Большие данные для большого города. Как на транспорте большие данные превратились в ценный актив Применение технологий Big Data в российской гражданской авиации

01.10.2018, Пн, 10:03, Мск , Текст: Мария Сысойкина

Инновационный центр «Безопасный транспорт», созданный год назад в рамках Московского метрополитена, объединяет разработчиков решений для работы с цифровыми технологиями. В рамках первой стратегической сессии инновационного центра прошло обсуждение новых технологий, предлагаемых российскими компаниями, а также уже реализованных центром инициатив.

Сообщество вокруг «Безопасного транспорта»

Инновационный центр «Безопасный транспорт» начал создание сообщества экспертов и разработчиков для обмена идеями и опытом по использованию современных технологий в решении различных транспортных задач для Москвы. В рамках сообщества объединятся как те компании, которые уже работают с «Безопасным транспортом», так и новые участники. На состоявшейся первой стратегической сессии центра представители компаний ABBYY, «Максима телеком», «Яндекс.Такси», Avito, «Программный продукт» и др. поделились своим видением необходимых технологических изменений на транспорте в Москве, обсудили роль технологий в формировании новых инновационных сервисов и предложили идеи для персонализации взаимодействия города с его жителями.

Большие данные меняют коммуникации

Идея создания центра родилась в августе 2018 г. Основная цель этой инициативы – трансформация взаимодействия с пассажирами, вывод коммуникаций с горожанами на новый, персонализированный уровень. Достичь поставленных целей помогает анализ больших данных. Инновационный центр имеет возможность работать с данными подведомственных департаменту транспорта организаций, выполняя свои исследования, проверки гипотез, делая работу по построению сегментов для таргетированных коммуникационных компаний.

«Мы собираем достаточно много разнородных деперсонализированных данных о пассажирах и на основе анализа можем адресно сообщать горожанам важную информацию, – поясняет руководитель Инновационного центра Юрий Емельянов . – Сценарии могут быть самые разные. Например, часто возникают изменения маршрутов, ремонты, перекрытия движения в связи с какими-то событиями, мероприятиями. Анализируя данные, мы можем персонализировано информировать об изменениях тех пассажиров, которые часто двигаются по этим маршрутам».

Проекты инновационного центра

Есть в копилке Центра и более масштабные проекты, например анализ удовлетворенности районов города Москвы в пользовании наземным транспортом. Эксперты центра проводили многочисленные опросы по этой тематике, анализировали результаты и формулировали по итогам инициативы по изменению маршрутов, расписания и остановок. Эти инициативы Центр выносит на различные управляющие комитеты, проводимые в рамках транспортного комплекса и в случае утверждения, реализацией их занимаются подведомственные организации. Обратная связь по реализованным инициативам снова поступает в инновационный центр, где оцениваются результаты работ и степень удовлетворенности граждан. Эта программа стартовала в марте 2018 г. и на данный момент показала себя достаточно успешной. Сейчас Центр активно принимает участие в аналогичной программе для Московского Метрополитена.

Отдельный интерес представляет проект Центра по аналитической поддержке мероприятий в рамках Чемпионата Мира по футболу. Эксперты центра анализировали пассажиропотоки в дни матчей, проводившихся на московских стадионах («Лужники», «Спартак», фан-зона на Воробьевых горах), в кратчайшие сроки после игры реализовали опросы удовлетворенности и вырабатывали рекомендации для оптимизации нагрузки на транспортную систему города и более эффективной организации транспортного обслуживания.

Оценка распределения нагрузки на стадион «Лужники». Фрагмент аналитического отчета по матчу Россия – Саудовская Аравия, состоявшегося 14 июня, в день открытия чемпионата

Отдельным направлением работы центра стала поддержка мобильных приложений для граждан. «Безопасный транспорт» сотрудничает с рядом разработчиков, в том числе компанией «Инфокомпас», разрабатывающей приложение «Помощник Москвы». «Мы стараемся поддерживать инициативы по созданию различных сервисов на основе мобильных приложений для граждан. Для нас это один из каналов коммуникации с населением города, – рассказывает Юрий Емельянов. – Например, эксперты Центра совместно с разработчиками мобильного приложения «Помощник Москвы», ведут работу, направленную на улучшение алгоритма распознавания государственного регистрационного знака». Перед Инновационным центром стоит много амбиционных задача на предстоящий 2019 г.

Столице уже много лет предрекают транспортный коллапс из-за стремительного роста числа автомобилей на ее улицах. Однако интеллектуальная транспортная система, внедряемая в городе в последние годы, не дает этому прогнозу сбыться. О том, как в столице управляют дорожным движением, рассказал Александр Поляков, директор научно-исследовательского и проектного института городского транспорта города Москвы (ГУП «МосгортрансНИИпроект»), который с 2013 года курировал вопросы развития транспортной аналитики, построения информационных систем и разработки комплексных программ развития транспортной инфраструктуры, будучи в должности заместителя руководителя Центра организации дорожного движения Правительства Москвы. На форуме BIG DATA 2017, проведенном издательством «Открытые системы» 29 марта, он рассказал о том, как московский транспортный комплекс использует Большие Данные для развития интеллектуальной транспортной системы, как на их основе создаются системы, управляющие дорожным движением, о том, как для решения наших задач можно использовать средства виртуальной и дополненной реальности.

- Когда началась «оцифровка» московского транспорта?

Началось все с постановления о развитии интеллектуальной транспортной системы в городе, которое Правительство Москвы утвердило 11 января 2011 года.

С тех пор Департамент транспорта проводит работу по развитию транспортной инфраструктуры, применяя современные информационные системы.

В рамках проекта в 2014 году был создан ситуационный центр ЦОДД, специалисты которого отвечают за организацию дорожного движения и все задействованные в работе этого центра системы, в том числе позволяющие осуществлять управление светофорами и камерами телеобзора, мониторинг условий дорожного движения, визуальное информирование участников дорожного движения, фото- и видеофиксацию нарушений управления наземным городским пассажирским траспортом.

- Проекты каких стран брались за образцы?

Во внимание был принят опыт европейских государств, в частности Испании и Германии, учитывался также опыт Сингапура, Гонконга, ряда городов США. Но при этом мы понимали, что каждый город уникален, поэтому транспортная инфраструктура Москвы развивается по своему сценарию, не говоря уже о нагрузках на улицы. Сейчас, скажем, по Москве едут 683 тыс. автомобилей.

