Розробка AI-системи управління автопарком Fleet Management AI транспорт

Розробка AI-системи керування автопарком Fleet Management AI транспорт

Транспортні флоти - автобусні парки, таксопарки, каршерингові мережі - стикаються із завданнями оптимізації використання та технічного обслуговування одиниць. AI-система поєднує телематику, предиктивне ТО та оперативне диспетчування.

Прогнозування технічних несправностей

CAN-bus телематика:

Сучасні автобуси генерують тисячі параметрів через OBD-II/J1939 протокол. Ключові для прогнозування: - температура охолоджуючої рідини, масла, трансмісії - тиск турбіни, упорскування - обороти двигуна та їх дисперсія - пробіг гальмівних колодок (за інтенсивністю гальмування)

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 транспорту: - Recall відмов за 7 днів: цільовий >85% - False positive rate: <20% (кожен п'ятий alert - реальна проблема чи ні) - Lead time: середня 5-8 днів до відмови

Оптимізація розкладу випуску

Завдання: при 200 автобусах та 50 маршрутах — які автобуси випустити, на які маршрути, з яким розкладом водіїв?

Vehicle-Shift Scheduling Problem: - Водій працює 8-10 годин з 45-хвилинною перервою (ТК РФ, ЕСТР для міжміста) - Автобус вимагає 1 годину миття + ТО між змінами - Мінімізувати: кількість автобусів + понаднормових водіїв

OR-Tools CP-SAT: для парку 100-300 одиниць рішення за 30-120 секунд.

Оперативний диспетчінг

Вирівнювання інтервалів (Bus Bunching Prevention):

Класична проблема: два автобуси їдуть разом після затримки. Алгоритм: - Моніторинг headway в реальному часі по GPS - При сходження: перший автобус - holding (затримати на зупинці) - ML-модель прогнозує optimal holding time: занадто довго = подразнення пасажирів, замало = bunching знову

Перерозподіл при збоях:

Поломка автобуса на маршруті → система пропонує: 1. Найближчий резервний автобус з депо (розрахунок ETA) 2. Перенаправити автобус з паралельного маршруту 3. Оповіщення пасажирів через стенди та додаток

Економіка та аналітика

KPI управління флотом:

Паливний контроль:

Норма витрати = f (маршрут, навантаження, погода). Відхилення >15% → підозра на злив: - кореляція рівня палива з GPS-маршрутом та навантаженням - ML-класифікатор: природні коливання vs. слив - Alert з геолокацією передбачуваного інциденту

Термін розробки: 4-6 місяців для системи передиктивного ТО + диспетчеризації + аналітики з інтеграцією в існуючі МІС/TMS автотранспортного підприємства.