակ.

```
IF (RainIntensity > 5 mm) AND (VehicleCapacity < 3) THEN
    Increase fleet size by 10% in affected zones
    Notify passengers of alternative sheltered routes
END
```

Այս կանոնները պահվում են JSON schema‑ների տեսքով, որոնք AI Form Builder‑ը գեներացնում է, թույլ տալով արագ կրկնապատկում և A/B թեստավորում:

### 3. Edge‑բնություն կատարում  

AI Form Builder‑ի runtime‑ը կարելի է տեղադրել edge gateway‑ներում (օրինակ՝ 5G բազային կայաններ, քաղաքային տվյալների կենտրոններ): Սա նվազեցնում է լատենսին, ապահովելով, որ որոշումներ՝ ինչպիսիք են ավտոբուսի վերաուղեցումը՝ պատահական վթարի դեպքում — կատարվեն մի քանի վայրկյանների ընթացքում:

### 4. Ավտոմատ համապատասխանության հաշվետվություն  

Յուրաքանչյուր ձևի ներկայացում ավտոմատ կերպով գրանցում է մետադատա (ժամանակի նշան, աղբյուր, վավերացման վիճակ): Նախագծված համապատասխանության ձևանմուշները միակ սեղմումով կազմում են քաղաքների պահանջված հաշվետվությունները (օրինակ՝ CO₂ արտանետումներ մեկ ուղևոր‑կմ‑ի համար):

## Ճարտարապետության ընդհանուր պատկեր  

Ներքևում ներկայացված է Mermaid‑դիագրամ, որը ցույց է տալիս ամբողջական Real‑Time Adaptive MaaS համակարգի հոսքը, որը ուժի մեջ է gebracht AI Form Builder‑ով.

```mermaid
flowchart TD
    subgraph DataSources["Տվյալների աղբյուրներ"]
        TS[("Տրանսպորտային գործակալությունների API‑ներ")]
        PF[("Մասնավոր ֆլոտների հեռակառավարման տվյալներ")]
        ES[("Edge սենսորներ & եղանակի կայաններ")]
        UE[("Օգտատիրոջ բջջային հավելվածներ")]
    end

    subgraph Ingestion["Ներմուծման շերտ"]
        K[Kafka Streams]
        API[REST / GraphQL Գտնակետեր]
    end

    subgraph Validation["AI Form Builder Վավերացում"]
        AF[Adaptive Forms Engine]
        ML[ML‑չափված տվյալների բարձրացում]
    end

    subgraph Decision["Ժամանակին‑կողմնորոշված որոշման շարժիչ"]
        RULE[Rule Engine (JSON Schemas)]
        OPT[Optimization Service (Linear Programming)]
    end

    subgraph Execution["Edge կատարում"]
        EDGE[Edge Gateways (5G)]
        CMD[Command Dispatcher]
    end

    subgraph Feedback["Հետադարձ կապ & հաշվետվություն"]
        DB[(Time‑Series DB)]
        DASH[Dashboard & Alerts]
        COMP[Compliance Exporter]
    end

    TS -->|schedule, occupancy| K
    PF -->|location, status| K
    ES -->|weather, traffic| K
    UE -->|trip requests| API

    K --> AF
    API --> AF

    AF -->|validated data| RULE
    ML -->|enriched features| RULE

    RULE --> OPT
    OPT --> CMD

    CMD --> EDGE
    EDGE -->|vehicle commands| PF

    EDGE --> DB
    DB --> DASH
    DB --> COMP
```

**Դիագրամից ստացվող հիմնական եզրակացությունները**

- **Միասնական ներմուծում**՝ Kafka‑ի և API‑ների միջոցով, ապահովում է բոլոր տվյալների հոսքերի միացում մեկ հղումում:  
- **AI Form Builder**‑ը գտնվում է ներմուծման և որոշման միջև, ապահովելով տվյալների որակը, նախքան ցանկացած օպտիմիզացիա:  
- **Edge‑gateway‑ները** հոսպիտալում են որոշման շարժիչը, նվազեցնելով ռաունդ‑տրիպի լատենսին:  
- **Հետադարձ կապի ցիկլերը** անընդհատ մուտքագրում են գործառնական չափանիշները համակարգում՝ սովորելու, համապատասխանելու և հաշվետվություն տալու համար:

