Разработка AI-системы управления автопарком Fleet Management AI транспорт

Разработка AI-системы управления автопарком Fleet Management AI транспорт

Транспортные флоты — автобусные парки, таксопарки, каршеринговые сети — сталкиваются с задачами оптимизации использования и технического обслуживания единиц. AI-система объединяет телематику, предиктивное ТО и оперативное диспетчирование.

Прогнозирование технических неисправностей

CAN-bus телематика:

Современные автобусы генерируют тысячи параметров через OBD-II / J1939 протокол. Ключевые для прогнозирования:

• Температура охлаждающей жидкости, масла, трансмиссии
• Давление турбины, впрыска
• Обороты двигателя и их дисперсия
• Пробег тормозных колодок (по интенсивности торможения)

from sklearn.ensemble import RandomForestClassifier
from sklearn.preprocessing import RobustScaler
import pandas as pd
import numpy as np

class FleetFailurePredictor:
    """Прогноз отказа компонентов транспортного средства за 7–14 дней"""

    COMPONENTS = ['engine', 'transmission', 'brakes', 'suspension', 'electrical']

    def extract_rolling_features(self, telemetry_df, window_hours=24):
        """Агрегация телематики за скользящее окно"""
        features = {}
        freq = f'{window_hours}H'

        for col in ['engine_temp', 'oil_temp', 'rpm', 'fuel_rate']:
            rolled = telemetry_df[col].rolling(freq)
            features[f'{col}_mean'] = rolled.mean()
            features[f'{col}_std'] = rolled.std()
            features[f'{col}_max'] = rolled.max()
            features[f'{col}_trend'] = rolled.apply(lambda x: np.polyfit(range(len(x)), x, 1)[0])

        # Аномалии: сколько раз параметр выходил за 3σ за последние сутки
        for col in ['engine_temp', 'oil_temp']:
            mean, std = telemetry_df[col].mean(), telemetry_df[col].std()
            features[f'{col}_spike_count'] = (
                (telemetry_df[col] > mean + 3*std).rolling(freq).sum()
            )

        return pd.DataFrame(features)

Метрики предиктивного ТО для транспорта:

• Recall отказов за 7 дней: целевой >85%
• False positive rate: <20% (каждый пятый alert — реальная проблема или нет)
• Lead time: среднее 5–8 дней до отказа

Оптимизация расписания выпуска

Задача: при 200 автобусах и 50 маршрутах — какие автобусы выпустить, на какие маршруты, с каким расписанием водителей?

Vehicle-Shift Scheduling Problem:

• Водитель работает 8–10 часов с 45-минутным перерывом (ТК РФ, ЕСТР для межгорода)
• Автобус требует 1 час мойки + ТО между сменами
• Минимизировать: количество автобусов + сверхурочные водителей

OR-Tools CP-SAT: для парка 100–300 единиц решение за 30–120 секунд.

Оперативный диспетчинг

Выравнивание интервалов (Bus Bunching Prevention):

Классическая проблема: два автобуса едут вместе после задержки. Алгоритм:

• Мониторинг headway в реальном времени по GPS
• При схождении: первый автобус — holding (задержать на остановке)
• ML-модель прогнозирует optimal holding time: слишком долго = раздражение пассажиров, слишком мало = bunching снова

Перераспределение при сбоях:

Поломка автобуса на маршруте → система предлагает:

1. Ближайший резервный автобус из депо (расчёт ETA)
2. Перенаправить автобус с параллельного маршрута
3. Оповещение пассажиров через стенды и приложение

Экономика и аналитика

KPI управления флотом:

Топливный контроль:

Норма расхода = f(маршрут, нагрузка, погода). Отклонение >15% → подозрение на слив:

• Корреляция уровня топлива с GPS-маршрутом и нагрузкой
• ML-классификатор: естественные колебания vs. слив
• Alert с геолокацией предполагаемого инцидента

Срок разработки: 4–6 месяцев для системы предиктивного ТО + диспетчеризации + аналитики с интеграцией в существующие МИС/TMS автотранспортного предприятия.