Matka-ajan ajantasainen ennustaminen

ESPOO 2004 TUTKIMUSRAPORTTI RTE474/04 Matka-ajan ajantasainen ennustaminen Pilottikokeilu Satu Innamaa VTT RAKENNUS- JA YHDYSKUNTATEKNIIKKA

Matka-ajan ajantasainen ennustaminen Pilottikokeilu Satu Innamaa VTT Rakennus- ja yhdyskuntatekniikka Tutkimusraportti RTE474/04 Espoo 2004

Satu Innamaa 2004. Matka-ajan ajantasainen ennustaminen. VTT, Rakennus- ja yhdyskuntatekniikka, Tutkimusraportti RTE474/04. 26 s. Avainsanat Matka-aika, liikenteentiedotus, neuroverkko, mallintaminen TIIVISTELMÄ Tutkimuksen tavoitteena oli kuvata ajantasainen malli, joka ennusti matka-aikaa kaksikaistaiselle päätiejaksolle kenttämittausten perusteella. Tutkimus jakautui kahteen osaan: Ensin arvioitiin ennustemallin toimintaa pilottikokeilun perusteella. Tämän jälkeen selvitettiin, voitaisiinko mallin toimintaa parantaa tilanteissa, joissa tulokset eivät olleet tyydyttäviä. Ennustemallit perustuivat monikerrosperseptronineuroverkkoihin. Arvioinnin päätulokset osoittivat, että ennustemalli oli parempi kuin nykyinen, ei-ennustava järjestelmä. Erään tieosan ennustemalli ei kuitenkaan suoriutunut tehtävästään pilottikokeilun aikana yhtä hyvin kuin mallin tekovaiheen tulosten perusteella odotettiin. Tämä saattoi olla seurausta siitä, että ruuhkailmiö oli muuttunut hieman. Mallin jatkokehityksen päätulokset osoittivat, että mallia voitiin parantaa huomattavasti, kun neuroverkko opetettiin uudella aineistolla. Tutkimuksen tärkein johtopäätös oli, että jopa yksinkertainen malli, joka tekee lyhyen aikavälin matka-aikaennusteita neuroverkon avulla, parantaa matkaaikatiedon laatua huomattavasti verrattuna suoraan mittauksiin perustuviin matka-aikaarvioihin. 3

Satu Innamaa 2004. Matka-ajan ajantasainen ennustaminen. [Online prediction of travel time Experience from a pilot trial] VTT Technical Research Centre of Finland, Building and Transport, Research Report RTE474/04. 26 p. Keywords Travel time, traffic information, neural networks, modeling ABSTRACT This study was designed to present an online model, which predicted travel time for an interurban two-lane two-way highway section based on field measurements. The study included two parts. First, the performance of the pilot version of the prediction model was evaluated based on a trial period. Second, the possibility to improve the model in case of its unsatisfactory performance was examined. The prediction model was based on multilayer perceptron neural networks. The main results of the evaluation showed that the prediction model outperformed a non-predictive system. However, the prediction model for one section had not performed as well during the pilot trial period as was expected based on offline results. This might be due to a slight change in the congestion phenomenon. The main results of the further development showed that the model could be improved considerably when the neural network was trained with new data. The main implication of this study was that even a simple prediction model making short-term forecasts of travel time with neural networks improves the quality of travel time information substantially compared with an estimate based directly on latest measurements. 4

ALKUSANAT Liikenne- ja viestintäministeriö sekä Tiehallinto rahoittivat tutkimuksen matkaajan ajantasaisesta ennustamisesta. Tutkimus oli osa ministeriön Liikennetelematiikan rakenteiden ja palvelujen tutkimus- ja kehittämisohjelmaa (FITS) 2001 2004. Tutkimuksen tekemisestä vastasi Satu Innamaa VTT Rakennus- ja yhdyskuntatekniikasta. Mallien uudelleen ohjelmoinnista vastasi Mikko Kallio VTT:ltä. Tutkimuksen etenemistä valvoi asiantuntijaryhmä, johon kuuluivat Seppo Öörni liikenne- ja viestintäministeriöstä, Sami Luoma, Jyri Mustonen, Mauri Pyykönen ja Jyri Vilhunen Tiehallinnosta, Matti Pursula Teknillistä korkeakoulusta sekä Risto Kulmala VTT:ltä. Neuraalilaskennassa on hyödynnetty CSC Tieteellinen laskenta Oy:n myöntämiä resursseja. 5

Sisällysluettelo TIIVISTELMÄ...3 ABSTRACT...4 ALKUSANAT...5 1 JOHDANTO...9 2 AINEISTO JA MENETELMÄT...11 2.1 Tutkimuskohde...11 2.2 Aineisto...12 2.3 Ennustemallit...12 3 TULOKSET...16 4 MALLIN JATKOKEHITYS...22 5 TULOSTEN TARKASTELU...25 LÄHDELUETTELO...26 7