- Как сейчас устроено управление дорожной ситуацией в столице?

За последние годы в рамках транспортного комплекса Москвы создан ряд ИТ-систем, которые решают различные задачи в этой области, в том числе с использованием Больших Данных.

Статическая транспортная модель, построенная в 2013 году, позволяет прогнозировать ситуацию на долгосрочный период с учетом различных вариантов изменения дорожной обстановки. С ее помощью можно рассчитывать сценарии в масштабах всего города, будь то долгосрочные перекрытия движения или ввод в эксплуатацию новых путепроводов.

Эта модель, помимо прочего, учитывает данные о жителях, предоставляемые нам различными службами: о количестве людей, их возрасте, гендерных признаках, о социальном положении, сколько работающих, сколько неработающих и т. д. Москва разбивается на так называемые транспортные районы, и мы анализируем, куда ездят жители каждого такого района, зачем, в какое время.

Благодаря полученным данным мы анализируем матрицу корреспонденций - совокупность всех «обменов» трафиком между районами. Например, если в районе 600 дошкольников и 500 мест в детских садах, то очевидно, что сотню детей утром повезут в другой район. Для уточнения общей картины происходящего мы проводим опросы, помогающие понять, какой вид транспорта и в каких случаях люди выбирают: когда - личную машину, когда - общественный транспорт. Кроме того, нам нужно спрогнозировать, как на транспортных предпочтениях людей скажутся те или иные изменения в городской планировке или в схеме организации движения, к чему приведет перекрытие дороги в ходе строительства или, наоборот, открытие новой.

Текущую ситуацию мы отслеживаем с помощью динамической транспортной модели, которая дает полное представление о московском трафике в режиме реального времени и позволяет реагировать на возникающие проблемы. Для этого в ДТМ агрегируются данные, полученные с датчиков ГЛОНАСС, установленных на городском транспорте, камер фото- и видеофиксации, транспортных детекторов - радиолокационных датчиков, которые считывает интенсивность движения, скорость автомобилей и ряд других параметров.

ДТМ позволяет управлять светофорами, анализировать проблемные участки, например обнаруживать очаги аварийности, места, где все время возникают заторы; выявлять затруднения в движении пассажирского транспорта и устранять их; производить мониторинг работы мобильных комплексов фото- и видеофиксации (так называемых парконов, фиксирующих правонарушения), производить оценку транспортного спроса на основе ежедневной матрицы корреспонденций.

На базе ДТМ создана интерактивная карта дорожного движения Москвы, на которой в реальном времени отображается информация о загруженности дорог в баллах, о количестве ДТП, транспортных средств на данный момент и за сутки, наземного городского пассажирского транспорта, числе зафиксированных камерами нарушений ПДД.

В 2015 году специалистами ЦОДД на базе динамической модели была создана система виртуальной и дополненной реальности, имитирующая полет над городом и предоставляющая данные о дорожно-транспортной ситуации в режиме онлайн. Благодаря этой системе уже сейчас можно увидеть образовавшийся затор, подключившись к камере, которая показывает реальное трехмерное изображение этого участка, что позволяет лучше разобраться в ситуации.

Для граждан на этой карте представлена различная информация (текстовая, фото- и видео-) о значимых исторических, культурных и социальных объектах, по сути дополненная реальность.

- По каким каналам вы информируете граждан о дорожно-транспортной ситуации?

Данные, полученные из ДТМ, в реальном времени транслирует ряд радиостанций, мессенджер Telegram, дорожные табло. На телеканале «Москва 24» и его интернет-портале m24.ru демонстрируется карта текущей обстановки на дорогах города.

Такое информирование - тоже средство управления транспортными потоками. Москвичи видят, какая обстановка на интересующих их улицах, выбирают пути объезда, рассматривают возможность передвижения на других видах транспорта, например пересаживаются с личного на общественный.

- Есть какие-нибудь численные показатели эффективности вашей работы?

Комплексная схема организации дорожного движения, призванная оптимизировать управление транспортными потоками на улицах города, а также увеличить их пропускную способность, заработала в 2015 году. И уже за первый год удалось добиться немалых результатов.

Приведу такие цифры. В городе сейчас зарегистрировано 4,6 млн автомобилей, при этом уровень аварийности, по данным ГИБДД, самый низкий за последние десять лет. В 2016 году по сравнению с 2010-м количество ДТП сократилось на 45%, а количество погибших - на 56%. В центральной части города, внутри Третьего транспортного кольца, средняя скорость движения индивидуальных транспортных средств увеличилась на 11%, а пассажирского транспорта - на 7%. На введенных в 2016 году выделенных полосах пассажиропоток увеличился в среднем на 11%. Среднее время прибытия «скорой» сократилось с 21 минуты до 8, почти втрое, благодаря тому что появились полосы для общественного транспорта, а автобусы и троллейбусы могут уступить «скорой» дорогу, уйдя в «карманы» на остановках.

Если сравнивать более близкие периоды, то в 2016 году по сравнению с 2015-м на 18% снизилось число ДТП с материальным ущербом, на 12% - ДТП с пострадавшими и на 14% сократилось количество случаев наезда на пешеходов.

- На базе чьих решений построены разработки ЦОДД?

Мы берем лучшие западные наработки. Например, нынешняя система управления светофорами сделана на базе испанского решения, статическая транспортная модель выстроена на немецкой платформе. Но решение, объединяющее все эти разработки, отечественное. Интегрировали все эти системы наши специалисты.

На основе накопленного опыта мы создаем решения по управлению дорожной ситуацией для других городов как нашей страны, так и зарубежных. Например - для Тегерана.

- Мы пока только догоняем или в чем-то уже опережаем другие страны?

Мы на пути к новой модели управления. В прошлом году на базе автоматизированной системы управления дорожным движением был запущен пилотный проект по автоматическому управлению светофорами. Сейчас система функционирует на Алтуфьевском и Варшавском шоссе, а также на проспекте Андропова, где на основе данных ДТМ о загруженности магистралей автоматически меняются режимы работы светофоров. Такого нет ни в одном городе мира. Например, даже в лондонской системе управления транспортом Transport for London режимы работы светофоров акцептуют операторы.

