AI plāns ilgtspējīgai mobilitātei viedpilsētās

2020.–2024. gados daudzas Eiropas pilsētas izdarīja vienu un to pašu kļūdu: tās mēģināja “salabot satiksmi” kā atsevišķu sistēmu. Rezultāts bieži bija prognozējams — atsevišķi projekti (jauna velojosla šeit, dažas uzlādes stacijas tur, atsevišķs koplietošanas pakalpojums citur), bet ne vienots, iedzīvotājiem saprotams mobilitātes piedāvājums.

Sustrans vadītājs Xavier Brice (SmartCitiesWorld sarunā) uzsver ideju, kas publiskajā sektorā izklausās vienkārša, bet praksē ir grūta: mobilitātes plānošana jāpagriež “uz otru pusi” — jāsāk nevis no transporta infrastruktūras, bet no tā, kā cilvēki reāli pārvietojas un kādu pilsētu mēs gribam būvēt. Šī doma perfekti saskan ar mūsu tēmu sēriju “Mākslīgais intelekts publiskajā sektorā un viedajās pilsētās”: ja mērķis ir uz datiem balstīta lēmumu pieņemšana, tad mobilitāte ir viena no vietām, kur AI dod vislielāko atdevi.

Šajā ierakstā es pārtulkošu Brice praktiskos uzstādījumus AI valodā: kā pašvaldībām savienot transportu un pilsētplānošanu, kā veidot dzīvotspējīgus biznesa modeļus un kā padarīt “zaļo izvēli” par vienkāršāko izvēli.

Kāpēc “vairāk EV” vien nepietiek — un ko ar to dara AI

Atbilde īsumā: elektrifikācija ir vajadzīga, bet bez aktīvās mobilitātes, koplietošanas un sabiedriskā transporta tā noslogo pilsētu telpu un budžetus; AI palīdz salāgot šos režīmus vienā sistēmā.

Brice sarunā skaidri pasaka: pilsētām vajag labāku miksu — elektroauto (EV), aktīvais transports (iešana, velobraukšana), koplietošana un sabiedriskais transports. Problēma nav tehnoloģiju trūkumā. Problēma ir tajā, ka katrs režīms bieži tiek plānots savā “kabatā”, ar saviem datiem, saviem iepirkumiem un saviem KPI.

AI kā “miksētājs”: vienots pieprasījuma skatījums

Labi ieviesta AI pieeja pilsētā sākas ar vienu jautājumu: kāds ir mobilitātes pieprasījums pa laiku, vietu un mērķi? Nevis “cik mašīnu ir uz ielas”, bet:

• cik cilvēku pārvietojas uz skolu, darbu, veselības aprūpi;
• kā mainās plūsmas sezonāli (Latvijā tas ir ļoti jūtams ziemā);
• kur rodas “pēdējā kilometra” problēmas (sabiedriskais transports + īsais posms kājām/velo);
• kur telpa ir visdārgākā (vēsturiskie centri, skolu zonas, slimnīcu apkārtne).

AI šeit strādā kā prognozēšanas un scenāriju dzinējs: tas ļauj salīdzināt nevis vienu projektu, bet vairākus “komplektus” (piemēram, ja pievieno 2 jaunas sabiedriskā transporta joslas + 3 mikromobilitātes stāvvietu zonas + dinamisku stāvvietu cenu).

Konkrēts piemērs, kas parasti strādā

Manuprāt, drošākais sākumpunkts pašvaldībai ir multimodāls koridors (piemēram, dzīvojamais rajons → centrs), kur vienlaikus tiek testēts:

1. sabiedriskā transporta prioritāte (luksoforu fāzes, joslas),
2. mikromobilitātes pieejamība (skaidri mezgli, stāvvietas),
3. gājēju drošība (ātruma režīmi, skolu zonas),
4. EV uzlāde tur, kur tā tiešām atbalsta vajadzību, nevis izskatās labi kartē.

AI vērtība: vienā panelī redzamas plūsmas un kompromisi, un lēmumus var pamatot ar datiem, nevis ar skaļāko viedokli publiskajā apspriešanā.

Integrēta transporta un pilsētplānošana: AI kā kopīga valoda departamentiem

Atbilde īsumā: integrācija notiek tad, kad visiem ir viens “pilsētas digitālais attēls” — kopīgi dati, kopīgi mērķi un kopīga atbildība.

Brice akcentē telpas ierobežojumu: pilsētai ir ierobežots ielu platums, un katra jauna funkcija konkurē ar citu. Tas ir stāsts par pilsētplānošanu tikpat daudz kā par transportu.

