Kokemuksia ajantasaisista liikennemalleista

ESPOO 2004 TUTKIMUSRAPORTTI RTE475/04 Kokemuksia ajantasaisista liikennemalleista Satu Innamaa ja Iisakki Kosonen VTT RAKENNUS- JA YHDYSKUNTATEKNIIKKA

Kokemuksia ajantasaisista liikennemalleista Satu Innamaa ja Iisakki Kosonen VTT Rakennus- ja yhdyskuntatekniikka Tutkimusraportti RTE475/04 Espoo 2004

Satu Innamaa ja Iisakki Kosonen 2004. Kokemuksia ajantasaisista liikennemalleista. VTT, Rakennus- ja yhdyskuntatekniikka, Tutkimusraportti RTE475/04. 24 s. Avainsanat Liikennemalli, neuroverkot, simulointi TIIVISTELMÄ Tehty selvitys kerää kokemuksia tapaustutkimuksista, jotka käsittelevät ajantasaista liikenteen mallintamista. Tavoitteena on tarkastella tosielämässä toimivien ajantasaisten mallien aiheuttamia haasteita ja tarjota ohjeita näitä malleja tekevien henkilöiden avuksi. On monia muita kuin itse malliin liittyviä asioita, jotka täytyy ottaa huomioon. Nämä haasteet liittyvät erityisesti aineistoon, liikenteenseurantajärjestelmiin ja tiedonsiirtoon. Koska monia haasteita ei voi välttää, paras neuvo on tehdä vakaasti käyttäytyviä malleja, jotka suhtautuvat epäillen saamaansa tietoon. Mallin täytyy myös olla varautunut osittaiseen tietoon. Useimmissa tapauksissa mallin tekijä ei voi eliminoida erilaisten haasteiden aiheuttamia ongelmia, mutta hänen pitäisi olla niistä selvillä ja minimoida niiden haitalliset seuraukset. 3

Satu Innamaa ja Iisakki Kosonen 2004. Kokemuksia ajantasaisista liikennemalleista. [Experience from online traffic models.] VTT Technical Research Centre of Finland, Building and Transport, Research Report RTE475/04. 24 p. Keywords Traffic model, neural network, simulation ABSTRACT This study gathers experience from case studies concerning online modelling of traffic. The objective is to discuss challenges due to working in real time in a real world environment and to provide guidelines for the benefit of those developing online models of traffic situation. There are many issues that need to be taken into consideration concerning other aspects than the model itself. Specifically, these challenges are related to data, monitoring system and to data transfer. As many challenges cannot be avoided, the best advice is to make robust models that regard the incoming data with suspicion. The model also has to be prepared to information that is partial. In most cases, the model developer cannot eliminate the challenges discussed but he or she should be aware of them and minimise the harmful consequences. 4

ALKUSANAT Liikenne- ja viestintäministeriö sekä Tiehallinto rahoittivat tutkimuksen, joka käsitteli ajantasaisia liikennemalleja. Tutkimus oli osa ministeriön Liikennetelematiikan rakenteiden ja palvelujen tutkimus- ja kehittämisohjelmaa (FITS) 2001 2004. Tutkimuksen tekemisestä vastasivat Satu Innamaa VTT Rakennus- ja yhdyskuntatekniikasta ja Iisakki Kosonen Teknillisen korkeakoulun liikennelaboratoriosta. 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 AIKAISEMPIA TUTKIMUKSIA...11 3 TAPAUSTUTKIMUKSET...13 3.1 Ajantasainen matka-ajan ennustemalli...13 3.2 Ajantasainen mikrosimulointiin perustuva liikenteentiedotusjärjestelmä...13 3.3 Sumean valo-ohjauksen liikennetilannemallit...14 4 AJANTASAISEN TOIMINTAYMPÄRISTÖN AIHEUTTAMAT HAASTEET...15 4.1 Seurantajärjestelmän aiheuttamat haasteet...15 4.2 Liikennemallin aiheuttamat haasteet...17 4.3 Kuinka selvitä ajantasaisuuden aiheuttamista haasteista...19 5 TULOSTEN TARKASTELU...21 LÄHDELUETTELO...23 7

