Cyfrowy bliźniak ruchu miejskiego — model ruchu i predykcja mobilności
ewosoft Smart City — żywy, kalibrowany model całej sieci drogowej, który prognozuje ruch i pozwala symulować skutki decyzji, zanim zapadną w rzeczywistości.
Wyzwanie
Duże miasta w Polsce i Europie mierzą się dziś z presją, której nie da się rozwiązać samą rozbudową infrastruktury. Liczba pojazdów rośnie szybciej niż przepustowość dróg, a koszty kongestii — utracony czas, spalone paliwo, emisje i obniżona niezawodność transportu zbiorowego — obciążają zarówno budżet miasta, jak i gospodarstwa domowe. Jednocześnie miasta gromadzą ogromne ilości danych o ruchu, które najczęściej leżą niewykorzystane w odrębnych systemach.
Bohater tego case study — duży ośrodek wojewódzki — stanął przed klasycznym dylematem: dalej inwestować w beton i asfalt, czy najpierw nauczyć się lepiej wykorzystywać istniejącą sieć. Zarząd transportu miejskiego postanowił zbudować cyfrowy bliźniak ruchu — żywy, kalibrowany model całej sieci drogowej, który nie tylko opisuje stan obecny, ale prognozuje zachowania kierowców i pozwala symulować skutki decyzji rozwojowych, zanim zapadną one w rzeczywistości.
Zarząd transportu dysponował danymi z wielu systemów, ale nie potrafił przełożyć ich na decyzje wyprzedzające. Planowanie opierało się na okresowych, ręcznych pomiarach ruchu i statycznych planach sygnalizacji, co prowadziło do typowych dla dużych miast problemów:
- Dane w silosach — detektory, kamery ANPR, GPS komunikacji miejskiej i systemy biletowe działały osobno, bez wspólnego modelu sieci. Złożenie ich w jeden obraz wymagało tygodni ręcznej pracy analityków.
- Reaktywne zarządzanie ruchem — zatory rozładowywano dopiero po ich powstaniu; brak prognozy na 15–60 minut oznaczał, że operatorzy w centrum sterowania zawsze byli o krok za sytuacją na drogach.
- Statyczna sygnalizacja — plany ustawiane „na sztywno” według pory dnia, nieczułe na zdarzenia (wypadki, imprezy, pogoda). Pojedynczy incydent potrafił wywołać kaskadę zatorów w całej dzielnicy.
- Decyzje inwestycyjne bez symulacji — nowe linie tramwajowe czy buspasy projektowano bez możliwości przetestowania skutków przed wdrożeniem. Błędne założenia wychodziły na jaw dopiero po kosztownej realizacji.
- Brak twardych danych dla polityki klimatycznej — trudność z raportowaniem emisji transportowych i oceną efektu działań (Vision Zero, redukcja CO₂). Miasto deklarowało cele, ale nie miało narzędzia, by zmierzyć postęp.
Skala problemu była mierzalna: w godzinach szczytu średnia prędkość na kluczowych korytarzach spadała poniżej 18 km/h, a opóźnienia komunikacji miejskiej rozkładały rozkłady jazdy i zniechęcały mieszkańców do rezygnacji z samochodu.
Rozwiązanie
Wdrożono ewosoft Smart City — Urban Traffic Digital Twin: kalibrowany cyfrowy bliźniak sieci drogowej miasta, zasilany danymi w czasie rzeczywistym i wzbogacony o warstwę predykcyjną AI. Jedno środowisko połączyło budowę modelu ruchu z jego praktycznym wykorzystaniem — od prognozy zatorów po symulację scenariuszy rozwoju miasta. Rozwiązanie opiera się na czterech filarach EWOSOFT Smart City.
Filar 1 — Integracja danych i budowa modelu (Big Data)
Wszystkie źródła — detektory, ANPR, GPS floty, FCD, dane biletowe — spięto we wspólną warstwę danych zasilającą hybrydowy model mezo/mikrosymulacyjny. Model odwzorowuje macierze podróży (OD), potoki ruchu i zachowania kierowców, a następnie jest kalibrowany do pomiarów terenowych. Warstwa danych działa w architekturze strumieniowej, dzięki czemu model „oddycha” wraz z miastem — aktualizuje się w cyklu minutowym, a nie raz na kwartał jak przy klasycznych pomiarach.
Filar 2 — Predykcja ruchu w czasie rzeczywistym (AI/analityka)
Modele uczenia maszynowego (szeregi czasowe + grafowe sieci neuronowe uczące się zależności między sąsiadującymi odcinkami sieci) prognozują natężenia, prędkości i ryzyko zatoru w horyzoncie 15–60 minut. System wykrywa anomalie (wypadek, awaria, nietypowy potok) i automatycznie przelicza skutki dla sieci, podpowiadając operatorowi, gdzie zator dopiero się rozwinie. Prognozy uwzględniają kontekst: dzień tygodnia, kalendarz wydarzeń, pogodę i sezonowość.
