Проблема оплаты проезда на транспорте актуальна сегодня для каждого российского региона. В 2021 году контролеры в московском метро и на наземном транспорте поймали 250 тысяч безбилетников, включая тех, кто пользовался чужой социальной картой. Зачем нужна видеоаналитика на общественном транспорте и какая от нее польза, рассказывает генеральный директор «Ситиматикс» Алексей Худолеев.

В России городской транспорт по большей части представлен автобусами, троллейбусами, трамваями, такси и маршрутными такси. И проблема безбилетного проезда важна для каждого из них — в зависимости от региона его доля может составлять от 15% до 50%.

Пассажироперевозками занимаются сегодня как коммерческие, так и муниципальные предприятия. В каждом из этих случаев контроль факта оплаты и подсчет количества перевезенных пассажиров – основной инструмент увеличения дохода и снижения нагрузки на городской бюджет.

Если исключить такие «ламповые» методы подсчета пассажиропотока, как установка турникетов и работа контроллеров, наиболее оптимальным и эффективным решением являются интеллектуальные системы видеонаблюдения. Они позволяют с высокой точностью не только определять количество перевезенных пассажиров, но и собирать массу другой полезной информации.

Качество видеоаналитики значительно выросло за последние несколько лет, так как резко возросла точность компьютерного зрения. Количество ошибок при маркировке изображений компьютерного зрения за последнее десятилетие сократилось более чем в 10 раз до 2,5%.

В числе уже знакомых примеров применения интеллектуальной видеоаналитики — системы биометрической идентификации в общественном транспорте, которая делает поездки более комфортными для горожан. Одна из передовых систем — оплата face-to-face. Она уже используется в Сингапуре, Дубае и Лондоне. Установленные в зоне турникета контроллеры доступа с технологией распознавания лиц «считывают» биометрические данные пассажира и автоматически списывают с его счета стоимость поездки. В прошлом году система Face Pay заработала на всех линиях московского метро. Пассажирам не нужны ни карты, ни смартфоны — достаточно посмотреть в камеру на специальном турникете, чтобы он открылся. Деньги за проезд спишутся автоматически. При этом не нужно прикасаться ни к смартфону, ни к каким-либо другим поверхностям.

Видеокамеры – это «глаза» систем подсчета пассажиропотока и главные источники данных в умном городе. Будучи установленными на транспорте и объединенные с технологиями искусственного интеллекта и машинного обучения, они позволяют собирать и анализировать информацию в реальном времени. Благодаря компьютерному зрению видеопоток становится источником ценных данных и предупреждений о нарушениях в режиме онлайн.

Интеллектуальные системы видеонаблюдения на транспорте дают существенные преимущества для пассажиров, перевозчиков и транспортных агентств. Современные системы видеоаналитики повышают уровень безопасности и комфорта пассажирских перевозок: специальные детекторы подсчитывают количество людей в салоне, находят забытые вещи, реагируют на аварийные и опасные ситуации, контролируют действия водителя во время движения. В качестве детектора выступает видеокамера. А видеокамеры — это, пожалуй, наиболее широко распространенные источники данных для Интернета вещей и самые качественные, т.к. с помощью видеоизображения вы получаете огромное количество информации.

В зависимости от типа решения, обработка данных может производится на борту аппаратно-программного комплекса или в облаке. В первом случае это происходит более оперативно, а в случае интеграции с системой оплаты проезда, позволяет оперативно выявлять на каком маршруте, в каком конкретно транспортном средстве сейчас есть «зайцы». Во втором – обработка данных происходит постфактум, но позволяет быстрее обучать нейросеть за счет получения и анализа данных с большого количества устройств.

Сколько денег теряют перевозчики пассажиров

Прибыль компании — это всего 2-3% от стоимости билета, то есть если проезд стоит 50 рублей, то перевозчик получает только полтора рубля. Остальные средства идут за аренду транспорта, оплату труда, топливо и обслуживание. Единственный способ увеличить прибыль — оптимизировать расходы и увеличить количество входящих платежей, это работает безотказно почти в любом бизнесе.