1 Johdanto Ajantasaista liikennetietoa tarvitaan sekä liikenteenohjauksen että tiedotuksen perusteeksi. Tätä tietoa ei kuitenkaan voida aina mitata kattavasti tai suoraan. Pistekohtainen tieto saatetaan joutua laajentamaan kuvaamaan kokonaisen tiejakson liikennetilannetta. Joitakin tunnuslukuja saatetaan myös joutua arvioimaan toisten, helpommin mitattavien suureiden avulla, kuten esimerkiksi matka-aika pistenopeuksista tai tiejakson liikennetiheys nopeuksista ja liikennemääristä tietyissä pisteissä. Joskus seurantajärjestelmän tuottama tieto on jo valmiiksi vanhentunutta kuten matka-aika, joka voidaan mitata vasta, kun koko tiejakso on ajettu ja mallia tarvitaan tuottamaan ajantasaisempia arvioita, puhumattakaan lyhyen ja pitkän aikavälin liikennetilanne-ennusteista. Näin ollen liikennetelematiikan palvelut perustuvat pitkälti malleihin, jotka kuvaavat liikennevirtaa. Mallin kehitystyö alkaa yleensä kokeilumallilla. Kokeiluympäristössä monia tosielämään liittyviä haasteita kuten tiedonsiirtoviiveitä tai seurantajärjestelmän vikoja joko ei ole lainkaan tai ne voidaan poissulkea. Jos tulokset ovat tyydyttäviä, kokeilumalli muunnetaan toimimaan ajantasaisesti todellisella maastossa mitatulla aineistolla. Tässä vaiheessa viimeistään on tarpeen tietää mahdolliset haasteet, jotka uusi toimintaympäristö voi aiheuttaa, ja uudet asiat, joista mallin täytyy selvitä. Liikennemalli muodostaa neljänneksen kehästä, jonka malli, liikenteenohjaus tai tiedotus, liikenneprosessi ja seurantajärjestelmä muodostavat (kuva 1). Liikenteenohjaus tai tiedotus vaikuttaa liikennevirtaan. Nämä vaikutukset voidaan havaita seurantajärjestelmän avulla. Liikennemalli tulkitsee mittauksia ja päivittää kuvaa liikennetilanteesta. Sopiva ohjaus tai tiedotus taas perustuu vastaavasti tähän tulkintaan. 9

Kuva liikenneprosessista Sopivat mittaukset mallille LIIKENNEMALLI SEURANTA OHJAUS/INFO LIIKENNEPROSESSI Sopiva ohjaus/ informaatio jokaiseen tilanteeseen Liikennevirran vaste ohjaukseen/informaatioon Kuva 1. Liikenteenohjausprosessi ja sen osat. Ihanteellisissa olosuhteissa seurantajärjestelmä antaa kattavaa ja luotettavaa ajantasaista tietoa mallille, joka muuttaa mittaustiedon todellisuutta vastaavaksi kuvaksi liikennetilanteesta. Vastaavasti liikennettä voidaan ohjata parhain mahdollisin keinoin tai liikenteelle voidaan antaa sopivinta mahdollista tiedotusta ja liikennevirtaa saadaan muokattua halutulla tavalla. Todellinen maailma on kuitenkin usein kaukana ihanteellisesta. Tämä saattaa joissakin tapauksissa johtaa liikennetilanteen muuttumiseen ei-toivottuun suuntaan. Liikennemallin, jota käytetään telematiikkasovelluksessa, pitäisi selviytyä kaikista mahdollisista ajantasaisuuden tuomista haasteista, jotta se voisi toimia optimaalisesti. Mitä lähemmäs järjestelmä pääsee optimia, sitä parempia tulokset ovat. Tämä selvitys kerää kokemuksia useista tapaustutkimuksista, jotka käsittelevät ajantasaista liikenteen mallintamista. Tavoitteena on tarkastella tosielämässä toimivien ajantasaisten mallien aiheuttamia haasteita ja tarjota ohjeita ajantasaisia liikennetilannemalleja tekevien henkilöiden avuksi. Ohjeet eivät rajoitu minkään tietyn liikenneilmiön mallintamiseen, mallinnusmenetelmään eivätkä toimintaympäristöön. Raportin rakenne on seuraavanlainen: Ensin käsitellään aiempia tutkimuksia ja tapaustutkimuksia, joihin tehty selvitys perustuu. Tämän jälkeen käsitellään haasteet, jotka aiheutuvat ajantasaisesta toimintaympäristöstä. Lopuksi annetaan ohjeita tehtyjen päätelmien pohjalta. 10