1 Johdanto Tienkäyttäjä arvioi henkilökohtaisella tasolla tieosan tai tietyn liikennejärjestelmän osan liikennevirran sujuvuutta sillä perusteella, kuinka häiriöttä ja odotustensa mukaisesti hän voi matkata. Tärkein objektiivinen liikennevirran sujuvuuden mittari on matka-aika (Luoma 1998). Tieverkon välityskykyä voidaan käyttää tehokkaasti hyväksi antamalla tienkäyttäjille ajantasaista liikennetietoa. Ennen matkan alkua saatu tieto vaikuttaa pääasiassa reitinvalintaan ja ajoitukseen, kun taas matkan aikana saatu tieto vaikuttaa reitinvalinnan ja ajotapaan. Alan julkaisuissa on esitelty vain harvoja ajantasaisesti toimivia matka-ajan ennustemalleja. EU:n DACCORD-projektissa tutkittiin induktioilmaisintietoon perustuvia ajantasaisia lyhyen aikavälin matka-ajan ennustemalleja (van Grol, Danech-Pajouh, Manfredi & Whittaker 1999; van Grol, Lindveld, Manfredi & Danech-Pajouh 1999; Lindveld ym. 2000). Kolmea menetelmää kokeiltiin kolmessa hyvin varustellussa moottoritiekohteessa. Tutkimuksen tekijät arvioivat, että matka-aikaennusteiden laatu oli riippuvainen liikennevirran ominaisuuksista. Sellaisissa kohteissa, joissa liikenneolosuhteet olivat suhteellisen vakaat, voitiin soveltaa melko yksinkertaisia menetelmiä. Tulokset osoittivat, että induktioilmaisimiin perustuvilla ajantasaisilla matka-aika-arvioilla voitiin saavuttaa noin 10 prosentin virhetarkkuus kohtalaiseen ruuhkaan asti. Ajantasaisilla menetelmillä oli kuitenkin vaikeuksia sopeutua liikenteenseurantajärjestelmien toiminnalliseen suorituskykyyn. Tutkimuksen tekijät päättelivät, että kokeillut matka-aikaennustemallit eivät joko olleet riittävän vakaita käytettäviksi tuotantoympäristössä tai niitä ei voitu kunnolla koetella, koska testikohteessa ei esiintynyt ruuhkaa. Toinen ajantasainen sovellus oli malli, joka teki lyhyen aikavälin matka-aikaennusteita moottoritiejaksolle Floridassa ja esitti ne ajantasaisesti Internetissä (Ishak & Al-Deek 2002; Al-Deek 2003). Ennuste tehtiin epälineaarisella aikasarjamallillilla, joka sai tiedot tiheästi asennetuilta induktioilmaisimilta. Suurin osa havainnoista tuotti korkeintaan 10 prosentin virheen, kun taas kaiken kaikkiaan keskivirhe oli 0,01 prosenttia ja standardipoikkeama 6,2 prosenttia. Tulokset osoittivat, että mallin hyvyys huononi nopeasti liikenteen ruuhkautuessa. Pahassa ruuhkassa virheet olivat suuruudeltaan 25 30 prosenttia. Virheet vaihtelivat -0,25 minuutista +0,50 minuuttiin mailia kohti. Molemmat yllä mainitut tutkimukset liittyivät moottoritiekohteisiin, joissa oli korkealaatuinen induktioilmaisimiin perustuva liikenteenseurantajärjestelmä. Tuloksia ei kuitenkaan voi yleistää sellaisenaan kaksikaistaisille teille, joilla on suhteellisen pieni välityskyky ja jotka on harvoin varustettu vastaavantasoisilla seurantajärjestelmillä kuin yllä mainittujen tutkimusten vilkasliikenteiset moottoritiet. 9

Tämä raportti kuvaa ajantasaista mallia, joka teki lyhyen aikavälin matkaaikaennusteita kaksikaistaiselle päätiejaksolle. Ennusteet perustuivat matkaaikojen ja pistekohtaisten liikennettä kuvaavien suureiden kenttämittauksiin. Tutkimus koostui kahdesta vaiheesta: Ensin ennustemallin hyvyys arvioitiin pilottikokeilun perusteella. Mallin hyvyyttä verrattiin aiempiin mallin tekovaiheessa saatuihin tuloksiin. Lisäksi tuloksia verrattiin sellaisen ei-ennustavan järjestelmän tuloksiin, joka arvioi matka-aikaa suoraan viimeisten mittaustulosten perusteella. Tutkimuksen toisena osana selvitettiin mahdollisuutta parantaa mallin suoritusta tilanteissa, joissa ennusteiden ei arvioitu olevan tyydyttäviä. Mallin heikkouksia parannettiin tämän jatkokehitystyön avulla. 10

2 Aineisto ja menetelmät 2.1 Tutkimuskohde Tutkimus suoritettiin valtatiellä 4 Lahden ja Heinolan välisellä tieosuudella. Tutkimuskohde oli 28 kilometriä pitkä kaksikaistainen päätie, jolla oli suunnittain vaihteleva ohituskaista. Keskimääräinen kesän vuorokausiliikennemäärä oli noin 17 000 ajoneuvoa (Tiehallinto 2001). Koska kohde sijaitsi kahden moottoritien välissä, ruuhka oli ongelma liikenteen huipputuntien aikana. Tieosa oli varustettu automaattisella matka-aikojen seurantajärjestelmällä. Järjestelmä perustui kuvankäsittelyyn ja neuroverkkosovellukseen, joka luki automaattisesti rekisterikilpiä (Eloranta 1999). Kamerailmaisimet oli asennettu neljään poikkileikkaukseen (A D, kuva 1) ja induktioilmaisin yhteen poikkileikkaukseen (C) tiejaksolla. Ennusteen tekemisessä voitiin hyödyntää edellä mainittujen ilmaisimien lisäksi induktioilmaisimia, jotka sijaitsivat 11,9 kilometriä paikan A eteläpuolella ja 9,1 kilometriä paikan D pohjoispuolella lähellä sijaitsevien kaupunkien toisella puolen. Muuttuvat opasteet, jotka oli sijoitettu 4,2 kilometriä paikasta A etelään ja 1,5 kilometriä paikasta D pohjoiseen, kertoivat suunnittain odotettavissa olevan matka-ajan kohteena olevaan kaupunkiin. Camera station Heinola Lahti 9.1 km B 8.7 km C 10.3 km Camera station D 9.1 km Inductive loop detector 11.9 km A Inductive loop detector Kuva 1. Kaistojen lukumäärät, tieosien pituudet ja liikenteen seurantalaitteet tutkimuskohteessa. 11