Ko nozīmē “AI-driven urban management” mobilitātē

Publiskajā sektorā integrācija bieži apstājas pie organizatorikas: transporta nodaļa strādā vienā ritmā, attīstības plānotāji citā, datu pārvaldība — trešajā. AI projekti izgāžas nevis tāpēc, ka modelis ir slikts, bet tāpēc, ka nav kopīga datu un lēmumu cikla.

Praktiska pieeja, kas palīdz:

• vienots mērķu komplekts (piem., drošība, pieejamība, emisijas, telpas efektivitāte);
• kopīga datu taksonomija (kas ir “ceļojums”, kas ir “mezgls”, kas ir “aizkavēšanās”);
• pilsētas digitālais dvīnis vieglā formā (ne obligāti mega projekts): kartes slāņi, plūsmu dati, infrastruktūras inventarizācija un scenāriju salīdzinājums.

“Mobilitāte nav atsevišķs pakalpojums. Tā ir pilsētas dzīves kvalitātes infrastruktūra.”

Šo frāzi varētu drukāt uz katra mobilitātes iepirkuma vāka. Ja tā kļūst par vadmotīvu, AI risinājumi dabiski iekrīt vietā: tie palīdz redzēt, kā satiksmes lēmums maina drošību, gaisa kvalitāti, komercdarbības pieejamību un sabiedrisko pakalpojumu sasniedzamību.

Ilgtspējīgi biznesa modeļi: no “projekta” uz “pakalpojumu”

Atbilde īsumā: zaļā mobilitāte kļūst finansiāli noturīga, kad pašvaldība pārstāj domāt tikai par kapitālieguldījumiem un sāk optimizēt pakalpojuma izmaksas un ieņēmumus visā dzīves ciklā.

Brice diezgan tieši pieskaras tam, ko pašvaldības bieži saka pusbalsī: naudas vienmēr ir par maz, un ilgtspējīgi risinājumi tiek uztverti kā “papildu izdevumi”. Es tam nepiekrītu. Daudzi risinājumi ir dārgi tāpēc, ka tie ir slikti mērķēti.

Kur AI palīdz budžetam (nevis tikai “inovācijai”)

AI ir praktisks instruments resursu optimizācijai, ja to piesien pie finanšu loģikas:

• maršrutu un grafiku optimizācija pēc reāla pieprasījuma (mazāk tukšu reisu, stabilāka kvalitāte pīķos);
• uzturēšanas prognozēšana (piem., segums, apgaismojums, luksofori) — mazāk avārijas remontu, vairāk plānveida darbu;
• dinamiska cenu politika (stāvvietas, atļaujas, iebraukšana zonās) ar skaidriem mērķiem: telpas atbrīvošana, nevis sodīšana;
• subsidēšanas precizēšana: atbalsts tur, kur tas pērk pieejamību (piem., savienojumi uz slimnīcu), nevis kur vienkārši “vēsturiski tā ir bijis”.

“Use case” pārbaude, pirms pērk tehnoloģiju

Ja mērķis ir LEADS (un reāli rezultāti), es iesaku katram AI mobilitātes projektam uzrakstīt vienu teikumu šādā formā:

• Mēs samazināsim [konkrētu problēmu] par [X%] 12 mēnešos, izmantojot [datu kopas] un [lēmumu procesu].

Ja nevar nosaukt problēmu, datu kopas un lēmumu procesu, tas vēl nav projekts — tā ir prezentācija.

Sabiedrības izvēles: padarīt zaļo maršrutu par vienkāršāko

Atbilde īsumā: iedzīvotāji maina paradumus, kad sistēma ir saprotama un ērta; AI palīdz personalizēt informāciju un noņemt berzi ikdienas izvēlēs.

Brice piemin ļoti cilvēcīgu principu: organizācijām un pašvaldībām jāpanāk, lai cilvēkiem ir vienkārši izvēlēties zaļo pārvietošanās veidu. Te nav runa par morāli. Te ir runa par UX.

AI mobilitātes komunikācijā (bez “lielā brāļa” sajūtas)

Labi uztaisīta datu pieeja ļauj pilsētai runāt ar iedzīvotājiem konkrēti:

• “Šonedēļ skolu zonā X visbiežākie bīstamie brīži ir 8:05–8:25. Šeit ir drošākie piebraukšanas varianti.”
• “No rajona Y uz centru ātrākais veids pīķī ir autobuss + 6 min gājiens. Šeit ir prognozētais ierašanās laiks.”

Svarīgi: privātums un datu ētika nav “juristu tēma”; tas ir uzticēšanās pamats. Anonimizācija, agregācija un skaidrs skaidrojums “kāpēc mēs šo vācam” ir obligāti.

