FREEDOM

I detta projekt samarbetar forskare vid Högskolan i Halmstad med mjukvaruföretaget WirelessCar och Laholms kommun. Genom att analysera data som samlats in från miljontals uppkopplade fordon kan slutsatser dras och förutsägelser göras för att utveckla hållbara fordon och mobilitetstjänster. Dataanalysen görs med hjälp av maskininlärningsmodeller och algoritmer, utvecklade vid Högskolan i Halmstad.

Idag står transportsektorn för 25 procent av de globala koldioxidutsläppen, en siffra som måste minska drastiskt för att nå Parisavtalet. För detta ändamål pågår många initiativ: att tänka om behovet, att anpassa beteendet, att ändra bränsle, etc. Uppkopplad bildata är en förvånansvärt outnyttjad resurs, och maskininlärning baserad på den är ett avgörande verktyg för att göra många av dessa mobilitetsinitiativ hållbara. Att använda fordonsdata på rätt sätt har en enorm potential. Detta är något som FREEDOM-projektet syftar till att utforska för att separera föroreningar och CO2-utsläpp från uppdraget att tillhandahålla den nödvändiga rörligheten för alla.

Innovativa transportlösningar kräver korrekta insikter som input till beslutsfattare. Biltillverkarna saknar dock detaljerad kunskap om den verkliga användningen av de fordon de tillverkar; ägare och förare är förvirrade över konsekvenserna av besluten som de fattar kommer att få i deras specifika sammanhang, både för hållbarhet och ekonomi; flottoperatörer tillhandahåller otillräckliga arrangemang och ineffektiv förvaltning på grund av bristande förståelse för deras distinkta behov. Alla dessa aktörer kommer att dra nytta av data från miljontals uppkopplade fordon när de analyseras i FREEDOM-projektet. En pipeline från en storskalig datasjö för bilanvändning som underhålls på WirelessCar till nya maskininlärningsalgoritmer utvecklade vid Högskolan i Halmstad kommer att bidra till att utveckla tjänster som leder till hållbart och effektivt resursutnyttjande, samtidigt som det är realistiskt vad gäller bekvämlighet och kostnad.

Mobilitetsdata kännetecknas av två avgörande väsentliga dimensioner, nämligen rumsliga och tidsmässiga aspekter. För att få en komplett bild krävs det ur ett tekniskt perspektiv ett ramverk som kan modellera dem samtidigt för att dra nytta av de insikter som är inbäddade i förhållandet mellan de två. Graph Neural Networks (GNN) är ett framväxande och lovande område för maskininlärning, i skärningspunkten mellan djupa neurala nätverk och grafteori, som är på ett unikt sätt är lämpligt för att ta upp båda aspekterna. Rumslig information fångas upp av grafstrukturen, medan tidsinformation modelleras av återkommande neurala nätverk.