2.2 Aineisto Pilotin ennustemalli (Innamaa 2002) perustui noin neljän kesäkuukauden aikana vuosina 2000 ja 2001 koottuun aineistoon (opetusvaiheen aineisto). Yöajan (22:00 08:00) havainnot poistettiin aineistosta pienen liikennemäärän vuoksi. Matka-aika-aineistona käytettiin automaattisen mittausjärjestelmän tuottamaa raaka-aineistoa. Se sisälsi tieosalla pysähtyneet tai siltä poikenneet ajoneuvot sekä virheelliset matka-aikahavainnot, jotka olivat seurausta rekisterikilpien väärinlukemisesta. Näitä raaka-aineiston poikkeavia yksittäisiä matka-aikahavaintoja ei suodatettu ajantasaisesti, koska havaintojen määrä tiedonhakujaksoa kohti ei ollut riittävä sen arvioimiseen, mitkä havainnot olivat todellisia ja mitkä poikkeavia. Ennustemallin täytyi ottaa huomioon ajantasaisessa toiminnassa esiintyvät viiveet. Malli haki viiden minuutin välein sekä yksittäiset matka-aikahavainnot että keskiarvotiedot induktioilmaisimilta. Matka-ajan mittaaminen aiheutti viiveen, joka oli yhtä pitkä kuin matka-aika itse. Matka-aikatiedon tiedonsiirtoviive oli sitä vastoin hyvin pieni. Induktioilmaisintieto saatiin tavallisesti 10 15 minuutin viiveellä. Matka-aikaennustemallia ajettiin ajantasaisesti, ja tieto ennusteista ja liikenteen mittaustiedoista koottiin lokeihin. Tutkimuksessa käytettiin 14 kuukauden aikana koottuja lokeja (arviointivaiheen aineisto). Suoraan mittauksiin perustuvan matkaaikatiedon (ei-ennustava järjestelmä) lokit koottiin vertailuaineistoksi samalta aikajaksolta vuosilta 2002 ja 2003. Tutkimuskohteeseen asennettiin pilottikokeilujakson alussa kesäkuussa 2002 muuttuva opaste, joka antoi ruuhkaolosuhteissa tietoa vaihtoehtoisesta reitistä rinnakkaistiellä. Tämä tieto sai aiempaa useamman ajoneuvon valitsemaan vaihtoehtoisen reitin ja siten muutti ruuhkailmiötä hieman. 2.3 Ennustemallit Ennustemallit tehtiin monikerrosperseptronineuroverkkoina (Innamaa 2002). Neuroverkkojen rakenteen perusperiaatteet perustuivat Innamaan ym. (2002) kokemuksiin. Piilokerrosten määräksi asetettiin yksi, ja piiloneuronien määrä valittiin siten, että opetusjoukon havaintojen määrä oli vähintään viisi kertaan estimoitavien parametrien määrä. Piiloneuronien maksimimääräksi asetettiin kuitenkin 20, jotta opetusprosessi saatiin pidettyä nopeana ja neuroverkkojen rakenne yksinkertaisena. Syöteaineisto normeerattiin siten, että sen keskiarvoksi tuli nolla ja keskihajonnaksi yksi. Piilokerroksen aktivaatiofunktioksi valittiin hyperbolinen tangentti ja vastekerroksen lineaarinen funktio. Neuroverkot opetettiin Fletcher-Reevesin päi- 12