Mazs, bet efektīvs paņēmiens: frikcijas audits

Praktiska metode, ko var izdarīt 2–3 nedēļās:

1. izvēlies 5 populārākos maršrutus;
2. izstaigā tos kā gājējs/velo/sabiedriskais;
3. fiksē 10 “kaitinošos brīžus” (pārsēšanās haoss, nav stāvvietas, neskaidras zīmes, slidenas ietves);
4. pieliec klāt datus (plūsmas, negadījumi, kavējumi);
5. uztaisi 90 dienu uzlabojumu sarakstu.

AI šeit nav tikai modelis. AI ir veids, kā prioritizēt: kas dod lielāko uzlabojumu visvairāk cilvēkiem ar vismazāko ieguldījumu.

Vietējā līderība pret “vienu recepti visiem”: ko tas nozīmē Latvijā

Atbilde īsumā: vietējām transporta autoritātēm jākļūst par sistēmas arhitektu; centrālā līmeņa loma ir standarti, finansējums un datu saderība.

Brice aizstāv ideju, ka vietējām autoritātēm jārāda ceļš, nevis jāgaida pilnībā “no augšas” noteikta pieeja. Es šeit esmu vienā pusē ar viņu. Mobilitāte ir lokāla: ielas, skolas, paradumi, topogrāfija, sniegs un atkušņi. “Viena recepte visiem” parasti izskatās glīti dokumentā un sāpīgi realitātē.

Ko publiskajam sektoram darīt 2026. gada budžeta plānošanā

Decembra beigās (tieši tagad) pašvaldības bieži ir starp “vēl vienu pilotu” un “nekā nedarīšanu”. Ir trešais variants: mazāk pilotu, vairāk produktu domāšanas.

Konkrēts rīcības saraksts:

• Datu pamati (0–3 mēneši): vienots datu katalogs mobilitātei, datu kvalitātes rādītāji, atbildīgie.
• Divi prioritāri use case (3–9 mēneši): viens par plūsmu optimizāciju (sabiedriskais/koridori), otrs par drošību (skolu zonas/ātruma kontrole).
• Mērījumi (no pirmās dienas): pirms/pēc rādītāji — kavējumi, negadījumi, noslogojums, pieejamība.
• Iepirkuma disciplīna: pērk nevis “AI platformu”, bet rezultātu ar datu prasībām un integrācijām.

Šī pieeja labi ieguļas e-pārvaldes loģikā: AI nav atsevišķs projekts, tas ir instruments labākai pakalpojumu pārvaldībai.

Ko biežāk jautā pašvaldības (un skaidras atbildes)

Vai AI aizstās transporta plānotājus? Nē. Tas aizstās daļu rutīnas aprēķinu un palīdzēs plānotājiem strīdēties par pareizajām lietām, nevis par datu tabulām.

Ar ko sākt, ja dati ir sadrumstaloti? Sāc ar vienu koridoru un vienu datu kopu, ko vari sakārtot līdz galam (piem., sabiedriskā transporta GPS + pieturu noslodze). Pierādi vērtību, tad paplašini.

Kā nepazaudēt iedzīvotāju uzticēšanos? Skaidri definē, kādi dati tiek vākti, kāpēc, cik ilgi glabājas, un ko iedzīvotājs iegūst pretī. Ja atbilde nav saprotama vienā teikumā, komunikācija nav gatava.

Nākamais solis: AI kā mobilitātes “operētājsistēma”

Brice galvenā doma — integrācija, telpas efektivitāte un vienkāršāka zaļā izvēle — ir ļoti praktiska. AI šeit nav modes vārds. AI ir plānošanas metode, kas ļauj pilsētai vadīt mobilitāti kā pakalpojumu: paredzēt pieprasījumu, salāgot režīmus, pārbaudīt biznesa loģiku un skaidrāk komunicēt ar iedzīvotājiem.

Ja tu strādā publiskajā sektorā vai ar pašvaldībām, šis ir labs brīdis (gada beigas, budžeta plāni, 2026. gada prioritātes) pārjautāt sev vienu lietu: vai mēs optimizējam atsevišķus transporta projektus, vai arī veidojam sistēmu, kas padara ilgtspējīgu pārvietošanos par noklusējumu?

Ja atbilde ir “sistēmu”, tad nākamais jautājums ir vēl konkrētāks: kuru vienu koridoru vai pakalpojumu tu izvēlēsies kā pirmo, lai AI balstīta mobilitātes pārvaldība dotu izmērāmu rezultātu 90 dienās?