Теперь мы ставим перед собой задачу распространить работу этой системы на другие магистрали. Сложность состоит в том, что все дороги между собой связаны, и надо, «расчищая» одни, не застопорить наглухо движение по другим.

- Какие новые проекты планируются?

Мы продолжим дальнейшее развитие системы прогнозирования дорожно-транспортных происшествий. Для осуществления прогноза она постоянно анализирует погодные условия, характеристики проблемных дорожных участков (конфигурации узких мест, степень снижения их пропускной способности), показатели транспортного потока (средний балл транспортных заторов в городе и на дорожном участке, скорость потока на дорожном участке и т. п.).

Мы должны быть готовы к тому, что в будущем появятся транспортные средства без водителей. В их навигаторах уже будет загружена информация, например, об ограничении скорости на том или ином участке, и автомобиль самостоятельно выберет безопасный скоростной режим.

К долгосрочным перспективам следует отнести развитие системы общественного транспорта, который должен стать привлекательной альтернативой личному автомобилю. Помимо прочего, развитая транспортная инфраструктура является важным экономическим фактором, который способствует конкуренции городов в привлечении туристов, предпринимателей и т. д.

Помогут разгрузить дороги и системы дополненной реальности. Если можно будет не ехать на конференцию, а посмотреть с рабочего места видео с выступлениями в формате 360° или даже принять в ней участие, причем не через специальные очки, а на экране смартфона, то многие предпочтут такой вариант.

Московский транспорт и управление движением в цифрах

В центре обработке данных, находящемся под зданием ситуационного центра ЦОДД, установлено более 100 серверов, на которых хранится в общей сложности около 2 Пбайт данных. Часть информации постоянно обновляется - например, данные, полученные с камер, хранятся на серверах в течение семи дней. В связи с постоянным ростом потока данных планируется существенно увеличить серверные мощности.

В рядовое рабочее утро на основные «транспортные артерии» Москвы выезжает около 700 тыс. автомобилей.

В час пик 71% пассажиропотока приходится на общественный транспорт, поэтому именно его интересы в Департаменте транспорта ставят во главу угла.

Камеры видеофиксации распознают до 22 видов правонарушений - среди них езда по обочине или выделенной полосе, поворот из второго ряда, выезд на загруженный перекресток, непропуск пешехода, проезд грузовиков без пропуска и т. д. За сутки они передают в ГИБДД информацию о 100 тыс. нарушений (округленное значение).

Есть понятия «транспортный полдень» и «транспортная полночь». В Москве они смещены - «полдень» длится с 14:00 до 15:00, а «полночь» наступает» в 3 часа ночи.

Введение

Согласно прогнозу аналитиков, 67% компаний из аэрокосмической отрасли реализуют проекты на основе Big Data , ещё 10% планируют такие проекты. Что касается авиакомпаний, то здесь реализация проектов на февраль 2019 года заявлена у 44% компаний, а планы на такие проекты анонсировали 25%.

Это результаты исследования, которое провела в декабре 2017 года компания FlightGlobal относительно роли Big Data для аэрокосмических предприятий и авиакомпаний. Аналитики также выяснили мнение по поводу совместного использования данных по состоянию самолётов с производителями и компаниями, осуществляющими ремонт и техническое обслуживание (ТО) . В исследовании приняли участие 300 профессионалов из аэрокосмической и авиационной отрасли. Большинство из них уверены, что технологии Big Data способны повысить операционную надёжность и эффективность авиакомпаний.

Приблизительно половина респондентов ответила, что их компании используют массивы данных о состоянии самолётов, что помогает им принимать более выверенные решения. В ближайшей перспективе доля таких компаний вырастет до 75%.

Совместное использование данных с OEM/MRO всё ещё остаётся проблематичным. Однако 38% авиакомпаний полагают, что такая модель может обеспечить им значительные бизнес-преимущества.

Согласно данным из опубликованного в мае 2018 года обзора компании Honeywell "Connected Aircraft" , 47% опрошенных авиакомпаний планируют потратить в целях подключения воздушных судов к Сети до 1 млн. долларов в течение следующего года на каждый самолёт, эксплуатируемый ими. Большинство этих компаний планирует уложиться в суммы от 0.1 до 0.5 млн. долларов. Однако, в пятилетней перспективе 38% авиаперевозчиков анонсировали инвестиции уже в размере 1-10 млн. долларов на каждый самолёт.

До февраля 2019 года при инвестировании авиакомпаниями в смежные к авиации технологии (connected technologies) речь шла, прежде всего, об обеспечении спутниковой связи и Wi-Fi . Теперь же компании готовы извлекать выгоду из тех данных, которые они могут получать путем использования оборудования непосредственно на борту самолётов. Например, такие данные могут обеспечить им экономию в размере 1% от потребляемого топлива, что эквивалентно 50 000 долларов на самолёт в год, подсчитали аналитики Honeywell.

Использование Big Data зарубежными авиакомпаниями

Технологии Big Data применяются для выполнения ряда задач в сфере гражданской авиации. В этой главе остановимся подробнее на основных направлениях использования в авиации в ряде зарубежных стран. В первую очередь это ремонт и техническое обслуживание, обеспечение экономии топлива, создание цифровых двойников , оптимизация операционной деятельности (включая прогнозирование задержек рейсов), формирование персональных предложений для пассажиров и т.д.

Big Data и поддержание летной годности воздушных судов

Одной из таких приоритетных областей в ближайшей перспективе будут техническое обслуживание (ТО) и ремонт судов. Так, 88% респондентов аналитических исследований ожидают, что именно в этой сфере они смогут получить максимальные преимущества от применения технологий. Техническое обслуживание и ремонт значительно опережают все прочие сферы по важности. Анализ и предиктивные ремонты в авиации демонстрируют свою эффективность и доказывают на практике, что connected technologies работают.

После ТО и ремонта респонденты ожидают преимуществ от внедрения связанных в сфере технологий пилотирования, включая оптимизацию потребления топлива и времени оборота самолётов, а также обслуживания пассажиров.

