Diamo molta importanza alla protezione dei dati e quindi utilizziamo i dati che ci fornisci con la massima cura. Puoi gestire i dati che ci fornisci nel tuo cruscotto personale. Troverai le nostre regole complete sulla protezione dei dati e il chiarimento dei tuoi diritti nella nostra avviso sulla privacy. Utilizzando il sito web e le sue offerte e navigando ulteriormente, accetti le regole del nostro avviso sulla privacy e i termini e le condizioni.
Caso d'uso
Industria, innovazione e infrastrutture
Città e comunità sostenibili
I servizi di mobilità condivisa sono emersi di recente come un nuovo modello di business per il trasporto, abilitato dalla digitalizzazione. Questi servizi offrono veicoli condivisi su richiesta che possono essere prenotati e utilizzati dai cittadini tramite app mobili. I servizi di car sharing, moped sharing, bike sharing ed e-scooter sharing si distinguono come un'alternativa all'uso dell'auto privata, spesso più pulita, dato che la maggior parte delle flotte impiegate sono elettriche. Nonostante l'eccezionale crescita, questi servizi faticano ancora a raggiungere la redditività, ostacolando la loro sostenibilità finanziaria. Per questo motivo, gli operatori devono migliorare l'efficienza delle loro strategie di distribuzione e gestione delle flotte.
Per superare questa sfida, è necessaria una comprensione più completa dei modelli di adozione e utilizzo dei servizi di mobilità condivisa. Gli operatori devono conoscere meglio i livelli di domanda previsti e le caratteristiche degli utenti. Per rispondere a questa esigenza, Nommon sta sviluppando uno strumento basato su modelli alimentati dall'intelligenza artificiale in grado di prevedere i modelli di domanda che supportano gli operatori nella pianificazione e nella gestione dei servizi di mobilità condivisa.
Lo strumento sfrutta la grande quantità di dati raccolti dagli operatori di mobilità condivisa, che monitorano continuamente la posizione e l'utilizzo dei loro veicoli, acquisendo così una descrizione accurata della domanda effettiva dei servizi. Questi set di dati possono essere combinati con altre fonti di dati in grado di descrivere il contesto in cui questa domanda viene catturata. Questo è fondamentale per sviluppare modelli predittivi applicabili al di là dell'attuale area operativa, in modo da poter produrre previsioni sulla domanda a supporto di decisioni strategiche (ad esempio, l'implementazione in una nuova città). In particolare, l'uso pervasivo dei dispositivi mobili ha portato alla disponibilità di nuove fonti di dati che registrano i modelli di attività e mobilità della popolazione (ad esempio, i dati della rete mobile, i dati delle smart card del trasporto pubblico). Da queste fonti è possibile estrarre indicatori della domanda di viaggio a grana fine, come le matrici origine-destinazione su scale temporali e spaziali altamente disaggregate. La soluzione applicata sfrutta tutti questi set di dati attraverso una serie di algoritmi di apprendimento automatico per la previsione della domanda. Questi modelli producono stime della domanda catturata per un determinato periodo di tempo a livello di coppia origine-destinazione, con una risoluzione spazio-temporale configurabile.
Oltre ai modelli, sono inclusi due moduli per produrre indicatori personalizzati e supportare i processi decisionali degli operatori. In primo luogo, un modulo di pianificazione strategica informa su come le principali modifiche del servizio (ad esempio, la variazione delle dimensioni della flotta, l'espansione o la riduzione dell'area di servizio, l'implementazione in una nuova città) modificherebbero i KPI del servizio, come i tassi di viaggi per veicolo o i ricavi del servizio. In secondo luogo, un modulo di gestione delle operazioni indica quali aree necessitano di determinate azioni per garantire la disponibilità della fornitura nelle ore successive, in base alla domanda prevista dai modelli, facilitando l'ottimizzazione delle procedure di ricarica e manutenzione. I KPI possono essere visualizzati in un cruscotto che consente agli operatori e alle autorità di testare diversi scenari e analizzare l'impatto delle loro decisioni. Si prevede inoltre che gli indicatori possano essere forniti tramite un'API, al fine di facilitare l'integrazione di questa soluzione con altri strumenti esistenti attualmente utilizzati dagli operatori della mobilità condivisa.
Vuoi saperne di più sulle lezioni apprese, sui dettagli finanziari e sui risultati?
AccediSoluzioni e tecnologie Nommon
Operatori di mobilità condivisa
Single access point for information
Enhanced data collection