Filar 3 — Adaptacyjne sterowanie i symulacja scenariuszy (integracja systemów)
Cyfrowy bliźniak rekomenduje adaptacyjne plany sygnalizacji oraz priorytet dla komunikacji miejskiej (TSP — Transit Signal Priority). W trybie „what-if” planiści testują warianty — nowy buspas, zamknięcie ulicy, strefa czystego transportu, zmiana organizacji skrzyżowania — i widzą prognozowane skutki dla całej sieci, zanim cokolwiek powstanie w terenie. To samo środowisko obsługuje więc dwa horyzonty czasowe: operacyjny (minuty i godziny) oraz planistyczny (miesiące i lata).
Filar 4 — Mobilność zrównoważona i raportowanie ESG (zrównoważony rozwój)
Model szacuje emisje (CO₂, NOₓ, PM) na podstawie potoków i prędkości, wspiera planowanie przesiadek w stronę transportu zbiorowego oraz dostarcza twardych danych do polityki klimatycznej i strategii Vision Zero. Każdy scenariusz inwestycyjny można ocenić nie tylko pod kątem płynności ruchu, ale i śladu środowiskowego — co staje się argumentem w rozmowach o finansowaniu unijnym.
Architektura w skrócie
Rozwiązanie zbudowano warstwowo, tak aby kolejne moduły można było rozwijać niezależnie:
- Warstwa akwizycji danych — konektory do detektorów, kamer ANPR, GPS floty, FCD i systemów biletowych, z normalizacją i kontrolą jakości w czasie rzeczywistym.
- Warstwa modelu — hybrydowy silnik mezo/mikrosymulacyjny odwzorowujący sieć, macierze OD i zachowania uczestników ruchu.
- Warstwa predykcyjna (AI) — modele prognozujące natężenia, prędkości i ryzyko zatoru oraz wykrywające anomalie.
- Warstwa decyzyjna — rekomendacje sygnalizacji i TSP, symulator „what-if” oraz moduł raportowania ESG.
- Warstwa prezentacji — pulpity dla centrum sterowania i dla planistów, z mapami, prognozami i porównaniami scenariuszy.
Scenariusz w praktyce — nowy buspas zamiast pasa ogólnego
Najlepszą ilustracją wartości modelu był spór o jeden z głównych ciągów wjazdowych do centrum. Drogowcy proponowali poszerzenie jezdni o dodatkowy pas ogólny; zespół komunikacji miejskiej chciał buspasa. Zamiast rozstrzygać dyskusję na podstawie intuicji, oba warianty przepuszczono przez cyfrowy bliźniak.
Symulacja pokazała, że dodatkowy pas ogólny poprawiłby płynność jedynie przejściowo — w ciągu kilkunastu miesięcy nowo wygenerowany ruch wypełniłby przepustowość (efekt ruchu wzbudzonego), a korzyść dla większości podróżujących byłaby marginalna. Wariant z buspasem i priorytetem TSP skracał natomiast czas przejazdu autobusów na tyle, by przesunąć część podróżnych z samochodów do komunikacji zbiorowej, odciążając cały korytarz. Decyzję podjęto na podstawie liczb, a nie przekonań — i to w kilka dni, a nie miesięcy.
Wdrożenie
Projekt zrealizowano w czterech etapach rozłożonych na 11 miesięcy:
- 1Inwentaryzacja i integracja danych (miesiące 1–3) — podłączenie źródeł, ujednolicenie formatów, zbudowanie wspólnej warstwy danych i kontroli jakości.
- 2Budowa i kalibracja modelu (miesiące 3–6) — odwzorowanie sieci i macierzy OD, kalibracja do pomiarów terenowych zgodnie z wytycznymi FHWA / UK DoT.
- 3Warstwa predykcyjna i sterowanie (miesiące 6–9) — trening modeli AI, integracja z sygnalizacją i pilotaż adaptacyjnego sterowania na wybranych korytarzach.
- 4Symulacja scenariuszy i wdrożenie produkcyjne (miesiące 9–11) — uruchomienie trybu „what-if”, pulpitów dla centrum sterowania i planistów oraz raportowania ESG.
Jak pracowaliśmy
Zanim model został dopuszczony do predykcji i symulacji, przeszedł kalibrację zgodną z uznanymi wytycznymi (FHWA / UK DoT / WSDoT). Walidacja to krok krytyczny — bez niej żadna prognoza ani symulacja nie miałaby wiarygodności decyzyjnej.
- GEH < 5 dla potoków na łukach sieci — cel ≥ 85% łuków, wynik 91% łuków.
- Predykcyjna zgodność potoków (±15%) — cel ≥ 85% łuków, wynik 88% łuków.