Так, в исследовании "Sky High Economics: Evaluating the Economic Benefits of Connected Airline Operations" аналитики отмечают, что подключенные самолёты могут передавать данные в облако или на наземные серверы , где эти данные могут быть проанализированы с помощью инструментов Big Data Analytics. Благодаря этому авиаперевозчики могут, например, выявлять неисправности, прежде чем они станут крупными проблемами. Полученная информация может быть использована для принятия более выверенных решений и сокращения дорогостоящего простоя самолётов (Aircraft on Ground).

Кроме того, с появлением прогнозного моделирования (predictive modelling) стала возможной замена деталей, которые на базе анализа определены как требующие замены, до того, как они вышли из строя, а именно во время плановых работ по ремонту и ТО. Всё это способствует сокращению расходов, повышает безопасность полётов.

Digit Twins. Что это такое?

С темой предиктивных (проактивных) ремонтов также тесно связано использование так называемых "цифровых двойников" ("digital twins"). Однако в отличие, например, от нефтегазовой отрасли, где ЦД уже используются рядом крупных компаний на практике, в авиационной отрасли эта тема пока больше обсуждается на уровне экспертов и аналитиков.

Эксперты авиационной отрасли в 2019 году стали активно продвигать тему использования "digital twins": руководство шведской компании IFS , разработчика ПО для корпоративных клиентов, в том числе из авиационной отрасли, заявило в апреле 2018 года, что одной из технологических инноваций, способной помочь авиакомпаниям обеспечивать эффективную эксплуатацию судов при одновременном снижении расходов на ТО и ремонты, являются "цифровые двойники" . Цифровые двойники ― это виртуальные реплики физических активов, способные демонстрировать инженерам на земле работу двигателя, в то время как самолёт находится в воздухе. Чтобы сделать это возможным, инженеры устанавливают на этапе проектирования и производства двигателя тысячи точек сбора данных. Затем они используются для создания цифровой модели, которая отслеживает и контролирует двигатель в режиме реального времени, обеспечивая необходимую информацию на протяжении всего его жизненного цикла, например, температуру, давление и расход воздуха.

GE помогла разработать цифровой двойник для посадочного устройства самолета. Сенсоры были размещены на частях шасси, наиболее подверженным поломкам. В режиме реального времени такие данные, как давление и температура, передавались специалистам, помогая прогнозировать сбои в работе или остающийся срок службы. Эти данные сравнивались с данными цифрового двойника, который подвергался аналогичным нагрузкам.

Для реализации модели прогнозного ремонта и ТО будут задействованы два решения ― бортовая система обмена данными по полётным операциям и ТО (FOMAX) и внебортовой инструментарий для анализа авиационных данных Skywise. FOMAX, сервер от Rockwell Collins, собирает данные по ТО и производительности самолёта, в автоматическом режиме отправляет их инженерам и техникам. SkyWise, работающий на облачной платформе, обеспечивает анализ различных данных, был разработан совместно компаниями Airbus и Palantir Technologies .

Система FOMAX получает все данные из расположенной на борту системы FDIMU (flight data interface management unit). FOMAX имеет функционал 4G-маршрутизатора: после приземления судна все данные с помощью 4G Gatelink-антенн передаются на аналитическую платформу Skywise и анализируются специалистами Airbus. Для анализа специалисты Airbus самостоятельно разработали специальные модели, способные прогнозировать возникновение системных неполадок. После проведённого анализа его результаты переправляются специалистам EasyJet, которые уже самостоятельно принимают решения о необходимости проведения предиктивного ТО или ремонта. Используя полученную информацию, специалисты авиаперевозчика могут создать алгоритмы, которые позволят в будущем прогнозировать возникновение той или иной неполадки на любом из самолётов.

Самолёты модели A320 с FOMAX способны собирать более 24.000 параметров, то есть обеспечивать 100%-й сбор информации с систем и компонентов самолётов. Самолёты без FOMAX собирают 400 параметров, то есть 2% от доступной информации.

Согласно заявлениям руководства Delta, используемая программа прогнозного ТО помогает авиакомпании значительно снизить число сбоев в работе: За последние 12 месяцев использование проактивного ТО помогло избежать 1.200 задержек с вылетом или отмен рейсов.

Программа использует данные, поступающие из различных систем, таких как, например, Aircraft Health Management от Boeing , от систем Airbus и GE. При этом, основу парка самолётов авиакомпании составляют самолёты, которые были разработаны ещё до того момента, как извлечение и анализ данных стали "must-have"-функцией. После анализа полученных данных программа вырабатывает рекомендации по замене деталей и механизмов. По данным специалистов Delta Air Lines, используемая программа демонстрирует 95%-й уровень точности в части рекомендаций по необходимости замены деталей.

При презентации решения стартап указывал, что весной 2018 года должен быть реализован пилот с крупным международным авиаперевозчиком. Однако, какой-либо дополнительной информации по этой теме опубликовано не было.

Применение Big Data для анализа и прогнозирования спроса на авиаперевозки

Разработчик в области технологий для авиации Sabre Corporation , разработчик решений для мировой туристической отрасли, сообщил в ноябре 2017 года о подписании многолетнего соглашения, согласно которому авиакомпания Hong Kong Airlines получит -решение MIDT (Market Information Data Tapes) . Данное решение представляет собой базу данных , обеспечивающую доступ к историческим и прогнозным (глубина до 11 месяцев) данным по бронированиям. Обладание этим продуктом позволяет авиакомпаниям анализировать влияние от мер в области формирования тарифов, маркетинговых программ.

Hong Kong Airlines рассчитывает использовать продукт при реализации планов по началу работы на рынке Северной Америки . Продукт позволяет формировать отчёты и обладает аналитическим функционалом, что даёт пользователю возможность выявлять оптимальные каналы для реализации маркетинговой стратегии. Hong Kong Airlines получит доступ к данным агентов Sabre по всему миру по всем пунктам вылета и назначения, где присутствует авиакомпания.

Big Data для повышения уровня удовлетворённости клиентов и персонализации

Входящая в TOP 10 по пассажиропотоку компания British Airways использует с 2013 года Big Data Analytics для повышения уровня обслуживания своих клиентов: Перевозчик собирает различные данные по пассажирам в специальном хранилище , а затем загружает их в программу под названием "Know Me" . Цель программы ― узнать и лучше понять потребности клиентов, а также использовать данные, накопленные во время всевозможных контактов с этими клиентами для повышения уровня их обслуживания.