Для городских и частных перевозчиков одна из актуальных проблем — безбилетный проезд в общественном транспорте. Например, в Ярославле около 40% пассажиров не оплачивают проезд. В Перми — 17%. В Твери раньше тоже было 40% «зайцев», но после внедрения автоматизации контрольных проверок снизился до 10-12%.

Представим, что у компании 30% безбилетников, на одном автобусе в течение дня ездит 5000 человек, а проезд стоит 30 рублей. Если 1500 человек не оплатит проезд, то это 45 000 рублей в день, или 1,35 млн в месяц. Учитывая, что выручка будет 2%, то компания недополучает 27 тысяч рублей каждый месяц с одного транспортного средства. Подсчет пассажиропотока на транспорте в реальном времени с использованием нейросетевой видеоаналитики – один из инструментов решения этой проблемы.

Сегодня точность систем распознавания доходит до 99,9%. Это фактически исключает возможность ошибки и дает в руки транспортных операторов и города мощный инструмент повышения эффективности транспортной инфраструктуры города. Благодаря широким возможностям аналитики заказчики получают гибкий инструмент для решения широкого круга задач — безопасность, контроль оплат, оптимизация маршрутной сети, снижение затрат на содержание транспортного парка и ГСМ и много другого.

Как работает видеоаналитика

Почти во всем транспорте установлены системы видеонаблюдения. В основном они только записывают происходящее в салоне для обеспечения безопасности. Но помимо этого возникает и много других проблем, которые камера в чистом виде уже не решит. Ситуационная видеоаналитика может использовать видео с уже установленных камер, поэтому, как правило, не приводит к дополнительным затратам.

В комплексную систему интегрировано компьютерное зрение — набор технологий, которые распознают любые объекты — людей, животных, багаж, оставленные вещи и их характеристики. Системы интеллектуальной видеоаналитики позволяют настроить работу нейросети для решения практически любых задач, которые есть у организаторов перевозок. Цель компьютерного зрения состоит в том, чтобы машина понимала мир и предоставляла информацию для автоматизации процессов на основе этих данных.

Если традиционная видеоаналитика использует подходы, основанные на компьютерном зрении, то решения следующего поколения больше полагаются на методы глубокого обучения (deep learning). Использование этих методов на графических процессорах (GPU) обеспечивает беспрецедентную точность, скорость и функциональность.

По сравнению с другими технологиями подсчета пассажиров, такими как инфракрасное стереоскопическое детектирование или ToF-технология, которая выполняет оценку расстояний до объекта по времени пролета светового импульса до объекта и обратно, решения на базе нейросетевой видеоаналитики обладают возможностью гибкой настройки и масштабирования, а также предоставляют гораздо больше информации и сценариев использования.

По своей сути видеоаналитика основана на стандартных задачах компьютерного зрения, включая классификацию изображений, обнаружение, распознавание и отслеживание объектов. Для решения задач видеоаналитики рекомендуется использование сетей, которые эффективно решают эти задачи, часто с использованием сверточных нейронных сетей. Последовательные кадры с данными обычно проходят через эти сети для получения интересующих результатов. Высокопроизводительные приложения построены на конвейерах, которые оптимально снабжают нейронные сети декодированными видеокадрами в требуемом разрешении и формате для максимальной пропускной способности.

Важную роль играет программное обеспечение для видеоаналитики. При помощи Deep Learning и искусственного интеллекта, система выявляет, извлекает и классифицирует все объекты в видеокадре и структурирует эти данные, что делает их доступными для поиска и количественных оценок.

Какие проблемы решает аналитика в транспорте

Переполненность транспорта. Обычно это происходит в час пик, и переизбыток пассажиров может ухудшать характеристики транспортного средства и негативно влиять на комфорт и безопасность пассажиров. Камера автоматически подсчитывает количество людей и выдает водителю предупреждение при достижении лимита. В идеальном мире эта информацию еще может транслироваться в мобильное приложение пассажиров или на информационное табло на остановке, чтобы уведомлять людей о заполненности салона и дать возможность планировать свой маршрут заранее.

