– Ved å bruke kunstig intelligens som maskinlæring i tillegg til mer tradisjonelle og menneskestyrte modeller muliggjør man analyser av mye større datamengder. En maskin klarer også å fange opp mønstre og trender som de tradisjonelle transportmodellene ikke klarer. Stordata og analyser ved hjelp av maskinlæring gjør også at det er mulig å identifisere trender som er basert på menneskelige verdier og atferd, sier Julia Obrovac, leder av Future Ready-programmet i WSP.

I metodene WSP har utviklet ser man i tillegg til de tradisjonelle dataene på helt nye data, sjelden eller aldri før anvendt i transportsammenheng:

– Maskinlæring hjelper oss med å utforske ny innsikt, for eksempel hvordan menneskelige verdier og endringer i verdier over tid påvirker reiseatferd. Eksempler på slike verdier kan være grad av idealisme, materialisme eller endringsvillighet. Disse verdiene har ikke tidligere blitt inkludert som en standard del av tradisjonell metodikk på grunn av empiriske vanskeligheter, men er veiledende prinsipper for folks atferd, og spiller viktigere roller i reisevalg enn for eksempel kjønn, utdanning og bosted. Vi ser at vi ved å bruke maskinlæring og stordata i tillegg til de tradisjonelle metodene kan forutse fremtidens transportmiddelvalg med hele 10% mer treffsikkerhet. Samtidig får man avdekket skjulte eller kompliserte mønstre som tradisjonelle metoder ikke klarer å fange opp, forteller Sida Jiang, ekspert maskinlæring i WSP.

I deler av arbeidet har WSP blant annet hentet informasjon fra sosiale medier.

– Vi ser at menneskers holdninger og verdier påvirker beslutninger knyttet til transportmiddelvalg, og at sosiale medier er et godt sted for å forstå både atferd og endringer i disse over tid. Sosiale medier spiller en stadig viktigere rolle i å forme holdninger og verdier, og gir oss en bedre forståelse av hva folk er opptatt av og hvilke behov de har til transport og mobilitet. Prosjekter som dette lar offentlige transportmyndigheter forstå og iverksette tiltak som tetter gapet mellom deres transporttilbud og samfunnets transportbehov, forteller Desmond Wright, digital lead i WSP Rail Advisory. ​

Jon Robert Dohmen, som har vært prosjektleder for trendovervåkning i Jernbanedirektoratet, forteller hvordan funnene i prosjektet vil være til nytte for fremtidige investeringer:

– Jernbanedirektoratets samfunnsoppdrag er å oppnå en effektiv, sikker og miljøvennlig jernbanesektor, og vi skal legge samfunnsøkonomiske lønnsomhetsvurderinger til grunn for vår virksomhet. Tiden vi lever i preges av økende grad av kompleksitet og usikkerhet, og det krever at vi følger samtiden ved å utvikle nye metoder og verktøy. De oppløftende resultatene fra dette trendovervåkningsprosjektet gir oss nå forbedret støtte til transportmodeller ved å inkludere holdningsendringer som påvirker atferden til trafikanter. Vi kan også måle holdninger til aktuelle trender over tid, samt vurdere årsakssammenhenger av utvalgte trender ved å simulere disse i en systemmodell med megatrender. Prosjektet har strukket seg langt og utforsket mulighetene for å avdekke «sorte svaner», og vurdere når en hypotese eller et scenarioer er i ferd med å slå til. Alt dette gir oss anledning til å lage bedre beslutningsgrunnlag og mer jernbane for pengene, avslutter han.