"Know Me" содержит различные данные по пассажирам: поведение при онлайн-заказах, пожелания при совершении покупок, предпочтения при выборе места. Вся эта информация автоматически генерируется и автоматически используется при следующем бронировании, осуществляемом клиентом.

Программа работает с помощью аналитического программного обеспечения от Opera Solutions. Также используется поиск по фото Google Image Search, что позволяет сотрудникам авиакомпании распознавать особо важных и много летающих пассажиров уже в тот момент, когда они входят в аэропорт или бизнес-ложу, и, соответственно, предлагать им обслуживание высшего класса.

Другой крупный игрок рынка, Virgin Australia в конце 2017 года, сообщила, что она занимается оптимизацией работы своих приложений в области машинного обучения . Для этих целей компания привлекла стартап DataRobot. Американский стартап разработал платформу предиктивной аналитики для быстрого создания и внедрения прогнозных моделей. Эта платформа уже помогает Virgin Australia сократить время на создание прогнозных моделей на 90%, точность прогнозирования возрастает при этом на 15%.

На февраль 2019 года авиакомпания работает над оптимизацией своей программы лояльности Velocity Frequent Flyer, внедряя в неё предиктивную аналитику, которая должна поддержать клиентов компании при выборе ими лучшего времени для использования полученных балов. Перед DataRobot поставлена задача построения прогнозов/моделей того, кто с максимальной вероятностью готов отправиться в путешествие, какую цену и какой тип путешествия предпочитает путешественник. В общем и целом, речь идёт о повышении уровня сервиса для участников программы лояльности авиакомпании.

Использование умных чат-ботов

Первое решение ― модель чат-бота, который приближен к человеческому общению. При этом для улучшения диалоговых возможностей было использовано приложение на базе машинного обучения под названием LUIS (Language Understanding Intelligence Service). Кроме того, в чат-бот интегрированы когнитивные сервисы, в частности распознавание лиц. Благодаря этому клиенты авиакомпаний смогут запросить для просмотра на борту список фильмов, в которых играет определённый актёр. Для этого требуется только загрузить в приложение фотографию этого актёра.

Второе решение ― приложение на базе искусственного интеллекта для анализа видеоконтента с использованием машинного обучения. Платформа получила возможность выявлять определённые объекты, сценарии или контент с ограничениями по возрасту, что часто требуется в соответствии с требованиями авиакомпаний по контенту. Например, искусственный интеллект способен обнаруживать контент, связанный со сценами крушения самолётов или взрослого содержания, и отфильтровывать его.

В апреле 2018 года компания FoxTripper впервые продемонстрировала программу с "перемещающейся картой" . Программа предоставляет пассажирам информацию о тех местах, над которыми пролетает самолёт, и позволяет пассажирам осуществлять бронирования в пунктах назначения. Собранные в полёте данные в комбинации с данными авиакомпании о пассажире позволяют строить прогнозы относительно итого, какие продукты и сервисы являются для него релевантными.

Другой интересный пример ― Gogo Air. Эта компания-разработчик информационно-развлекательной системы для пассажиров в полёте использует искусственный интеллект и машинное обучение для того, чтобы помочь авиакомпаниям повысить уровень оказываемых услуг . Gogo Air использует набор инструментов серии Adobe Analytics, включая виртуального аналитика (Virtual Analyst) ― инструмент на базе машинного обучения, для сбора информации по клиентам для ряда крупных авиакомпаний.

Предоставляя развлекательный контент и Wi-Fi -доступ в полёте, Gogo Air собирает информацию о пассажирах, пользующихся этими сервисами. Затем эта информация подвергается обработке и анализу. В результате авиакомпании получают те данные, которые помогают им улучшить обслуживание клиентов и, зачастую, предложить своим пассажирам более таргетированные продукты. Авиакомпании узнают, какими продуктами могут интересоваться их клиенты во время полёта, какие устройства они используют в полёте, сколько времени они готовы проводить в Интернете или какие развлечения они предпочитают в самолёте.

Авиакомпании используют получаемые данные для персонализации сервисов на базе ситуационного контекста, например, адаптируя под клиента экраны информационно-развлекательных систем в самолёте в зависимости от длины полёта, используемых пассажиром устройств, пункта назначения.

Не остаются в стороне и технологии организации питания на борту. Так, в апреле 2018 года в Гамбурге компания Black Swan Data, разрабатывающая решения для анализа данных, заключила соглашение о сотрудничестве с gategroup . Цель сотрудничества ― анализ данных пассажиров и трендов в социальных сетях для прогнозирования того, какое меню в самолёте выберут пассажиры. Пассажиры смогут заказывать и рассчитывать на получение своих любимых блюд уже после посадки. Пилотный проект двух компаний продемонстрировал неплохие результаты: Удалось сократить отходы по продуктам питания на 50% и повысить производительность на 15%.

В мае 2018 года компания ― разработчик в области решений для авиации SITA предложила систему отслеживания и управления багажом. Разработанная ею технология BagJourney позволяет управлять операциями с багажом всё большему числу авиакомпаний . Только за первые шесть месяцев 2018 года более 20 перевозчиков выбрали это решение. SITA BagJourney ― одно из основных решений, которое помогает авиационной отрасли выполнять резолюцию 753 IATA , в которой прописано требование по отслеживанию багажа на каждом этапе путешествия.

Решение SITA BagJourney используется каждый год для обработки сотен миллионов мест багажа. По данным пользователей, решение снижает число ошибок на 30%. BagJourney совместимо с различными аппаратными средствами, включая мобильные устройства для сканирования или стационарные приборы.

По словам BahamasAir, одного из пользователей решения, после его внедрения в течение 7 дней удалось осуществить процесс полного перехода на мобильные устройства для отслеживание всего багажа по двум наиболее загруженным в плане багажа направлениям ― Нассау и Майями. По результатам шести месяцев количество жалоб на проблемы с багажом на наиболее загруженном направлении снизилось на 60%. Авиакомпания планирует внедрить решение на всех направлениях и рассчитывает, что до конца года она полностью будет соответствовать требованиям резолюции 753.