2 Aikaisempia tutkimuksia Chen ja Kuchipudi (2002) muuttivat matka-ajan ennustemallin, joka perustui simuloituun aineistoon, toimimaan ajantasaisen maastossa mitatun aineiston pohjalta. He havaitsivat, että (1) peräkkäisten aikajaksojen matka-aikojen keskihajonta oli tosielämässä suurempi kuin simuloidussa ympäristössä, (2) seurantatieto puuttui tietyiltä aikajaksoilta ilmaisimen toimintahäiriön takia ja (3) huipputuntien ulkopuolella joidenkin jaksojen aikana ei saatu tietoa yhdestäkään ajoneuvosta. Aggregoidun, täydentävän historia-aineiston käyttö ratkaisi ongelmista ensimmäisen. Harhaisen aineiston poistaminen puuttuvan ilmaisintiedon perusteella ja tyhjien jaksojen täyttäminen edellisten aikajaksojen keskiarvoilla ratkaisi kaksi jälkimmäistä. Chen ja Kuchipudi totesivat, että huolimatta lisätyöstä, joka ajantasaista tietoa käyttävistä malleista aiheutui, ne olivat vakaampia ja käytännöllisempiä kuin simuloituun aineistoon perustuvat mallit. Van Lint ym. (2003) tekivät tutkimuksen yksittäisten virhehavaintojen ja ilmaisinten toimintakatkosten vaikutuksista matka-ajan ennustamiseen. He arvioivat, että vakaa käyttäytyminen puutteeellisten tai virheellisten syötteiden kohdalla oli avainominaisuus mille tahansa matka-ajan ennustemallille, jota sovellettiin tosielämässä. Van Lint ym. havaitsivat, että imputaatiostrategioiden (poistetaan yksittäisiä arvoja) soveltaminen ennen simuloidun aineiston syöttämistä neuroverkolle johti vakaampaan, mutta kuitenkin tarkkaan malliin. Virheellisten arvojen sisällyttäminen opetusaineistoon kasvatti mallin vakautta satunnaisille syöteongelmille tarkkuuden kustannuksella. Van Lint ym. arvioivat, että ilmaisimen toimintahäiriö saattaisi vaatia sen, että neuroverkko oppisi monimutkaista liikennevirran dynamiikkaa eri tavalla, käyttämällä eri ilmaisimia ruuhkan ja siten myös viivytysten havaitsemiseen. Toisessa tutkimuksessa van Lint ym. (2002) totesivat, että todellisuudessa matkaaikaennustemallien syöteaineisto sisälsi usein virheellisiä tai puuttuvia arvoja, jotka aiheutuivat sekä satunnaisista että rakenteellisista toimintahäiriöistä. Tutkijat havaitsivat, että keskimäärin 5 15 prosenttia Alankomaiden moottoritieverkon induktioilmaisimista ei ollut toiminnassa. Mittausvirhe ja harha kuuluvat luonnostaan ilmaisinlaitteisiin ja yleensä keskiarvoistivat mittauksia ajan yli. Van Lint ym. ehdottivat, että puuttuvia tai virheellisiä arvoja pitäisi esikäsitellä ennen, kuin aineisto syötetään matka-ajan ennustemalliin. Esikäsittely voitaisiin tehdä korvaamalla arvo tasoitusarvolla, historiakeskiarvolla tai viimeisellä tunnetulla arvolla. Hienostuneempia menetelmiä kuten neuroverkkoja voitaisiin myös käyttää syöteaineiston siivoamiseen ja korjaamiseen. Ohba ym.(2000) laskivat tyypillisiä matka-aikoja tietullijärjestelmän keräämän aineiston perusteella. Laskentamenetelmä koostui poikkevien havaintojen poista- 11