Приведем пример: автобус №12 вмещает в себя 50 человек и ходит каждый час по маршруту от А до Б. Всего на рейсе 2 транспортных средства. При этом есть еще два других автобуса с похожим маршрутом, но ездят они в два раза чаще. В среднем в одно время на автобусе №12 едут 15 человек. Получается, что компания неэффективно использует большое транспортное средство и ей будет выгоднее заменить одно большое на два поменьше и пустить в рейс уже четыре транспорта.

Благодаря аналитике данных о пассажиропотоках можно максимально эффективно распределить транспорт, оптимизировать маршрутную сеть, обеспечить максимальное удобство для пассажиров при пользовании общественным транспортом, тем самым повысив интерес и лояльность к нему. Можно эффективно планировать маршрутную сеть, остановки общественного транспорта и даже плановую вместимость транспортных средств на тех или иных маршрутах».

Оптимизация затрат и маршрутов. Используя данные систем, перевозчик может увеличить количество выходов на маршруте в пиковые часы. С помощью аналитики пассажиропотока можно оптимизировать расходы, в том числе и за счет замены текущего транспортного средства на менее вместительное, чтобы снизить себестоимость выхода в непиковые время. Либо, наоборот, запустить автобус побольше, чтобы в час пик всех вместить. Также это позволяет замедлить износ и амортизацию транспортного средства.

Контроль безбилетного проезда. По мнению экспертов, при отсутствии кондуктора более 20% пассажиров не покупают билет. И если для малозагруженных маршрутов это может быть не таким критичным, то при пассажиропотоке порядка 500 человек в день и стоимости проезда, например, 30 рублей, недополученная выгода составляет 3 тысячи рублей с одного автобуса в день. В данном случае инновации очень быстро окупаются – за 3-5 месяцев — и позволяют в короткий срок вывести операционные показатели перевозчика на новый уровень.

Как работает аналитика

При интеграции с системой оплаты проезда (АСОП) платформа может сопоставлять количество пассажиров с фактическими платежами. Если данные об оплате не поступили, система оперативно информирует водителя, контроллера, кондуктора и так далее. Можно оперативно вызвать мобильную группу контрольно-ревизорской службы (КРС) для выяснения причины безбилетного проезда.

Оплату проезда программа проверяет по следующему алгоритму. Транспортное средство выходит на маршрут. Система фиксирует входящих и выходящих на каждой остановке. Данные передаются в дата-центр и сравниваются с поступлением оплат. Формируется отчет по маршруту.

Чтобы понять, на какой остановке человек вошел, а на какой — вышел, нужно выяснить, один и то же ли это пассажир. Для этого необходима технология реидентификации и интеграция с навигационной системой. Реидентификацию можно использовать на городских маршрутах в случае, когда зашедшие пассажиры в салон и стоящие у выхода пропускают выходящий пассажиров, выходя вместе с ними из салона и заходя снова. Такое часто встречается в час пик, когда салон переполнен.

«Если в транспорте предусмотрена оплата проезда в зависимости от пройденного маршрута, то наше решение Tracktice анализирует, сколько остановок проехал человек и сколько это стоит. Это позволяет получать отчет не только о количестве перевезенных, но и о заработанных деньгах», — комментирует Алексей Худолеев.

Технологии, основанные на нейросетевой аналитике видеопотока, обеспечивают высокую точность при любых погодных условиях, при любом освещении и при большом потоке пассажиров и нестандартных сценариях прохода. Благодаря нейросетям у перевозчика появляется возможность для определения типов объектов (коляска, велосипед и т.д.) и подтверждения нужной тарификации.

Новая эра транспортной инфраструктуры

Умный транспорт — один из центральных элементов инфраструктуры умного города. Городское население продолжает расти, умные камеры становятся повседневной реальностью — они помогают городам и регионам улучшать мобильность и повышать эффективность. Именно поэтому переход к эффективному управлению городским транспортом уже не задача завтрашнего дня, а реалии, с которыми каждый из нас сталкивается каждый день.

Интеллектуальная видеоаналитика помогает оптимизировать системы общественного транспорта за счет уменьшения заторов на дорогах и разумного распределения в соответствии с загруженностью маршрутов – жители и гости города быстрее добираются туда, куда они направляются, тратят меньше времени на дорогу.