Интервью с экспертами

Применение технологий Big Data в российской гражданской авиации

Работа с клиентской репутацией имеет большое значение для транспортных компаний, в том числе, и для авиации. Социальные сети позволяют собирать в режиме реального времени отзывы пассажиров и быстро реагировать на них.

Преимущества рассматриваемой системы ― возможность непрерывного отслеживания удовлетворенности компанией и взаимодействия с пользователями в соцсетях; обеспечение безопасности и выявление террористических организаций, экстремизма и прочих проблем; постоянное улучшение предложения для заказчика посредством анализа в соцсетях и возможность общаться с оператором напрямую; поддержание репутации авиакомпании путем оперативного контакта с аудиторией в соцсетях; анализ пользовательских предпочтений и составление индивидуальных предложений продуктов, а также успешной таргетированной рекламы. Подробнее о проекте -

Отечественная СУБД Tarantool в проекте аналитики больших данных

«Аэрофлот» внедрил алгоритмы предиктивной аналитики в рамках проекта платформы для анализа и обработки обращений пассажиров в социальных сетях. В качестве СУБД была использована отечественная разработка ― решение Tarantool от компании Mail.Ru Group.

Комплекс состоит из большого количества модулей, которые покрывают как функциональные бизнес-требования, так и модули интеграции в существующую ИТ-инфраструктуру ПАО «Аэрофлот» и различные каналы поступления обращений (социальные сети, e-mail , официальный сайт, личный кабинет).

Первый модуль отвечает за идентификацию клиента на основе комплексного анализа данных, как самого текста, так и данных профиля автора. Количество обращений может доходить до нескольких тысяч в день.

Второй модуль предназначен для поиска дублей обращений. Копирование текста для размещения на разных ресурсах или отправки по почте. Происходит определение семантически похожих постов с целью выявления кластеров, являющихся инцидентами. Обработка сразу нескольких подобных постов приводит к существенному сокращению загрузки ответственных сотрудников.

Третий модуль «Инфоповоды» является одним из важнейших в системе. Главная его особенность ― предиктивно выявлять опасные посты еще до того, как начнется рост активности. Таким образом, заложенные алгоритмы указывают на потенциальную «инфо-бомбу» и дают возможность нивелировать репутационные потери.

Расчетное количество обращений к данным равнялось нескольким тысячам запросов в секунду с необходимым откликом в пару миллисекунд. Для удовлетворения высоких требований заказчика, как, например, прописанное ограничение времени в три секунды на обогащение обращения различными свойствами, требовалось использование высокотехнологичного программного обеспечения. По результатам проведенных тестов по производительности, качеству хранения данных и функционалу, было решено использовать отечественную разработку ― СУБД Tarantool.

Tarantool используется в Платформе как оперативная база данных, в которой обращения хранятся в виде специальных структур данных, необходимых для алгоритмов аналитики. Крайне высокая производительность и наличие в базе таких свойств, как вторичные индексы и поддержка большого количество соединений без потери производительности, позволило успешно реализовать вышеописанные функциональные модули, не выходя за поставленные временные рамки.

Использование отечественных разработок в такой крупной компании, как Аэрофлот, крайне важно. Российский софт часто ни в чем не уступает, а, как в нашем случае, и превосходит иностранные аналоги. Именно поэтому и был выбран Tarantool. И, естественно, выполняется важный фактор импортозамещения , что для нашей компании является одним из ключевых приоритетов на ближайшие годы.

Кирилл Богданов, CIO ПАО «Аэрофлот»


По результатам внедрения заказчик с помощью Платформы значительно увеличил эффективность процесса обработки жалоб и обращений клиентов ответственными сотрудниками ПАО «Аэрофлот», кардинально сократил время доставки обращения и время на обработку/решение вопроса за счет механизмов обогащения обращения контекстом, тональностью, тематиками (тегирование), профилем автора и т.п. Всё это нацелено на достижение положительного экономического и репутационного эффекта практически на всех этапах предоставления услуг ПАО «Аэрофлот». На основе успешного опыта все участники проекта продолжат использовать ПО Tarantool в своих проектах и укреплять партнерские отношения

"Техносерв" реализовал для "Аэрофлота" систему интеллектуальной сегментации клиентов

В "Техносерве" подтвердили, что технологии Big Data в целом востребованы в транспортной отрасли, и подтверждением этому служит увеличение количества проектов с использованием указанных технологий. При этом тематика проектов, по ее словам, совершенно различна. Это и задачи повышения персонализации коммуникаций с клиентами, проактивного ремонта оборудования, предсказания спроса и другие задачи, решаемые с помощью алгоритмов машинного обучения и анализа больших объемов структурированных, неструктурированных и слабоструктурированных данных как для авиакомпании, так и для ее партнеров. Скорость расчетов выросла с 14 дней до 23 секунд.

Мы провели сделку по покупке авиабилета через открытый блокчейн api к банку, но я уверен, что такая схема очень скоро будет использоваться многими компаниями во всем мире. Блокчейн-платформа позволяет существенно оптимизировать бизнес-процессы. Она автоматизирует любую схему взаиморасчета, даже очень сложную - например, складские поставки. При таком механизме практически не требуется участие человека: не надо выставлять счета, проводить сверки, писать акты. Потенциально к платформе могут быть подключены поставщики бортового питания, топлива, аэропортовых услуг - все те компании, с кем постоянно работает S7 Airlines и не только. (Aviation fuel smart contracts, AFSC), основанные на блокчейне . Проект позволил автоматизировать планирование и учет поставок топлива и призван повысить скорость взаиморасчетов при заправке самолетов.

Согласно заявлению представителей «Газпром нефти», это первый для российского авиарынка опыт использования технологий распределенных реестров. С их помощью авиакомпания получила возможность моментально оплачивать топливо непосредственно при заправке в самолеты без предоплаты, банковских гарантий и финансовых рисков для участников сделки. Такой подход повышает оперативность финансовых операций и сокращает трудозатраты, считают в нефтегазовой компании.

Прогнозирование поломок самолетов S7 Airlines с помощью машинного обучения и анализа больших данных

В начале марта 2018 года S7 Airlines разработала систему предиктивного технического обслуживания (predictive maintenance). По сообщению самой компании, она стала первым российским авиаперевозчиком, завершившим разработку подобной системы.

