Мобильные данные в транспортном моделировании: Tele2 раскрыла карты дорог

28.05.2021 |

Андрей Блинов.

Для анализа и моделирования транспортной инфраструктуры традиционно применяются разные типы данных: например, реестры разного уровня, статистические данные и социологические исследования. В последнее время всё большую роль в этом комплексе играют данные телекоммуникационных операторов, которые дополняют уже существующие сведения, позволяют более объективно выстраивать необходимые процессы в отрасли и планировать ресурсы на них. Подробнее об этом рассказал на конференции «Транспортное планирование и моделирование 2021» директор по аналитике больших данных Tele2 Антон Мерзляков.

В транспортной отрасли существует несколько направлений, в которых востребованы данные телеком-оператора: это собственно транспортное моделирование, анализ востребованности объектов транспортной инфраструктуры, безопасность дорожного движения и динамическое ценообразование в отношении тарифов на перевозку.

«Сегодня телеком – не просто поставщик «сырых» выгрузок, как было десять лет назад. Мы уже умеем выстраивать маршруты перемещения клиентов не только исходя из нагрузок базовых станций, а моделируя и рассчитывая реальный трек перемещения клиента по транспортной сети», – отмечает Антон Мерзляков.

Мобильный телефон стал постоянным спутником подавляющего числа людей, а область действия мобильной связи с каждым днем расширяется. В каждый момент времени абонент находится в зоне охвата определенной базовой станции. При этом телеком-оператор фиксирует большой объем разнообразных данных: нагрузку на базовую станцию, модель телефона абонента, его регистрационные данные, параметры совершенных звонков и дата-сессий, нахождение в роуминге и многое другое. Петабайты накопленной информации становятся доступными для задач моделирования, решения геоаналитических задач.

В этом месте важно будет напомнить, что согласно 152-ФЗ и Приказу Роскомнадзора №996, все персональные данные абонентов передаются операторами в сторонние информационные системы в обезличенном виде – то есть в таком формате, при котором невозможно определить их принадлежность к конкретному субъекту.

К примеру, для определения маршрута перемещения абонентов в Tele2 используется метод MAP Matching. При перемещении абонента между базовыми станциями они фиксируют нагрузку, а затем алгоритмы машинного обучения, используя граф (математическую модель) транспортной сети, восстанавливают трек перемещения абонента, который можно наложить на карту местности. По утверждению спикера, такие вычисления можно произвести в 68 регионах присутствия Tele2, в том числе на 250 тыс. км железнодорожных путей, 250 тыс. км автодорог (около 109 тыс отрезков), в более 50 аэропортах.

«Привязка к конкретному клиенту дает нам возможность анализировать сценарии поездок абонентов, маятниковые миграции, анализ туристической активности – не обращаясь к дорогим социологическим исследованиям и отчасти натурным. Большой объем накопленных данных позволяет делать расчет пассажиропотока и разного рода корреспонденций за длительный период времени, сезонные передвижения, делать мультимодальные треки, которые учитывают переключение между типами транспорта», – перечислил преимущества данных телекома Антон Мерзляков. Так, при сравнении итогов натурного исследования в одном из аэропортов и аналогичной аналитики Big Data Tele2 основные результаты оказались идентичными, однако во втором случае заказчик получил в пять раз больше атрибутов пассажиров.

Утверждение о пользе данных телекома для транспортного моделирования подтверждаются крупными успешными кейсами Tele2 на предприятиях-перевозчиках: например, геоаналитика (исследование пассажиропотока) для РЖД, оценка загруженности станций московского метро в динамике и другие.

«Сильная сторона телеком оператора в том, что у нас есть возможность анализировать маршруты перемещения групп клиентов с учетом понимания их профиля. Мы строим клиентские сегменты, соблюдая все нормы законодательства о персональных данных, информация передается заказчику в агрегированном виде. При этом такие данные имеют большую ценность и могут повышать эффективность решения задач моделирования любых городских транспортных потоков», – резюмирует Антон Мерзляков.