vityksellä, joka kuuluu konjugaatti-gradienttimenetelmiin (Demuth & Beale 1998). Matka-aikaa ennustettiin sekä pohjoiseen menevälle tiejaksolle AD että etelään menevälle tiejaksolle DA. Ennustemallit antoivat vasteena niiden ajoneuvojen mediaanimatka-ajan, jotka olivat aloittamassa tieosan ennusteen tekohetkeä seuraavan viiden minuutin aikana. Syötteinä käytettiin viimeisiä mittauksia. Käytettävissä olevia syötemuuttujaehdokkaita olivat viimeksi mitattu mediaanimatkaaika eri osalinkeille sekä liikennemäärä ja keskinopeus induktioilmaisimilla. Muuttujat valittiin syöteaineistoon sillä perusteella, kuinka hyvin ne korreloivat ennustettavan matka-ajan kanssa. Nämä korrelaatiokertoimet määritettiin ruuhkan aikana kootuista havainnoista. Syöteaineistosta poistettiin matka-ajat sellaisilta osalinkkeiltä, jotka eivät olleet koskaan ruuhkautuneet aineiston keruujakson aikana, koska nämä matka-ajat korreloivat heikosti ennustettavan matka-ajan kanssa (korrelaatiokerroin alle 0,2). Ne muuttujat, joiden korrelaatiokerroin oli tätä raja-arvoa korkeampi, valittiin syötteeseen. Pohjoiseen menevän tiejakson AD matka-ajan ennustemallin syöte koostui kaikkien muiden paitsi osalinkin CD matka-ajoista, keskinopeudesta paikassa C ja liikennemäärästä induktioilmaisimilla paikan A eteläpuolella, läheisen kaupungin toisella puolen ennen osuutta. Etelään menevän tiejakson DA matka-ajan ennustemallin syöte taas koostui paikasta D alkavien osalinkkien matka-ajoista sekä liikennemäärästä paikassa C ja paikan D pohjoispuolella, läheisen kaupungin toisella puolen ennen osuutta. Syöteaineisto koottiin kolmen viiden minuutin havainnon aikasarjasta, eli kolme viimeistä mediaania annettiin syötteenä. Opetuksessa matka-aikatiedon siirtoviiveenä pidettiin nollaa ja pistekohtaisen tiedon kymmentä minuuttia. Koska jokainen peräkkäinen viiden minuutin jakso ei sisältänyt havaintoja jokaiselta ilmaisimelta, syötteille piti kehittää päivityssääntö, jotta malli voisi toimia joustavasti pienistä aineistokatkoksista huolimatta. Tästä syystä osalinkkien matka-aika päätettiin pitää muuttumattomana, kunnes uusi arvo mitattiin. Jos mediaani perustui useamman kuin yhden ajoneuvon matka-aikaan, syötesuureen arvo päivitettiin. Kahden havainnon mediaaniksi valittiin arvoista pienempi. Jos mediaani perustui ainoastaan yhden ajoneuvon matka-aikaan, syötesuureen arvo päivitettiin silloin, kun se erosi edellisestä arvosta korkeintaan 20 prosenttia. Tällaisella menettelyllä pyrittiin rajoittamaan yksittäisen poikkeavan arvon vaikutusta syötteeseen. Joskus tiedonkeruukatkokset olivat pitkiä ja syötesuureen arvo piti todeta tuntemattomaksi. Jokaista ilmaisinyhdistemää vasten tehtiin erillinen neuroverkko, koska mallin pitäisi kyetä ennustamaan myös tilanteissa, joissa kaikki ilmaisimet eivät toimi. Jos siis tiedonkeruukatkoksen pituus oli korkeintaan 30 minuuttia, syötteen arvo pidettiin muuttumattomana, kunnes saatiin uusi mittaustulos. Jos 13

taas katkos oli 30 minuuttia pidempi, ennuste tehtiin neuroverkolla, joka oli opetettu ilman kyseistä puuttuvaa tietoa. Matka-aikaa ei ennustettu, jos liian moni tai yksikin kriittinen ilmaisin oli poissa toiminnasta, koska järjestelmän uskottavuuden kannalta oli olennaisen tärkeää, ettei liian epävarmoja ennusteita näytetty. Mallin hyvyyden tärkeimpänä mittarina pidettiin oikein ennustettujen matka-aikojen osuutta ruuhka-aikana, kuten Innamaa (julkaistavaksi esitetty) suositteli. Ennuste tulkittiin oikeaksi, jos mitattu arvo oli 10 prosentin virhemarginaalin sisällä siitä. Liikennevirtaa pidettiin ruuhkautuneena, jos nopeus laski alle 75 prosenttiin 100 km/h vapaasta nopeudesta. Ne neuroverkot, jotka olivat alle 60 prosenttia ruuhka-ajasta oikeassa mallin tekovaiheessa (opetusvaihe), jätettiin pois. Tästä oli seurauksena, että pohjoiseen menevän tiejakson AD matka-aikaa ennusti 10 neuroverkkoa ja etelään menevän tiejakson DA 13 neuroverkkoa. Neuroverkot opetettiin Matlab-ohjelmistolla, mutta ne ohjelmointiin uudelleen ennen mallin soveltamista ajantasaisesti. Tämä uudelleenohjelmointi tehtiin Lab- VIEW-ohjelmointikielellä. Ennustemalli toimi kuvan 2 mukaisesti ja sen käyttöliittymä on esitetty kuvassa 3. Luetaan ajoneuvokohtaiset matka-ajat Lasketaan linkkikohtaiset mediaanit Luetaan LAM-tiedot Tarkistetaan syötesuureet Valitaan käytettävä malli Normeeraus Neuraalilaskenta eli ennusteen teko Käänteinen normeeraus eli ennusteen muuttaminen normaaliin muotoon Kuva 2. Toimintakaavio ennusteen tekemiselle. 14

Kuva 3. Pilottiversion käyttöliittymä järjestelmälle, joka teki ajantasaisia lyhyen aikavälin matka-aikaennusteita. Ennusteet esitettiin viivoin ja kenttämittaushavainnot pistein molemmille suunnille. 15

