Στα δεδομένα που συλλέγονται από την IoT πλατφόρμα και από την εφαρμογή των επιβατών θα εφαρμόζονται ειδικά σχεδιασμένοι αλγόριθμοι άμεσης ανάλυσης οι οποίοι, με χρήση τεχνολογιών μηχανικής μάθησης και συστημάτων σύστασης θα προτείνουν άμεσες δράσεις για τη βελτίωση της ποιότητας των υπηρεσιών ΜΜΜ, όπως αναπροσαρμογή των δρομολογίων, κλπ. Πέραν της εκτίμησης ζήτησης σε τακτικές γραμμές λεωφορείων, η ανάλυση θα επιτρέψει την διερεύνηση χρήσης εφεδρικών οχημάτων, σε πραγματικό χρόνο, για την ικανοποίηση έκτακτων αναγκών, όπως για παράδειγμα για την μεταφορά ομάδων πολιτών μεταξύ σημείων ενδιαφέροντος στην πόλη. Επιπλέον, τα δεδομένα αυτά θα αναλύονται και θα συνδυάζονται με επιπλέον πληροφορία (π.χ. κυκλοφοριακή συμφόρηση, έκτακτα γεγονότα) με στόχο την ακριβή πρόβλεψη του χρόνου άφιξης των οχημάτων στις επόμενες στάσεις. Στα δεδομένα του αποθετηρίου, ανά τακτά χρονικά διαστήματα, θα εφαρμόζονται ειδικά σχεδιασμένοι αλγόριθμοι ανάλυσης ιστορικών δεδομένων, οι οποίοι, μετά από χωροχρονική ανάλυση θα παρουσιάζουν στατιστικά αλλά και λεπτομερή στοιχεία για τα δρομολόγια σε εύρος χώρου και χρόνου με χρήση μεθόδων οπτικοποίησης δεδομένων, ώστε να αναδεικνύονται ο βαθμός εξυπηρέτησης των επιβατών και αξιοποίησης του στόλου, η καταλληλότητα των τακτικών δρομολογίων και των θέσεων και του αριθμού των στάσεων, οι τάσεις αύξησης ή μείωσης της χρήσης (δηλαδή των απαιτήσεων) ανά περιοχή και δρομολόγιο. Επιπλέον, πάνω στα ιστορικά δεδομένα, θα σχεδιαστούν και θα εφαρμοστούν αλγόριθμοι σύστασης επανασχεδιασμού των τακτικών δρομολογίων και των στάσεων.
services
