Jag gav en av mina kodningsagenter en till synes enkel uppgift:
analysera framkomligheten för SL-buss 163 (Bredäng–Kärrtorp) – hitta problemen och föreslå lösningar.
Jag hade sedan tidigare gjort en punktlighetsanalys på hög nivå, men nu ville jag gräva lite djupare.
Vad agenten gjorde med viss vägledning:
– Analyserade punktlighet per hållplats samt bidrag till förseningar
– Laddade ner en månads GPS-positioner för alla körningar på linje 163
– Laddade ner ett dataset med positioner för trafiksignaler för att veta när stillastående (troligen) beror på rödljus
– Identifierade följande huvudproblem: 67% av stillastående är inom 50m från trafiksignal, särskilt i en ”hotspot” vid Bandhagen
– Formulerade hypotesen: ”om bussen ruttas om förbi Bandhagen-segmentet sparas ≈5–8 min per resa”.
– Körde Monte Carlo-simulering för att utvärdera resultatet av de föreslagna ändringarna
– Den noterade att det ser bra ut rent puntlighetsmässigt, men även ”hur många människor förlorar då sin närmsta busshållplats?”
Jag föreslog att den skulle leta upp lite befolkningsdata med hög upplösning, vilket den gjorde = ca 8000 arbetsföra människor.
Agentens slutsats: ruttomdragning kostar för mycket socioekonomiskt. Signaloptimering ger samma tidsvinst utan att straffa 8 000 pendlare.
Detta är ”agent analytics” och det kommer bli stort i framtiden!
En uppgift som hade tagit en erfaren analytiker dagar eller veckor — utforska datakällor, kalibrera mellan format, korsvalidera mot tre modeller, bygga kartor, skapa visualiseringar, skriva PDF — gjordes på några timmar. Av en agent som själv valde verktyg, identifierade luckor, och resonerade kring trade-offs.
#kodningsagenter #öppendata #SL #agentanalytics