3 Tulokset Kaikkia eri ilmaisinyhdistelmille tehtyjä malleja (pohjoiseen menevälle tiejaksolle AD 10 neuroverkkoa ja etelään menevälle tiejaksolle DA 13) ei käytetty pilottikokeilun aikana (arviointivaihe). Pohjoiseen menevällä tiejaksolla AD käytettiin kolmea ja vastakkaisella suunnalla viittä neuroverkkoa yli kolmen tunnin ajan ruuhkaisissa olosuhteissa (taulukko 1). Kaikki nämä mallit ennustivat matka-ajan oikein keskimäärin 94 99 prosenttia ajasta. Ruuhkaisissa olosuhteissa oikein ennustettujen osuus vaihteli välillä 34 79 prosenttia ajasta. Taulukko 1. Ennustemallin ajantasaiset tulokset arviointivaiheen aikana. AD on pohjoiseen menevä tiejakso ja DA etelään menevä. PD tarkoittaa paikasta D pohjoiseen. Tiejakso Toimimaton kamera Itoimimaton induktioilmaisin Otoskoko Otoskoko ruuhkassa Oikein ennustettujen osuus (%) Ruuhkassa oikein ennustettujen osuus (%) Keskimääräinen neliövirhe (min 2 ) Keskimääräinen virheen itseisarvo (min) Keskimääräinen suhteellisen virheen itseisarvo (%) AD DA - - 28 295 1 297 97 53 3,0 0,9 4,9 C 1 758 127 94 49 4,0 1,1 5,3 C - 3 242 76 96 34 3,6 1,1 6,0 - PD 19 762 347 99 80 1,3 0,8 4,6 C + PD 8 005 45 98 69 2,6 1,1 6,5 C - 873 55 97 69 2,1 1,0 5,2 C 807 48 98 79 2,2 0,9 5,3 PD 15 999 396 98 63 1,7 0,9 4,7 Ennustemalli suoriutui ajantasaisessa ympäristössä (arviointivaihe) huonommin kuin mallin tekovaiheen tulosten pohjalta odotettiin (taulukko 2). Ajantasaisesti ruuhkassa oikein ennustettujen matka-aikojen osuus oli pohjoiseen menevälle tiejaksolle AD noin 20 prosenttiyksikköä alhaisempi kuin opetusvaiheen ennusteilla. Etelään menevälle tiejaksolle DA ero oli pienempi: noin 10 prosenttiyksikköä. Ennustemalli suoriutui kuitenkin tehtävästään selvästi paremmin kuin eiennustava järjestelmä. 16

Taulukko 2. Ruuhkassa oikein ennustettujen osuus ajantasaiselle ennustemallille verrattuna aiempiin opetusvaiheen tuloksiin ja ei-ennustavaan järjestelmään. AD on pohjoiseen menevä tiejakso ja DA etelään menevä. PD tarkoittaa paikasta D pohjoiseen. Tiejakso Toimimaton kamera Toimimaton Ennustemalli (%) induktioilmaisin Ajantasainen Opetusvaihe Ei-ennustava järjestelmä (%) AD DA - - 53 73 31 C 49 70 32 C - 34 66 29 - PD 80 83 47 C + PD 69 80 40 C - 69 78 33 C 63 76 50 PD 79 71 48 Yllä esitetyt tulokset eivät kuvaa mallien vahvuuksia ja heikkouksia, vaan vasta ruuhkan kehittymisen ja vastaavien ennusteiden yksityiskohtainen analysointi antaa käsityksen niistä. Tästä syystä yksittäisiä ruuhkapäiviä tutkittiin yksityiskohtaisesti ja mallin toimintaa kuvaamaan annettiin neljä esimerkkiä. Yksityiskohtainen analyysi osoitti, että malli kykeni ennustamaan matka-ajan etelään menevälle tiejaksolle DA, kun osalinkki DC ruuhkautui. Malli ei havainnut muiden osalinkkien ruuhkia (kuva 4). Tällainen ruuhka johtui aina satunnaisesta liikenteen häiriöstä, ei ylikysynnästä. Ennustetun ruuhkan muoto oli oikea, mutta ennuste tuli 10 15 minuutin viiveellä, kun syötetiedot puuttuivat induktioilmaisimelta, joka sijaitsi paikan D pohjoispuolella (kuva 5). Ennuste oli 20 30 minuuttia myöhässä eikä ruuhkahuippu ollut aina oikealla tasolla, kun syötetiedot puuttuivat kamerailmaisimelta paikasta C ja induktioilmaisimelta, joka sijaitsi paikan D pohjoispuolella (kuva 6). Ennusteita ei tehty olosuhteissa, joissa kaikki ilmaisimet olisivat toimineet. 17

45 40 35 Travel time (min) 30 25 20 15 10 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00 Time of day Measured value Forecast Forecast+10% Forecast-10% Kuva 4. Sellainen osalinkillä CB tapahtuneen onnettomuuden aiheuttama ruuhka etelään menevällä tiejaksolla DA, jota malli ei havainnut. 45 40 35 Travel time (min) 30 25 20 15 10 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00 Time of day Measured value Forecast Forecast+10% Forecast-10% Kuva 5. Etelään menevän tiejakson DA ennuste oli 10 15 minuuttia myöhässä, mutta oikealla tasolla, kun liikennemäärätiedot paikan D pohjoispuolelta puuttuivat ja ruuhka sijaitsi linkillä DC. 18

