Na Wydziale Inżynierii Lądowej i Geodezji zrealizowano badania w usługach mobilności współdzielonej, których wyniki ukazały się w prestiżowych czasopismach Elseviera. Wydawnictwo opublikowało dwa uzupełniające się artykuły dotyczące warszawskiego systemu rowerów publicznych. Praca w Sustainable Cities and Society przedstawia model prognozowania przepływów oparty na grafowych sieciach neuronowych (GNN). Artykuł w SoftwareX opisuje iREbikeLANCE - otwartą platformę uczenia ze wzmocnieniem (RL) do podejmowania decyzji relokacyjnych.
W pierwszym z artykułów - Sustainable Cities and Society: prognozowanie przepływów z użyciem GNN i agregacji przestrzennej - mjr dr inż. Igor BETKIER, kpt. dr inż. Wojciech DAWID z WIG oraz kpt. dr inż. Mateusz OSZCZYPAŁA z WIM zaprezentowali metodę przewidywania zapotrzebowania na rowery, która łączy bogaty zestaw danych (stany stacji, typy rowerów, pogoda, kontekst przestrzenny) z reprezentacją miasta jako grafu. W tym celu wykorzystali oni dane z warszawskiego systemu rowerów miejskich Veturilo, gromadzonych przez cały sezon rowerowy 2023. Uzyskana przez naukowców dokładność modelu na poziomie R2 > 0.91 klasyfikuje rozwiązanie wśród najdokładniejszych na świecie w swojej klasie. Kluczowym zabiegiem metodologicznym była agregacja przestrzenna: zamiast operować na pojedynczych stacjach, miasto dzielone jest na regularną siatkę kwadratów (3×3, 4×4, 5×5 km), a model uczy się przepływów między centrami tych pól. Taka konstrukcja ogranicza problem skrajnie rzadkich połączeń (liczne zera) i uwidacznia globalne wzorce mobilności, co znacząco stabilizuje uczenie i poprawia trafność prognoz na poziomie całej sieci.
Zastosowane grafowe sieci neuronowe (m.in. GCN, GAT) korzystają z cech czasowych (pora dnia, dzień tygodnia), meteorologicznych (temperatura, opady, wiatr, wilgotność) i przestrzennych (gęstość zaludnienia, odległości do metra, przystanków, szkół, parków, centrów handlowych). Autorzy porównują warianty architektury i rozmiar siatki, pokazując kompromis między rozdzielczością lokalną a stabilnością wniosków globalnych: większe kwadraty lepiej wspierają planowanie strategiczne (lokalizacja nowych stacji, pojemności), mniejsze są użyteczne operacyjnie (przygotowanie do szczytów, krótkoterminowe uzupełnianie floty).
Istotnym wkładem jest również korekta sposobu oceny jakości prognoz. Zaproponowano miarę błędu (cMAPE) odporną na artefakty w obszarach o bardzo niskich wartościach (gdzie klasyczny MAPE bywa nieadekwatny), co lepiej odzwierciedla użyteczność modeli w praktyce operatorskiej. Analiza wrażliwości wskazuje, że niektóre zmienne można upraszczać (np. prędkość wiatru), natomiast proste wskaźniki struktury grafu (np. stopień węzła) stabilizują proces uczenia.
Wnioski praktyczne są uniwersalne. Po pierwsze, połączenie GNN z agregacją przestrzenną pozwala z wysoką dokładnością przewidywać kierunki i natężenie przepływów, co przekłada się na lepsze decyzje o rozmieszczeniu stacji i floty. Po drugie, metoda jest aplikowana w innych obszarach: może zostać zastosowana w innych miastach i w innych domenach (np. militarnych), w których analizuje się przepływy zasobów w sieci (np. środków materiałowych).
Sustainable Cities and Society należy do najważniejszych tytułów na świecie w obszarze inżynierii lądowej i transportu. Wskaźnik cytowań dla czasopisma (IF) to 12.0, co pozwala zaliczyć pracę naukowców WIG do najważniejszych badań z zakresu transportu w historii polskiej nauki.
Artykuł: https://www.sciencedirect.com/science/article/pii/S2210670725003555
Druga publikacja - SoftwareX: iREbikeLANCE - platforma RL do decyzji relokacyjnych - koncentruje się na etapie decyzyjnym, tj. jak przekształcić prognozy i dane historyczne w działania operacyjne. Mjr dr iż. Igor BETKIER z WIG opracował i zaprogramował otwarte środowisko uczenia ze wzmocnieniem (RL - Reinforcement Learning) iREbikeLANCE, w którym agent planuje relokacje rowerów (skąd, dokąd, ile) tak, aby zwiększyć dostępność dla użytkowników przy kontrolowanych kosztach logistycznych. Rdzeniem rozwiązania jest algorytm PPO, wybrany ze względu na stabilność i efektywność w zadaniach dyskretnych. Środowisko symulacyjne odzwierciedla kluczowe elementy systemu: pojemności stacji, zmienny popyt, wpływ pogody oraz koszty przejazdów między lokalizacjami.
Praktycznym elementem platformy jest możliwość precyzyjnego kształtowania funkcji nagrody. Projektant polityki może regulować akcenty (np. wagi kar za puste lub przepełnione stacje, długość tras relokacyjnych, premiowanie działań wyprzedzających przed szczytami), a następnie obserwować, jak zmiany wpływają na zachowanie agenta i wskaźniki jakości. Pozwala to szybko budować i porównywać polityki o różnych celach: oszczędnościowych, dostępnościowych lub zrównoważonych.
Platforma ułatwia również weryfikację efektów poprzez porównania z prostymi heurystykami i wizualizacje postępów. Dzięki temu można ocenić, czy polityka RL rzeczywiście przewyższa rozwiązania bazowe i czy uzyskane zyski są stabilne w różnych warunkach (pory dnia, dni tygodnia, scenariusze pogodowe). Narzędzie jest zaprojektowane do rozszerzeń: możliwe jest testowanie alternatywnych algorytmów RL, nowych zestawów cech oraz adaptacji pomiędzy sezonami.
SoftwareX należy do najważniejszych tytułów na świecie w obszarze tworzenia oprogramowania. U podstaw publikowanych w nim prac leżą przełomowe badania naukowe pozwalające tworzyć praktyczne narzędzia ułatwiające pracę w wielu obszarach. Czasopismo posiada maksymalną liczbę punktów (200) na ministerialnej liście czasopism punktowanych.
Artykuł: https://www.sciencedirect.com/science/article/pii/S235271102500353X