misesta ja tyypillisten todellisten matka-aikojen laskemisesta. Poikkeava aineisto jaettiin kolmeen osaan: erittäin lyhyisiin matka-aikoihin (esimerkiksi moottoripyörät ruuhkaliikenteessä), erittäin pitkiin matka-aikoihin (ajoneuvot, jotka olivat pysähtyneet matkalla) ja aineistoon, joka poikkesi hieman matka-aikajakaumasta (kuljettajat, jotka pitävät lujaa tai hitaasti ajamisesta). Moottoripyörien matkaaikojen poistaminen ruuhkaliikenteestä poisti erittäin lyhyet matka-ajat. Erittäin pitkät matka-ajat eliminoitiin frekvenssianalyysin perusteella. Hieman poikkeavat matka-ajat määriteltiin klusterianalyysin perusteella ja tämän jälkeen poistettiin. Tyypillinen todellinen matka-aika määriteltiin laskemalla keskiarvo jäljelle jääneistä havainnoista. Vain pieni osa julkaistuista liikennemalleista toimii ajantasaisen maastossa mitatun aineiston pohjalta (van Grol ym. 1999, Lindveld ym. 2000). Näiden tekijät käsittelevät harvoin haasteita, jotka tosielämän toimintaympäristö on aiheuttanut. Yllä mainitut tutkimuksetkin raportoivat ainoastaan aineiston keruumenetelmiin liittyviä ongelmia. 12

3 Tapaustutkimukset 3.1 Ajantasainen matka-ajan ennustemalli Usein ruuhkautuvalle kaksikaistaiselle tiejaksolle kehitettiin malli, joka teki lyhyen aikavälin matka-aikaennusteita. Mallista tehtiin ensin tutkimusversio (Innamaa, julkaistavaksi toimitettu A), mutta koska tulokset olivat lupaavia, samasta mallista tehtiin pilottiversio tekemään ennusteita ajantasaisesti (Innamaa, julkaistavaksi toimitettu B). Tiejakso sijaitsi valtatiellä 4 Lahden ja Heinolan välillä. Keskimääräinen liikennemäärä oli noin 17 000 ajoneuvoa vuorokaudessa kesäaikaan (Tiehallinto 2001). Tieosa oli varustettu matka-ajan seurantajärjestelmällä, jonka avulla matka-aikoja voitiin mitata automaattisesti rekisterikilpien tunnistamiseen perustuen (Eloranta 1999). Kamerailmaisimet keräsivät liikennetietoa neljässä poikkileikkauksessa ja induktioilmaisimet yhdessä poikkileikkauksessa tutkimuskohteessa ja kahdessa poikkileikkauksessa sen ulkopuolella. Muuttuvat opasteet kertoivat tiejaksolla odotettavissa olevan matka-ajan. Ennustemallit tehtiin monikerrosperseptronineuroverkkoina (Innamaa, julkaistavaksi toimitettu B). Ne opetettiin maastossa mitatulla aineistolla. Malli ennusti seuraavan viiden minuutin aikana tiejaksolle lähtevien ajoneuvojen mediaanimatka-aikaa viimeisten matka-aika- ja pistekohtaisten mittausten perusteella. Erillinen neuroverkko opetettiin ennustamaan matka-aikaa kunkin ilmaisinyhdistelmän pohjalta. Laadittiin myös strategia sille, kuinka selvitä lyhyistä yksittäisten ilmaisimien syöteaineiston tuottokatkoksista. 3.2 Ajantasainen mikrosimulointiin perustuva liikenteentiedotusjärjestelmä Mikroskooppisen ajantasaisen liikenteen simulointimallin pilottijärjestelmä toimi kokeilualueella Mansfieldissä Englannissa (Kosonen & Bargiela 2000). Pilotin tarkoituksena oli kokeilla ajantasaista simulointia liikenteentiedotusjärjestelmän pohjana. Kokeilualuetta ohjattiin SCOOT kaupunkiliikennevalojen ohjausjärjestelmän avulla, joka myös keräsi ilmaisinaineiston. SCOOT-järjestelmä optimoi valojen ajoitukset käyttämällä omaa makroskooppista simulointimalliaan. SCOOT-UTC kytkettiin jaetun muistin palvelimeen, joka salli viestinvaihdon useiden asiakkaiden välillä. Simulointijärjestelmä (HUTSIM) kytkettiin palvelimeen uutena asiakkaana. 13