45 40 35 Travel time (min) 30 25 20 15 10 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00 Time of day Measured value Forecast Forecast+10% Forecast-10% Kuva 6. Ennuste etelään menevälle tiejaksolle DA oli liian alhainen ja 20 minuuttia myöhässä, kun kamerailmaisimen C matka-aikatiedot ja liikennemäärätiedot paikan D pohjoispuolelta puuttuivat. Tavallinen, ylikysynnästä johtuva ruuhka alkoi pohjoiseen menevällä tieosalla AD osalinkiltä BC ja levisi sieltä osalinkille AB. Arviointijakson aikana oli kuitenkin myös ruuhkia, jotka alkoivat suoraan osalinkiltä AB. Käytettävissä olleesta aineistosta ei voitu määritellä tällaisen ruuhkan syytä. Ennustetun ruuhkan alkuhetken ajoitus oli monesti oikein pohjoiseen menevällä tiejaksolla AD. Joissain tapauksissa malli ei kuitenkaan ennustanut oikein tasoa, jolle ruuhka nousi, ja sen hetken ajoitus, jolloin ruuhka alkoi helpottaa, oli usein myöhässä (kuva 7). 19

60 50 Travel time (min) 40 30 20 10 0 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 Time of day Measured value Forecast Forecast+10% Forecast-10% Kuva 7. Pohjoiseen menevälle tiejaksolle AD tehty malli ennakoi ruuhkan alkuhetken oikein, mutta taso, jolle ruuhka nousi, ja hetki, jolloin ruuhka alkoi helpottaa, olivat väärin. Pohjoiseen päin menevälle tiejaksolle AD tehty malli ei ennustanut matka-aikaa kaikissa olosuhteissa tyydyttävästi. Sitä vastoin etelään menevälle tiejaksolle DA tehdyn mallin suoritusta voitiin pitää tyydyttävänä, vaikkei se ollutkaan yhtä hyvä kuin odotettiin. Huonompaa suorituskykyä voidaan ainakin osittain selittää satunnaisilla liikenteen häiriöillä, jotka aiheuttivat opetusaineistossa esiintyneistä ruuhkista eroavia ruuhkia. Tästä huolimatta ennustemalli toimi paljon paremmin kuin ei-ennustava järjestelmä, joka perusti matka-aika-arvionsa viimeisiin mittauksiin. Etelään menevälle tiejaksolle DA tehty malli ei saanut tietoja tiejaksolle tulevista liikennemääristä, koska paikan D pohjoispuolella ollut ilmaisin oli poissa toiminnasta pilottijason arviontivaiheen ajan. Viive, jolla malli ennusti ruuhkan, oli yhtä suuri kuin viive, jolla ensimmäiset merkit liikennetilanteen muutoksesta havaittiin. Ruuhka oli pohjoiseen päin menevällä tiejaksolla AD moninaisempi ilmiö kuin vastakkaisella suunnalla. Tämän takia syy-seuraussuhteet eivät olleet mallin toiminnassa yhtä selviä kuin etelään päin menevälle tiejaksolle DA tehdyllä mallilla. Pohjoiseen päin menevällä tiejaksolla AD ruuhka oli pahempi kuin vastakkaisella suunnalla, ja tästä syystä reitinohjauksen vaikutus saattoi myös olla voimakkaampi. On mahdollista, ettei mallin monimutkaisuus ollut riittävä kuvaamaan ruuhkailmiötä pohjoiseen päin menevällä suunnalla tai että ilmiö itse oli muuttunut reitinopastuksen takia. 20

Etelään päin menevälle tiejaksolle DA tehty malli päätettiin pitää saatujen tulosten perusteella muuttumattomana, kun taas pohjoiseen päin menevälle tiejaksolle AD tehtyä mallia päätettiin parantaa. 21

4 Mallin jatkokehitys Tavoitteena oli kehittää pohjoiseen päin menevälle tiejaksolle AD tehdyn mallin ennustamiskykyä, koska joko malli ei ollut riittävän monimutkainen kuvaamaan ruuhkailmiötä tai ilmiö itse oli muuttunut reitinopastuksen takia. Menetelmä, jota mallin jatkokehityksessä käytettiin, oli sama kuin aiemmin lukuun ottamatta (1) uutta aineistoa, (2) lisäsyötesuureita ja (3) piiloneuronien määrää. Uusi, arviointivaiheen aineisto edusti uutta liikennetilannetta, kun taas mallin monimutkaisuutta kasvatettiin kahden jälkimmäisen muutoksen avulla. Ensin tehtiin arviointivaiheen aikana kerätyn aineiston pohjalta syötteiltään ja neuroverkon rakenteeltaan samanlainen malli kuin ennustemallin kokeiluversiossa ja tutkittiin uuden opetusaineiston vaikutus. Toiseksi selvitettiin syötesuureiden määrän kasvattamisesta aiheutuva hyöty. Alkuperäinen kokeiluvaiheen ennustemalli sai syötteenä kaikki mahdolliset syötesuureet lukuun ottamatta osalinkin CD matka-ajan, pistekeskinopeuden paikassa C ja liikennemäärän induktioilmaisimilta paikan A eteläpuolelta. Uusi aineisto koottiin siten, että se sisälsi myös nämä aiemmin pois jätetyt muuttujat. Kolmanneksi tutkittiin piiloneuronien määrän kasvamisen vaikutus. Niiden määräksi asetettiin 20, 30, 40 ja 50. Lopuksi tehtiin uudet neuroverkot kaikille ilmaisinyhdistelmille hyödyllisiksi havaittujen muutosten perusteella. Alkuperäistä kokeiluvaiheen ennustemallia vastaava neuroverkko tehtiin opettamalla se pilottikokeilun aikana kerätyllä aineistolla (arviointivaiheen aineisto). Mallin kyky ennustaa matka-aikoja oikein ruuhkaolosuhteissa parani selkeästi, kun sitä verrattiin alkuperäisellä, opetusvaiheen aineistolla opetettuun malliin (taulukko 3). Oikein ennustettujen matka-aikojen osuus kasvoi 53 prosentista 64 prosenttiin ajasta. Lisäksi kehitys näkyi keskimääräisessä neliövirheessä ja keskimääräisessä suhteellisen virheen itseisarvossa. Näin ollen uuden aineiston käyttämistä voitiin pitää hyödyllisenä. Taulukko 3. Alkuperäisellä opetusaineistolla ja uudella aineistolla (arviointivaiheen aineisto) opetettujen mallien tulokset. Aineisto Oikeiden ennusteiden osuus (%) Oikeiden ennusteiden osuus ruuhkassa (%) Keskimääräinen neliövirhe Keskimääräinen virheen itseisarvo (min) Keskimääräinen suhteellisen virheen itseisarvo (%) Alkuperäinen 97 53 3.0 0.9 4.9 Uusi 98 64 2.4 0.9 4.5 22

