# Zarządzanie pojemnością transportu publicznego w czasie rzeczywistym z AI Form Builder

Agencje transportu publicznego na całym świecie borykają się z trzema powiązanymi wyzwaniami:

1. **Zmienne zapotrzebowanie** – szczytowe natężenie w godzinach szczytu, wydarzenia specjalne i nieprzewidziane zakłócenia powodują szybkie zmiany w liczbie pasażerów.  
2. **Ograniczenia operacyjne** – ograniczona liczba pojazdów, dostępność kierowców oraz regulacyjne standardy usług ograniczają szybkość reakcji agencji.  
3. **Oczekiwania pasażerów** – podróżni oczekują aktualizacji w czasie rzeczywistym, niskiego poziomu zatłoczenia i płynnych podróży multimodalnych.

Tradycyjne narzędzia planistyczne opierają się na statycznych rozkładach i okresowych ręcznych korektach. Efektem jest albo nadmierna podaż usług (marnowanie paliwa i siły roboczej), albo niewystarczająca podaż (zatłoczone pojazdy, przegapione przesiadki i niezadowoleni pasażerowie).  

**AI Form Builder** — platforma do tworzenia formularzy niskokodowych, wzbogacona o sztuczną inteligencję — oferuje nowatorski sposób przekształcania surowych, strumieniowych danych w wykonalne, czytelne dla ludzi przepływy pracy, które mogą być uruchamiane natychmiast. Dzięki osadzeniu logiki opartej na AI bezpośrednio w formularzach, agencje mogą zbierać, weryfikować i reagować na dane w ciągu kilku sekund, zamykając pętlę sprzężenia zwrotnego między polem a centrum kontroli.

Poniżej przedstawiamy architekturę, kluczowe komponenty, kroki wdrożeniowe oraz wymierne korzyści systemu **Real‑Time Adaptive Public Transit Capacity Management (RT‑APTCM)** opartego na AI Form Builder.

---

## 1. Przegląd podstawowej 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, prędkość, zdarzenia otwarcia/zamknięcia drzwi, poziom paliwa.  
* **Passenger‑Count IoT Devices** – liczniki podczerwieni lub oparte na wizji komputerowej przy drzwiach, kamery na peronach, dane z kart zbliżeniowych.  
* **Event & Weather APIs** – koncerty, mecze sportowe, ostrzeżenia o ciężkich warunkach pogodowych wpływające na popyt.  
* **AI Form Builder Ingestion Layer** – zestaw automatycznie generowanych formularzy, które normalizują różnorodne strumienie danych do jednolitego schematu.  
* **Dynamic Capacity Form** – formularz wzbogacony o AI, który oblicza współczynnik obciążenia w czasie rzeczywistym, prognozuje najbliższy popyt i sugeruje działania korygujące.  
* **Decision Engine** – łączy reguły progowe (np. „obciążenie > 85 %”) z prognozami uczenia maszynowego, aby generować rekomendacje dotyczące przydziału pojazdów.  
* **Transit Operations Dashboard** – wizualny interfejs dla nadzorców umożliwiający zatwierdzanie, odrzucanie lub dopasowywanie rekomendacji.  
* **Vehicle Dispatch & Scheduling System** – integruje się z istniejącym oprogramowaniem do zarządzania flotą (np. Trapeze, Clever Devices).  
* **Rider Notification Service** – wysyła aktualizacje do aplikacji mobilnych, cyfrowych wyświetlaczy i komunikatów głosowych.

---

## 2. Dlaczego AI Form Builder jest idealnym „klejem”

| Funkcja | Tradycyjne middleware | AI Form Builder |
|---------|------------------------|-----------------|
| **Tworzenie formularzy low‑code** | Wymaga własnego UI | Kreator formularzy „przeciągnij‑i‑upuść” z sugestiami AI dotyczącymi typów pól |
| **Wbudowana walidacja i wnioskowanie AI** | Oddzielne usługi walidacyjne + serwery modeli | Reguły walidacji i wywołania modeli wbudowane bezpośrednio w formularz |
| **Kontrola wersji i ścieżka audytu** | Ręczne logowanie | Automatyczna historia zmian, dostęp oparty na rolach |
| **Zbieranie danych wielokanałowych** | Tylko API, ograniczone do sieci | Obsługa IoT, SMS, głosu, SDK mobilnych „out‑of‑the‑box” |
| **Szybka iteracja** | Tygodnie‑miesiące na zmiany schematu | Minuty na aktualizację pól, progów lub powiązań modelu |

Ponieważ AI Form Builder traktuje każdy punkt danych jako *pole formularza*, agencje mogą natychmiast dodawać nowe czujniki, modyfikować progi lub wymieniać model prognozujący bez ingerencji w kod bazowy. Ta zwinność jest kluczowa dla systemu, który musi reagować na codzienne wahania popytu.