- MAPE prognozy natężeń (horyzont 30 min) — cel ≤ 15%, wynik ~10,5%.
- Zgodność czasów przejazdu vs. pomiar terenowy — w granicach ±15% (cel osiągnięty).
Rezultaty
Etap dostarczył działający cyfrowy bliźniak — jedno źródło prawdy o ruchu wykorzystywane jednocześnie operacyjnie i planistycznie. Mierzalny efekt po 12 miesiącach od uruchomienia:
−21% opóźnień na skrzyżowaniach
−75% czasu reakcji na incydent
+22% punktualności komunikacji miejskiej
- Średni czas przejazdu (korytarze sterowane)
- −13%
- Opóźnienia na skrzyżowaniach
- −21%
- Liczba zatrzymań pojazdów
- −30%
- Długość kolejek na wlotach
- −35%
- Trafność prognozy zatoru (30 min)
- ~89%
- Czas reakcji na incydent
- z ~12 min do ~3 min (−75%)
- Czas przejazdu komunikacji miejskiej (TSP)
- −18%
- Punktualność komunikacji miejskiej
- +22%
- Emisje CO₂ z transportu (obszar pilotażu)
- −16%
- Udział transportu zbiorowego (modal shift)
- +9%
- Czas przygotowania analiz „what-if”
- z tygodni do dni (−80%)
- Satysfakcja mieszkańców z płynności ruchu
- +17% (badanie)
- Od reakcji do wyprzedzania — miasto przeszło od zarządzania reaktywnego do wyprzedzającego; cyfrowy bliźniak to jedno źródło prawdy o ruchu, używane jednocześnie przez centrum sterowania i planistów.
- Mniejsze ryzyko inwestycji — każda zmiana w organizacji ruchu czy inwestycja transportowa może być najpierw przetestowana w modelu, co redukuje ryzyko kosztownych błędów.
- Twarde dane dla polityki i funduszy — krótszy czas przejazdu, punktualniejsza komunikacja i niższe emisje przekładają się na jakość życia, koszty eksploatacji sieci i wiarygodność miasta w pozyskiwaniu funduszy na zrównoważoną mobilność.
- Lepsza debata publiczna — zamiast sporu o przeczucia, dyskusja toczy się wokół porównywalnych scenariuszy i ich prognozowanych skutków.
Co dalej
Cyfrowy bliźniak jest platformą, która rośnie wraz z miastem. Każdy kolejny moduł korzysta z tej samej, raz skalibrowanej podstawy — co czyni dalszy rozwój tańszym i szybszym niż budowa odrębnych systemów. Naturalne kolejne kroki to:
- Rozszerzenie modelu o mikromobilność (rowery, hulajnogi) i parkowanie.
- Integracja z systemami zarządzania zdarzeniami kryzysowymi.
- Predykcja zapotrzebowania na ładowanie pojazdów elektrycznych.
- Udostępnienie wybranych danych mieszkańcom i deweloperom aplikacji w modelu otwartych danych.
To opracowanie ma charakter referencyjny („case wzorcowy”) — bohaterem jest anonimowe duże miasto (ok. 650 000 mieszkańców, ~1 100 km dróg). Wskaźniki procentowe mieszczą się w typowych zakresach raportowanych w literaturze i wdrożeniach smart mobility / cyfrowych bliźniaków ruchu: adaptacyjna sygnalizacja (ASCT) zwykle poprawia czas przejazdu >10% (Los Angeles: −12,7%, zatrzymania −31%, opóźnienia −21,4%), na wybranych korytarzach 35–43%; predykcja / cyfrowy bliźniak — spadek czasu przejazdu ~15% w korytarzach testowych (Singapur); kalibracja modelu (FHWA / UK DoT / WSDoT) — GEH < 5 dla ≥ 85% łuków, MAPE ~10,5%; emisje i modal shift — redukcja CO₂ z transportu typowo 15–25% (Pekin: −25% w szczycie). Źródła referencyjne: U.S. DOT ITS Deployment Evaluation, FHWA Adaptive Signal Control Technologies, Miovision, MDPI (Applied Sciences, Sensors), EU Urban Mobility Observatory (Aachen), SJSUTST, TRENDS Research.
O EWOSOFT
EWOSOFT Systemy Informatyczne działa na rynku od 2000 roku. W obszarze Smart City łączymy Big Data, modele symulacyjne i sztuczną inteligencję w narzędzia wspierające realne decyzje miejskie. Pracujemy w stabilnych zespołach, przekazujemy pełnię kodu i praw, i budujemy platformy, które rosną wraz z miastem.
Masz podobne wyzwanie?
Porozmawiajmy o module dynamicznej wyceny, integracjach ERP ↔ e-commerce albo o systemie, który ma rosnąć razem z Twoją firmą.