## Իրական‑ժամանակի տվյալների աղբյուրներ և բարձրացում  

| Աղբյուր | Տիպիկ բեռնվածք | AI Form Builder‑ի բարձրացում |
|--------|----------------|------------------------------|
| Տրանսպորտային գործակալությունների API‑ներ | Պլանավորված գալուստներ, իրական‑ժամանակի մեքենաների դիրքեր | Պրեդիկտիվ ուշացման գնահատում՝ պատմական ձևաչափերի հիման վրա |
| Մասնավոր ֆլոտների հեռակառավարման տվյալներ | GPS, մարտկոցի մակարդակ, ուղևորների քանակ | Մարտկոցի առողջության գնահատում, զբաղվածության կանխատեսում |
| Edge սենսորներ (տրաֆիկի տեսագրիչներ, օդի որակ) | Վարքագծերի քանակ, աղտոտիչների մակարդակ | Գծային քարտեզների ստեղծում՝ գերհամվածների «հոտ» համար |
| Եղանակի ծառայություններ | Աձգում, ջերմաստիճան, քամու արագություն | Ճանապարհների անվտանգության ազդեցության գործակից |
| Բջջային հավելվածներ (ուղևորների հարցումներ) | Սկզբնակետ, վերջակետ, նախընտրելի ռեժիմ | Նախընտրությունների կլաստեր (էկոլոգիապես մաքուր, արագ, թեթև) |

Բարձրացումը կատարվում է նախապատրաստված մոդելների (օրինակ՝ Gradient Boosted Trees՝ պահանջի կանխատեսման համար) միջոցով, որոնք ավտոմատ կերպով կանչվում են, երբ ձևը ներկայացվում է: Բարձրացված դաշտերը դառնում են որոշման schema-ի մաս, առանց ձեռքով տվյալների ինժեներության:

## Իրական‑ժամանակի որոշման շարժիչ  

### 1. Կանոնների գնահատում  

Կանոնները պահվում են **JSON Schema** օբյեկտների տեսքով, որոնք AI Form Builder‑ը գեներացնում է: “Անձրև‑պրոցեսված ֆլոտի ընդլայնում” կանոնի օրինակ.

```json
{
  "if": {
    "allOf": [
      { "properties": { "rainIntensity": { "minimum": 5 } } },
      { "properties": { "zoneDemand": { "minimum": 150 } } }
    ]
  },
  "then": {
    "properties": {
      "fleetAdjustment": { "const": "increase_by_10_percent" },
      "notification": { "const": "send_sheltered_route_alert" }
    }
  }
}
```

Շարժիչը millisecond‑ների ընթացքում գնահատում է այս schema‑ները:

### 2. Օպտիմիզացիայի ծառայություն  

Երբ կանոնը գործարկում է “fleetAdjustment”, **Optimization Service**‑ը լուծում է խառը‑ամբողջական գծային ծրագիր (MILP)՝ նպատակ ունենալով բաժանել մեքենաները գոտիների միջև, նվազեցնելով ընդհանուր ճանապարհորդության ժամանակը և արտանետումները: Խնդրի ձևակերպումը ավտոմատ կերպով լրացվում է վավերացված ձևի դաշտերով:

### 3. Հրամանների ուղարկում  

Օպտիմալացված հանձնարարությունները փակցվում են **Command Messages** և ուղարկվում edge‑gateway‑ներին, որոնք դրանք փոխանցում են մեքենաների վերահսկողության միավորներին (օրինակ՝ էլեկտրական ավտոբուսը ուղարկելը բարձր պահանջի գոտու):

## Պիլոտի դեպք‑սովորում՝ Rivergate MaaS ադապտիվ պիլոտ  

**Ֆոն**  
Rivergate, 850 000 բնակչություն ունեցող միջին չափի ծովափող քաղաք, 2025‑ի 2-րդ քառամասնությունում սկսեց AI Form Builder‑ով օպտիմիզացված MaaS‑ի ադապտիվ պիլոտը, ընդգրկելով ավտոբուսները, հեծանիվ‑բաժանումը և պահանջի վրա հիմնված շտապ ծառայությունները:

**Իրականացման հիմնական քայլերը**

| Քայլ | Գործողություն | Գործիք |
|------|--------------|--------|
| Տվյալների ինտեգրացիա | 3 տրանսպորտային API, 1200 էլեկտրական շտապ մեքենայի հեռակառավարման, 200 եղանակի սենսորների միացում | Kafka + AI Form Builder կապիչներ |
| Ձևերի ստեղծում | “Եղանակի ազդեցություն”, “Իրադարձական գանձեր”, “Մատչելիության պահանջ” ձևեր | AI Form Builder UI |
| Կանոնների տեղադրման | 25 ադապտիվ կանոն, որոնք ծածկում են անձրևը, կոնցերտները, ճանապարհի փակումները | JSON Schema խմբագրիչ |
| Edge‑տեղադրման | Karar‑engine‑ը տեղադրվել 5G edge‑node‑ներում 4 քաղաքային շրջաններում | Docker + Kubernetes |
| Դեշբորդ | Օպերատորների համար իրական‑ժամանակ KPI‑դեշբորդ | Grafana + AI Form Builder հաշվետվության մոդուլ |

**Արդյունքներ (12‑ամսվա ընթացքում)**  

- **Միջին սպասման ժամանակը** նվազեցված է 7,4 րք → 4,2 րք (‑43 %):  
- **Ֆլոտի օգտագործումը** բարձրացել է 68 % → 82 % (‑14 % անօգտագործված):  
- **CO₂ արտանետում մեկ ուղևոր‑կմ‑ի համար** նվազեցված է 12 %՝ ավելի խելացի ուղեցույցների և էլեկտրական մեքենաների մեծացման շնորհիվ:  
- **Համապատասխանության հաշվետվության ժամանակը** նվազեցված է 3 օր → 1 ժամում ամսական:

Պիլոտը ցույց տվեց, որ **ձև‑չափված, AI‑չափված աշխատանքային հոսքը** կարող է բերել զգալի գործառնական բարելավումներ, միաժամանակ պահելով համակարգը պահպանելի և կառավարելի ոչ‑տեխնիկական քաղաքային աշխատակիցների համար:

## Արդյունքներ թվերի դուրս  

1. **Արագ քաղաքականության փորձարկում** – Քաղաքային պլանավորողները կարող են միակ սեղմումով փոխել նոր կանոնը (օրինակ՝ “Առաջնայնություն տալ ցածր եկամուտի հարևաններին գագաթային ժամերին”) և անմիջապես դիտել ազդեցությունը դեշբորդում:  
2. **Մասշտաբելի մատակարարների ինտեգրացիա** – Նոր շարժականության մատակարարները միակ REST endpoint‑ի միջոցով միանում են, AI Form Builder-ը ավտոմատ գեներացնում է անհրաժեշտ վավերացման ձևերը:  
3. **Բարձրացված հավասարություն** – Ադապտիվ ձևերը կարող են հավաքել մատչելիության պահանջները (կարողություն, տեսողական խնդիր) և ապահովել, որ ռուտինգի ալգորիթմները իրական ժամանակում դրանք հաշվի առնեն:  
4. **Ապագա-proof ճարտարապետություն** – Երբ ինքնավար մեքենաները դառնան հիմնական, նույն ձև‑չափված շարժիչը կարող է կազմակերպել մեքենա‑մեքենա հաղորդակցումը առանց կոդի վերագրումից:

## Քաղաքների համար իրականացման ճանապարհագիր  

| Փակտ | Նպատակներ | Արդյունքներ |
|------|-----------|------------|
| **1. Բացահայտում** | Տվյալների աղբյուրների քարտեզագրում, KPI‑ների սահմանում, շահագրգիռ կողմերի ճանաչում | Տվյալների ինվենտարիզացիա, KPI‑ների սկզբնական հաշվետվություն |
| **2. Հիմք** | Kafka‑ի բուսակազմի տեղադրում, API‑ների միացում, AI Form Builder‑ի sandbox‑ում տեղադրում | Ներմուծման պիպլայն, առաջին ադապտիվ ձև (“Եղանակի ազդեցություն”) |
| **3. Կանոնների շարժիչ** | Քաղաքային քաղաքականությունները JSON schema‑ների մեջ թարգմանում, edge‑gateway‑ների տեղադրում | 10‑15 պիլոտական կանոն, edge‑ի տեղադրման script‑ներ |
| **4. Օպտիմիզացիայի շերտ** | MILP‑solver‑ի ինտեգրացում, ծախս‑ժամանակի ֆունկցիաների կարգավորում | Օպտիմիզացիայի ծառայություն, փորձնական սցենարներ |
| **5. Պիլոտի մեկնարկ** | Սահմանված գոտում (օրինակ՝ կենտրոնական շրջան) 3 ամիսների համար | Կենտրոնական դեշբորդ, համապատասխանության հաշվետվություններ, գործառնական չափանիշներ |
| **6. Մասշտաբում** | ամբողջ քաղաքում ընդլայնում, նոր մատակարարների միացում, AI‑չափված կանխատեսումների ավելացում | Երկուական տեղադրման, աշխատակազմի ուսուցում, փաստաթղթեր |
| **7. Շարունակական բարելավում** | Հետադարձ կապի ցիկլ, A/B թեստերի նոր կանոնների համար, մոդելների վերապատրաստում | Քառամսյակային օպտիմիզացիայի վերանայում, ML‑ի վերապատրաստման պիպլայն |

## Ապագա տեսլական  

**AI Form Builder**, **edge computing** և **ժամանակին‑կողմնորոշված տվյալների էկոհամակարգի** համակցումը բացում է նոր MaaS հնարավորություններ.

- **Պրեդիկտիվ համայնքային ուղեցույց** – Ուղևորները կարող են կամավորորեն բաժանել իրենց նախատեսված ճանապարհները, ինչը օգնում է կանխատեսել պահանջի պիկները:  
- **Դինամիկ գինագումար, որը համընկնում է կայունության նպատակների հետ** – Ձևերը կարող են հավաքել վճարման պատրաստակամությունը կանաչ ուղեցույցների համար, թույլ տալով գինագումարների կարգավորում, որը շեղում է պահանջը:  
- **Ինտեգրացիա Smart Grid‑ի հետ** – MaaS‑ի ֆլոտները կարող են դառնալ ճկուն բեռ, տրամադրելով պահանջի արձագանքների ծառայություններ էլեկտրական ցանցին, ամբողջը կարգավորված է ադապտիվ ձևերի միջոցով:  

Քաղաքները, որոնք ընդունում են այս մոտեցումը, կբարձրացնեն իրենց **հարմարեցված, քաղաքացի‑կենտրոնացված շարժունակության** կարողությունը, միաժամանակ նվազեցնելով արտանետումները և բարելավելով բնակչության գոհունակությունը:

## Եզրակացություն  

Ժամանակին‑կողմնորոշված ադապտիվ Urban Mobility‑as‑a‑Service օպտիմիզացիան այլևս չի մնա ապագայի գաղափար: AI Form Builder‑ի ցածր‑կոդ, AI‑չափված ձևերի գեներացման, վավերացման և օրհասության հնարավորությունները թույլ են տալիս փոխարկել բաժանված տվյալների հոսքերը գործող, համապատասխան, հավասար շարժականության որոշումներով: Rivergate‑ի պիլոտը ապացուցում է, որ սպասման ժամանակների, ֆլոտի օգտագործման և արտանետումների չափելի բարելավումներ կարելի է հասնել մեկ տարվա ընթացքում:  

Քաղաքները, որոնք պատրաստ են սկսել, պետք է սկսեն բացահայտման փուլից, կառուցեն ուժեղ ներմուծման պիպլայն և թողնեն AI Form Builder‑ը զբաղվի տվյալների վավերացման և կանոնների կատարումով: Արդյունքը կլինի **հարցատված, չափելի, ինքնակառավարող MaaS էկոհամակարգ**, որը շարունակաբար սովորում, ադապտվում և ավելի լավ սպասարկում է իր բնակիչներին:  

## Տես նաև  

- [World Economic Forum – AI‑Driven Urban Transportation](https://www.weforum.org/agenda/2025/01/ai-urban-transportation)