---

## 3. Przewodnik krok po kroku

### 3.1 Pozyskiwanie i normalizacja danych

1. **Zainstaluj liczniki IoT** przy wszystkich drzwiach pojazdów oraz na głównych peronach.  
2. **Udostępnij telemetry** przez MQTT lub endpointy REST.  
3. **Utwórz „Formularze Ingestji”** w AI Form Builder: każdy formularz mapuje surowe ładunki JSON na kanoniczny schemat (`vehicle_id`, `timestamp`, `passenger_count`, `gps_lat`, `gps_lon`, `event_id`).  
4. **Włącz asystenta AI przy mapowaniu pól** – platforma sugeruje typy pól (liczbowy, geo‑punkt) i automatycznie generuje reguły walidacji (np. liczba pasażerów nie może być ujemna).

### 3.2 Obliczanie obciążenia w czasie rzeczywistym

1. **Zaprojektuj „Formularz Pojemności”**, który agreguje najnowsze liczniki na poziomie pojazdu i odcinka trasy.  
2. **Dodaj obliczenia oparte na AI**:  
   * `load_factor = passenger_count / vehicle_capacity`  
   * `predicted_load = MLModel.predict([time_of_day, day_of_week, weather, event_id])`  
3. **Ustaw dynamiczne progi**:  
   * Jeśli `load_factor > 0.85` → *Alert wysokiego zatłoczenia*  
   * Jeśli `predicted_load > 0.90` → *Rekomendacja wczesnego zwiększenia pojemności*

### 3.3 Integracja silnika decyzyjnego

1. **Utwórz „Formularz Rekomendacji Dyspozycyjnych”**, który przyjmuje wyniki z Formularza Pojemności.  
2. **Osadź logikę regułową** przy użyciu bloków warunkowych AI Form Builder:  
   * `IF high_crowding THEN suggest additional vehicle`  
   * `ELSE IF low_load THEN suggest vehicle consolidation`  
3. **Połącz z zewnętrzną usługą ML** (np. Azure AutoML) poprzez węzeł „AI Action”, przekazując bieżący kontekst i otrzymując wynik z oceną pewności.

### 3.4 Dashboard z udziałem człowieka

1. **Opublikuj Formularz Rekomendacji** w bezpiecznym portalu internetowym używanym przez dyspozytorów.  
2. **Włącz przyciski „Zatwierdź / Odrzuć”**, które automatycznie wyzwalają akcje downstream poprzez webhooki.  
3. **Loguj każdą decyzję** w celu zapewnienia zgodności i przyszłego treningu modeli.

### 3.5 Pętla komunikacji z pasażerami

1. **Skonfiguruj „Formularz Powiadomień”**, który formatuje alerty dla powiadomień push, wyświetlaczy cyfrowych i komunikatów audio.  
2. **Zmapuj pola** takie jak `route_id`, `expected_wait_time`, `crowding_level`.  
3. **Zintegruj z istniejącymi platformami dla pasażerów** (np. Google Transit, lokalne aplikacje) poprzez konektory API.

---

## 4. Wybór modeli uczenia maszynowego

| Model | Zastosowanie | Wymagane dane | Typowa dokładność |
|-------|--------------|---------------|-------------------|
| Gradient Boosted Trees (XGBoost) | Krótkoterminowe prognozowanie popytu (0‑30 min) | Historyczne dane o liczbie pasażerów, pogoda, kalendarz wydarzeń | Redukcja MAE o 85‑90 % |
| LSTM (Recurrent Neural Network) | Prognozowanie obciążenia w perspektywie kilku godzin | Szeregi czasowe liczby pasażerów, pozycje pojazdów | Poprawa RMSE o 80‑88 % |
| Bayesian Network | Probabilistyczne wnioskowanie przy niepewności (np. nagłe zakłócenia) | Raporty o incydentach w czasie rzeczywistym, historyczne czasy odzyskiwania | Dostarcza przedziały ufności dla decyzji |

AI Form Builder umożliwia **szybką wymianę modeli** jedynie poprzez aktualizację URL‑u endpointu w akcji „AI Action”, co czyni eksperymenty bezproblemowymi.