На начальном этапе она используется для воздушных судов Airbus A319. В дальнейшем система будет адаптирована для всего парка самолетов.

Система предиктивного технического обслуживания предполагает анализ массива исторических данных по техническому обслуживанию самолетов и работе отдельных компонентов.

Программное обеспечение для анализа данных и построения математической модели было разработано специалистами S7 Airlines совместно с российской компанией Datadvance, специализирующейся на разработке решений для прогнозной аналитики.

В марте 2018 года для анализа уже был доступен массив данных за период с 2012 по 2017 год. Это данные, зафиксированные в системах телеметрии самолетов, базы данных холдинга технического обслуживания и ремонта авиатехники S7 Technics и метеорологические данные.

Основные задачи, которые компания рассчитывает решить с помощью предиктивного техобслуживания, - сокращение числа задержанных по техническим причинам вылетов, повышение безопасности полетов и эффективности технического обслуживания судов, прогнозирование вероятности возможных поломок для каждого самолета в парке компании.

Несколько сотен RFID-меток в каждом из самолетов крепятся буквально ко всему, что не приколочено - от спасательных жилетов до ремней безопасности. Также метки крепятся на жаропрочные перчатки, мегафоны, кислородные баллоны, маски, огнетушители и т.п.

Цель проекта - ускорить инвентаризацию аварийно-спасательного оборудования, которая происходит после каждого полета. Один из бортпроводников запускает на планшете специальное приложение и проходит по салону, сканируя RFID-метки. Каждая обнаруженная метка отзывается коротким звуковым сигналом, и в конце приложение генерирует отчет о наличии всего аварийно-спасательного оборудования. Отчет тут же загружается на сервер: в планшеты установлены SIM -карты, а облачная часть реализована на базе Microsoft Azure .

Если же какого-то оборудования нет, это сразу же видно в отчете, соответственно, в этом случае не дается команда на отправление перронных автобусов с пассажирами и происходит их проверка.

Без оборудования самолет нельзя допустить к следующему рейсу (то есть, если на борту не хватает спасательного жилета - значит, одному из пассажиров будет отказано в перевозке). Ручная же инвентаризация отнимает гораздо больше времени и сил: одних только жилетов под креслами - 189 штук, и их надо все проверить. Таким образом, благодаря RFID-технологии «Победе» удалось сократить минимальное время оборота воздушного судна с 30 до 25 минут. Это один из ключевых KPI в пассажирской авиации: смысл в том, что чем меньше времени проходит от прилета в аэропорт до вылета следующим рейсом, тем выше экономическая эффективность авиакомпании, так как самолет приносит доход только когда он летает, а не стоит на земле. При размерах флота «Победы» в полтора десятка самолетов сокращение времени инвентаризации каждого борта на 5 минут дает возможность выполнить как минимум один дополнительный рейс, не увеличивая парка воздушных судов.

Создание центра инноваций в области гражданской авиации для укрепления экспертизы в области Big Data

В 2017 г. Компания «Иннодата», российский разработчик программного обеспечения в области инновационных технологий, и российский ИТ-университет «Иннополис» создали Центр Инноваций в Гражданской Авиации (ЦИГА) . Цель объединения ― развитие технологического и цифрового присутствия в современной гражданской авиации, способствование раскрытию сути и значения современных технологий, влияющих на спрос и предложение для игроков авиаотрасли, интеграция инноваций цифрового мира в текущие технологии гражданской авиации. В 2018 году партнером Центра стала ГК «РАМАКС» с целью укрепления существующей экспертизы в области технологий , так и развитию специализированных решений для авиационной отрасли.

Основные направления деятельности – это развитие существующих и создание новых решений для авиаотрасли, соответственно. Центр ведет как образовательную деятельность, так и проектную, будь то реализация проектов в научно-технической, инновационной или информационно-аналитической плоскости. ЦИГА также открыт и для экспериментальных проектов с целью продвижения передовых технологий и решений и готов оказать поддержку в развитии.

Виртуальной реальности для борьбы с аэрофобией, навигация в аэропорту на основе технологий виртуальной реальности, поведенческий анализ активностей сотрудников в информационном поле, предсказание покупательной способности пассажиров и формирование динамических рекомендаций по изменению стоимости билетов, планирование расписания полетов и анализ оптимизации сезонного расписания, предиктивное управление пассажиропотоком, управление персоналом в аэропортах, разработка системы подбора персональных пакетных предложений услуг авиакомпании и партнеров, а также методики сканирования поверхности воздушных судов во время послеполетного технического обслуживания, анализ взлетно-посадочной полосы, управление уровнем overbooking, анализ интересов пассажиров и формирование предложений для них.

Заключение

Примеры, рассмотренные выше, показывают, что авиакомпании ― уже не просто воздушные суда, перевозчики, к которым мы успели привыкнуть. Важная основа их развития ― технологии , которые делают возможной, например, персонализацию услуг. Индивидуальные предложения, которые делают поездку каждого пассажира максимально комфортной. Поиск информации о путешествии, заказ билетов, поисковые запросы – любые действия в сети оставляют цифровые следы, которые могут быть проанализированы для формирования максимально точечного пакета услуг. Кроме того, работа с большими данными позволяет повысить лояльность клиентов, например, за счет быстрого ответа на обращения пассажиров.

Еще больше данных генерируют производственные системы. Самолеты, железнодорожные локомотивы и поезда являются источником огромного потока технических данных, которые поступают с датчиков, установленных в двигателях и системах жизнеобеспечения. Детальный анализ этих данных позволяет выявлять и предсказывать необходимость ремонта той или иной запчасти. Таким образом, позволяют повысить уровень безопасности, а также сэкономить значительные средства для перевозчиков. Сокращается необходимое время на ремонт и самолет может использоваться по прямому назначению в течение более длительного срока.

Предлагаемый материал затронул некоторые из возможностей и практических результатов использования технологий Big Data в авиационной отрасли, в реальности же таких возможностей для развития с каждым днем становится все больше.

«Мегафон» разработал и представил в пользование «дочкам» РЖД тестовую версию сервиса для анализа пассажироперевозок, основанную на «больших данных», сообщает РБК со ссылкой на представителя оператора Максима Мотина. Инструмент помогает определить размер и подробные характеристики рынка перевозок, а также долю транспортной компании на нем в режиме, близком к реальному времени.