Syötesuureiden määrän kasvattamisen hyötyjä tutkittiin. Mallia, joka oli tehty samalla syötemuuttujajoukolla kuin alkuperäinen malli, verrattiin malliin, jonka syötteessä oli lisämuuttujia. Nämä muuttujat olivat osalinkin CD matka-aika, keskinopeus paikassa C ja liikennemäärä induktioilmaisimella, joka sijaitsi paikan A eteläpuolella, läheisen kaupungin toisella puolen. Lisäsyötteiden vaikutus oli positiivinen, vaikkakin pieni. Ruuhkassa oikein ennustettujen matka-aikojen osuus kasvoi yhden prosenttiyksikön 64 prosentista 65 prosenttiin ajasta. Sen lisäksi, että mallin monimutkaisuutta lisättiin uusilla syötesuureilla, sitä lisättiin myös kasvattamalla piiloneuronien määrää 20:stä 30:een, 40:een ja 50:een. Mallin suorituskyky parani tällöin hieman (20 piiloneuronin 65 prosentista 50 piiloneuronin 67 prosenttiin ajasta). Yllä mainituilla lisäsyötesuureilla opetettujen mallien tulokset on esitetty taulukossa 4. Mallit opetettiin uudella, arviointivaiheen aineistolla, ja niiden ruuhkassa oikein ennustettujen matka-aikojen osuus oli vähintään 50 prosenttia. Parantuneesta ennustamiskyvystä on annettu esimerkki kuvassa 8. Taulukko 4. Pohjoiseen päin menevän tiejakson AD paranneltujen, arviointivaiheen aineistoon perustuvien mallien tulokset. EA tarkoittaa paikasta A etelään. Toimimaton kamera Toimimaton induktioilmaisin Oikeiden ennusteiden osuus (%) Oikeiden ennusteiden osuus ruuhkassa (%) Keskim. neliövirhe Keskim. virheen itseisarvo (min) Keskim. suhteellisen virheen itseisarvo (%) B C D 98 65 2.4 0.9 4.5 C 98 64 2.5 0.9 4.6 EA 97 61 2.5 0.9 4.6 C + EA 98 57 2.4 0.9 4.7 97 59 2.6 0.9 4.6 C 97 58 2.7 0.9 4.7 EA 97 56 2.6 0.9 4.6 97 60 2.6 0.9 4.7 C 97 58 2.6 0.9 4.7 EA 97 55 2.7 0.9 4.7 98 64 2.4 0.9 4.5 C 98 65 2.5 0.9 4.6 EA 98 63 2.5 0.9 4.6 C + EA 98 57 2.4 0.9 4.7 23

60 50 Travel time (min) 40 30 20 10 0 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 Time of day Measured value Forecast Forecast+10% Forecast-10% 60 50 Travel time (min) 40 30 20 10 0 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 Time of day Measured value Forecast Forecast+10% Forecast-10% Kuva 8. Esimerkki pohjoiseen menevälle linkille AD tehtyn mallin parantuneesta ennusteesta. Alkuperäisellä mallilla (opetettu alkuperäisellä opetusaineistolla) tehdyt ennusteet on esitetty ylemmässä kuvassa ja uudella mallilla (opetettu arviointivaiheen aineistolla) alemmassa. 24