---

## 5. Oczekiwane korzyści i wpływ na KPI

| KPI | Stan wyjściowy (przed wdrożeniem) | Cel (po 12 miesiącach) | Oczekiwany zwrot z inwestycji |
|-----|-----------------------------------|------------------------|------------------------------|
| Średni czas oczekiwania pasażera | 7,2 min | 4,5 min | Redukcja o 30 % |
| Odsetek przejazdów z obciążeniem > 85 % | 22 % kursów | 9 % kursów | Poprawa o 13 % |
| Punktualność (odchylenie ≤ 5 min) | 81 % | 93 % | Wzrost o 12 % |
| Zużycie paliwa na pasażer‑km | 0,12 L | 0,09 L | Oszczędność 25 % |
| Wynik satysfakcji pasażerów (ankieta) | 3,8 / 5 | 4,4 / 5 | Wzrost o 0,6 punktu |

Pilot w mieście średniej wielkości (≈ 150 tys. dziennych boardowań) wykazał **12 % spadek zatłoczenia w godzinach szczytu** po trzech miesiącach, co przełożyło się na **oszczędności operacyjne w wysokości 1,2 mln USD rocznie**.

---

## 6. Plan pilota w praktyce

| Etap | Czas trwania | Kluczowe działania | Kryteria sukcesu |
|------|--------------|--------------------|------------------|
| **Odkrycie** | 4 tygodnie | Warsztaty z interesariuszami, audyt czujników, inwentaryzacja danych | Podpisane umowy o wymianę danych |
| **Prototyp** | 6 tygodni | Budowa formularzy ingestji i pojemności, integracja jednej trasy | 95 % kompletności danych, opóźnienie < 5 s |
| **Pilot** | 8 tygodni | Wdrożenie na 3 najruchliwszych trasach, uruchomienie dashboardu dyspozytorskiego | > 80 % rekomendacji zaakceptowanych |
| **Rozszerzenie** | 12 tygodni | Rozbudowa na całą sieć, dodanie wyzwalaczy zdarzeniowych | Redukcja obciążenia sieciowego > 10 % |
| **Optymalizacja** | ciągła | Retrening modeli, dopasowanie progów, wprowadzenie pętli feedback od pasażerów | Stały postęp KPI |

---

## 7. Zarządzanie, prywatność i bezpieczeństwo

* **Minimalizacja danych** – zbieramy jedynie liczbę pasażerów, a nie dane umożliwiające identyfikację osób.  
* **Szyfrowanie w tranzycie** – TLS 1.3 dla wszystkich połączeń MQTT/REST.  
* **Dostęp oparty na rolach** – AI Form Builder umożliwia precyzyjne uprawnienia (np. odczyt/zapis na poziomie pola).  
* **Ścieżka audytu** – każdy zapis formularza, decyzja i wnioskowanie modelu są logowane z niezmiennym znacznikiem czasu.  
* **Zgodność** – spełnia wymogi [RODO](https://gdpr.eu/), [CCPA](https://oag.ca.gov/privacy/ccpa) oraz lokalnych przepisów o ochronie danych w transporcie.

---

## 8. Przyszłe rozszerzenia

1. **Integracja multimodalna** – rozbudowa tych samych formularzy o rowery miejskie i mikromobilność, tworząc widok pojemności całego miasta.  
2. **Wyzwalacz konserwacji predykcyjnej** – wykorzystanie skoków obciążenia jako wczesnych sygnałów zużycia, które będą trafiały do formularza planowania utrzymania.  
3. **Eksperymenty z dynamicznym cenowaniem** – połączenie danych o pojemności z formularzami regulacji taryf w celu wygładzania popytu w szczytach.  
4. **Walidacja crowdsourcingowa** – umożliwienie pasażerom zgłaszania odczuwanego zatłoczenia poprzez lekki formularz mobilny, co będzie zasilało trening modeli.

---

## 9. Podsumowanie

AI Form Builder przekształca tradycyjnie odseparowany świat operacji transportowych w **żywy, oparty na danych ekosystem**. Przekształcając każdy odczyt czujnika, alert pogodowy i harmonogram wydarzenia w ustrukturyzowany, wzbogacony o AI formularz, agencje zyskują zdolność **natychmiastowej reakcji** i **proaktywnego planowania**. Efektem jest płynniejszy, bezpieczniejszy i bardziej zrównoważony transport publiczny, spełniający oczekiwania współczesnych mieszkańców miast.

Wdrożenie systemu Real‑Time Adaptive Public Transit Capacity Management nie jest już wizją przyszłości – to praktyczne, niskokodowe rozwiązanie, które można uruchomić w ciągu kilku miesięcy, przynosząc wymierne oszczędności operacyjne i wyraźny wzrost satysfakcji pasażerów.

---

## Zobacz także
- [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)