Сейчас идет подготовительная работа по внедрению системы для анализа Big Data, подтвердил начальник отдела ERP-систем (системы для планирования ресурсов предприятия) управления информационных технологий ФПК РЖД Олег Емченко. «В какой-то конкретный проект это может воплотиться только в 2016 году», - сказал Емченко.

Сервис геоаналитики «Мегафон» запустил еще в 2013 году, первоначальной целью было прогнозирование нагрузок на сеть. С его помощью можно оценить точный объем пассажиропотока, получить информацию о маршрутах (кто, когда, откуда и куда направляется), раскладку по видам транспорта. Сервис также оценивает платежеспособность пассажиров и характер путешествий (деловые поездки, туризм, личные нужды). Все данные обезличены.

Можно анализировать более 10 тысяч событий в секунду по более чем тысячи параметрам, уточнил директор «Мегафона» по сегментному маркетингу и клиентской аналитике Роман Постников. За три года накоплено уже более 5 петабайт информации - объем, сопоставимый с более чем 30 миллиардов фотографий на Facebook. Постников уверяет, что под каждого клиента определяется свой список параметров для анализа, то есть фактически речь идет об универсальном облачном решении, которым могут пользоваться абсолютно разные по типу заказчики, нуждающиеся в анализе больших массивов данных.

В «Мегафоне» подсчитали, что транспортные компании в России тратят на исследования пассажиропотоков более 1,2 миллиарда рублей ежегодно. «При этом сами компании могут собирать лишь часть доступных им данных, а наш сервис дает возможность увидеть всю картину рынка в целом», - утверждает Постников. Даже если благодаря внедрению сервиса перевозчик сможет увеличить свою долю на общем рынке пассажироперевозок на 1,5–2%, то это миллиарды рублей, говорит он.

Решения Big Data можно применять также для управления городской инфраструктурой. Экспертный центр электронного государства, правительство Москвы собирается заключить контракт, в рамках которого город в течение двух лет будет получать агрегированные обезличенные геопространственные данные пользователей местных операторов связи в 11 различных разрезах. Потребителями этой информации станут ГУП «НИ и ПИ Генплана Москвы», департамент транспорта и развития дорожно-транспортной инфраструктуры, департамент культуры и другие столичные ведомства.

2,5 млрд гигабайтов данных. Согласно прогнозам аналитических компаний, количество данных, генерируемых ежегодно, достигнет 43 триллионов гигабайт уже к 2020. Среди всей этой информации: твитов, репостов и видео, есть та, которую многие компании используют для развития сервисов. Люди уже нашли применение большим данным в маркетинге для оценки желаний клиентов. Big Data также используется в медицине для улучшения диагностики и в банковской среде для составления персонализированных предложений. Большие данные используются и в автомобильной сфере, помогая водителям быстрее достигать точки назначения. Как? Об этом мы сегодня и поговорим.

Помогают объехать пробки

Данные помогают водителям добраться до точки назначения в прямом смысле этого слова. Речь идет о навигаторах - они строят кратчайший маршрут без пробок и дорожных работ.

Навигаторы каждые несколько секунд отправляют свои координаты в систему поставщика приложения. На основании полученных данных алгоритм строит трек, то есть маршрут с информацией о скорости движения. На основании суммы треков, полученных от множества водителей, и идет выявление заторов.

Автомобили являются частью сети и формируют стабильный поток информации. При этом они могут обмениваться данными с окружающей инфраструктурой. Использоваться для определения дорожных заторов могут и камеры видеонаблюдения, установленные на перекрестках в городе. Исследователи работают над различными вариантами реализации таких решений.

Например, чтобы создать коммуникации вида «автомобиль-автомобиль» и «автомобиль-инфраструктура», ученые предлагают использовать модули OBU (On-Board Units), которые определяют положение автомобиля и скорость в ограниченных временных интервалах. Эта информация будет поступать в RSU (Roadside Unit), а затем в кластеры, ответственные за агрегацию данных и их обработку.

Кластеры принимают данные по API и занимаются интерпретацией. Например, если на одном участке несколько пользователей приложения-навигатора движутся с маленькой скоростью, система понимает, что движение на нем затруднено. Подробнее об одном из предлагаемых алгоритмов можно почитать .

Пользователи также могут самостоятельно отправлять в сервис данные: информацию о ДТП, ремонтных работах, ямах на дороге и др. Агрегатор по кусочкам собирает получаемую информацию в единую картину и, сопоставляя данные с координатами GPS, проставляет баллы загруженности дороги. На основе этих данных идет построение навигационных маршрутов.

Когда маршрут построен, приложение проводит его мониторинг, чтобы освежить информацию о ситуации на пути. Алгоритм отвечает за построение маршрута, который был бы свободен от пробок. Если на маршруте образовался затор, то алгоритм ищет другую дорогу. Если альтернативных вариантов (даже с пробками, но более быстрых) не обнаружено, то маршрут остается прежним. Упрощенная форма этого алгоритма представлена ниже:

Блок-схема варианта алгоритма для мониторинга маршрута

Ученые уверены, что точность подобных систем значительно вырастет, когда все или почти все автомобили начнут общаться друг с другом и обмениваться данными. В перспективе они изменят правила поведения на дороге. Этого мнения придерживается Тим Ломакс (Tim Lomax), аналитик из Texas A&M Transportation Institute.

«Если автомобили начнут «общаться» друг с другом, нам не будут нужны светофоры, - говорит Тим. - Машина, подъезжая к перекрестку, будет сообщать о намерении его пересечь, а окружающие транспортные средства будут знать, как избежать столкновения». Ломакс говорит, что это станет шагом навстречу повсеместному использованию беспилотных автомобилей.

Сами довезут до места

Беспилотные автомобили - это еще одно направление, в котором большие данные могут оказать значительное влияние. Беспилотные автомобили являются частью интернета вещей и ведут к росту числа генерируемых данных. Чтобы построить маршрут, автопилот должен понять, по каким дорогам придется проехать, и что он встретит на пути. Для этого автомобили, помимо собственных сенсоров, черпают информацию из так называемых карт окружения. В будущем этот список пополнится другими участниками движениями и элементами инфраструктуры: светофорами, зданиями, даже деревьями.