5 Tulosten tarkastelu Tutkimuksen tavoitteena oli kuvata malli, joka ennusti matka-aikaa kaksikaistaisella päätieosuudella kenttämittausten perusteella. Tutkimus jakautui kahteen osaan: Ensin arvioitiin ennustemallin pilottiversion toimintaa kokeilujakson perusteella. Tämän jälkeen selvitettiin mahdollisuutta parantaa mallia tilanteissa, joissa sen toiminta ei ollut tyydyttävää. Arviointivaiheen päätulokset osoittivat, että ennustemalli oli parempi kuin eiennustava järjestelmä. Ennustemalli ei kuitenkaan toiminut kokeilujakson aikana yhtä hyvin, kuin opetusvaiheen tulosten perusteella odotettiin. Erityisesti jäi epäilys, ettei pohjoiseen päin menevälle tiejaksolle AD tehdyn mallin monimutkaisuus ollut riittävä ruuhkailmiön kuvaamiseen ja/tai että ilmiö itse oli muuttunut uuden reitinopastusjärjestelmän ansiosta. Etelään päin menevälle tiejaksolle DA tehdyn mallin tulokset osoittivat, että tieto ennustelinkille tulossa olevista liikennemääristä oli erittäin tärkeä. Tämän lisäksi tiedonkeruuviiveet tulisi minimoida. Mallin jatkokehityksen päätulokset osoittivat, että pohjoiseen päin menevälle tiejaksolle AD tehdyn mallin toimintaa voitiin parantaa. Itse asiassa kehitys oli huomattavaa, kun neuroverkko opetettiin uudella pilottikokeilujakson aikana kootulla aineistolla (arviointivaiheen aineisto). Tämä viittaa ruuhkailmiössä tapahtuneeseen muutokseen. Lisäksi sekä lisäsyötesuureet että piiloneuronien suurempi määrä paransivat mallin suorituskykyä, mutta vain hieman. Piiloneuronien määrä päätettiin kuitenkin pitää 20:nä, koska eräs alkuperäisistä tavoitteista oli pitää mallin rakenne yksinkertaisena. Vaikkei moottoriteillä saatuja tuloksia pidäkään soveltaa sellaisenaan kaksikaistaisille teille, nyt saadut tulokset olivat samansuuntaisia DACCORD-projektissa saatujen tulosten kanssa sikäli, että alueella, jossa liikenneolosuhteet olivat suhteellisen vakaat, voitiin soveltaa menestyksekkäästi melko yksinkertaista menetelmää. Yksinkertaisemman tiejaksolle DA tehdyn mallin suorituskyky oli parempi kuin monimutkaisemman tiejaksolle AD tehdyn mallin suorituskyky. Tutkimuksen tärkein päätelmä oli, että jopa yksinkertainen ennustemalli, joka tekee lyhyen aikavälin matka-aikaennusteita neuroverkon avulla, voi parantaa matka-aikatiedon tasoa huomattavasti verrattuna suoraan viimeisiin mittauksiin perustuviin matka-aika-arvioihin. Mallintamisen haasteena on, että jos ruuhkailmiö muuttuu syystä tai toisesta, ennustemalli tarvitsee jälleen uudelleen opetuksen. Malli ei myöskään opi itsekseen kohtaamistaan satunnaisista liikenteen häiriöistä. Tästä syystä itseoppivan mallin kehittäminen on tärkeä tulevaisuuden tutkimuskohde. 25

Lähdeluettelo Al-Deek (2003). The impact of real-time and predictive traffic information on travelers behavior in the I-4 corridor. Final Report, Center for Advanced Transportation Systems Simulation (CATSS), University of Central Florida. 117 s. Demuth H, Beale M (1998). Neural Networks Toolbox for Use with Matlab. User s Guide, Version 3. The Math Works Inc. S. 5-1 5-58. Eloranta T (1999). Rekisterikilpien tunnistukseen perustuva liikenteen automaattinen matkanopeuden seuranta. Tiehallinnon selvityksiä 46/1999. Uudenmaan tiepiiri, Tiehallinto, Helsinki. 149 s. van Grol H, Danech-Pajouh M, Manfredi S, Whittaker J (1999). DACCORD: Online travel time prediction. In: Meersman H, Van de Voorde E,Winkelmans W (Eds.). World Transport Research, Selected proceedings of the 8 th World Conference on Transport Research, volume 2: Planning, operation, management and control. S. 455 467. van Grol R, Lindveld K, Manfredi S, Danech-Pajouh M (1999). DACCORD: Online travel time estimation/prediction results. Proceedings of 6 th World Congress on Intelligent Transport Systems (ITS), held Toronto, Canada, November 8-12, 1999. 12 s. Innamaa S (2002). Matka-ajan lyhyen aikavälin ennustemalli Kokeiluversio Lahti Heinola-välille. Tiehallinnon selvityksiä 22/2002. Tiehallinto, Helsinki. 29 + 17 s. Innamaa S, Lanne L, Vanhanen K, Pursula M (2002). Pääteiden lyhyen aikavälin matka-aikaennusteet. Tiehallinnon selvityksiä 5/2002. Tiehallinto, Helsinki. 82 + 19 s. Ishak S, Al-Deek H (2002). Performance evaluation of short-term time-series traffic prediction model. Journal of Transportation Engineering, November/December 2002, Volume 128, Number 6. S. 490 498. Lindveld C, Thijs R, Bovy P, Van der Zijpp N (2000). Evaluation of on-line travel time estimators and predictors. Transportation Research Record, 1719. S. 45 53. Luoma S (1998). Tieliikenteen sujuvuus ja sen mittaaminen. Diplomityö, Teknillinen korkeakoulu, Liikennetekniikka, Espoo. 122 s. Tiehallinto (2001). Liikenteen automaattinen mittaus 2000. Tielaitoksen sisäisiä julkaisuja 25/2001, Tiehallinto, Helsinki. 6 + 200 s. 26