Ajantasainen simulointimalli vastaanotti kentältä kahdenlaisia viestejä. Ajoneuvot luotiin simulointimalliin ilmaisinviestien perusteella ja liikennevalojen tilaviestit ohjasivat simulointimallin liikennevaloja. Jokainen ilmaisinpulssi sai aikaan uuden ajoneuvon luomisen malliin. Simulaattori liikutti ajoneuvoja ja mallinsi jonoutumista. Jonon purkautumista tiejaksojen loppupäissä ohjattiin liikennevalojen tilatietojen perusteella. Muuta ilmaisinaineistoa ei käytetty. Simulointimallissa yksittäisten ajoneuvojen reitit olivat tuntemattomia ja ne satunnaistettiin jakauman perusteella. Kuhunkin suuntaan kääntyvien ajoneuvojen osuudet arvioitiin ajantasaisesti tiejaksojen alkuosissa sijaitsivien ilmaisimien avulla. 3.3 Sumean valo-ohjauksen liikennetilannemallit Sumeaan logiikkaan perustuva valo-ohjaus asennettiin neljään liittymään Suomessa (Niittymäki 2002). Liikennetietoon perustuvat ohjausjärjestelmät käyttivät kenttäaineistoon perustuvaa mikroskooppista simulointimallia (HUTSIM, Kosonen 1999). Kohteina olivat erilliset nelihaaraliittymät Helsingissä, Vantaalla ja Lahdessa sekä kolmihaaraliittymä Jyväskylässä. Kaikissa liittymissä oli suuret liikennemäärät huipputuntien aikana. Liittymissä oli bussiliikennettä ja suojatiet. Simuloitu liikenne edusti todellista liikennettä ja tuotti näin ohjausyksikön tarvitsemat tiedot samalla, kun se heijasti ohjaustoimenpiteiden vaikutuksia. Ajantasaisen simuloinnin periaatteet olivat liikenteen ohjauksessa samat kuin liikenteen tiedotuksessa. Valo-ohjausjärjestelmässä simuloituja liikennemittareita käytettiin syötteinä kehittyneille ohjausalgoritmeille. Valo-ohjauksessa sovellettiin sumeaa logiikkaa määrittämään liikennetietoon perustuvalle ohjauskojeelle vihreiden jaksojen pidennyksiä. Sumea ohjaus otti huomioon liikennevirran vihreän opastimen takana ja jonotilanteen punaisten opastimien takana, toisin kuin tavalliset ohjausjärjestelmät. Useita muitakin tekijöitä käytettiin syötteinä sumealle päättelylle, jonka avulla laskettiin kompromissi sumeista säännöistä. Sumea logiikka matki ihmispoliisia liikenteen ohjaajana. Sumean logiikan parhaita piirteitä voitiin käyttää silloin, kun oli olemassa lintuperspektiivi liikennetilanteesta. 14

4 Ajantasaisen toimintaympäristön aiheuttamat haasteet 4.1 Seurantajärjestelmän aiheuttamat haasteet Usein seurantajärjestelmiä ei ole alunperin suunniteltu ajantasaisten liikennemallien tarpeisiin. Seurantajärjestelmien haasteet liittyvät viiveisiin, virheellisesti toimiviin ilmaisimiin ja muihin toimintahäiriöihin. Nämä ongelmat voivat johtaa väärään liikennetilannekuvaan huolimatta siitä kuinka hyvä itse liikennemalli on (kuva 2). Liikennetilanteen väärintulkinnan seuraus voi olla väärä ohjaustoimenpide tai tiedotus, joka johtaa ei-toivottuihin seurauksiin liikenteessä. Tästä syystä seurantajärjestelmän ongelmat tulisi tiedostaa ja minimoida. Virheellinen tulkinta liikennetilanteesta LIIKENNEMALLI TRAFFIC MODEL Virheellinen kuva Väärä SEURANTA OHJAUS/INFO tilanteesta ohjaus/ informaatio LIIKENNEPROSESSI Ei-toivottuja seurauksia Kuva 2. Seuraukset, joihin seurantajärjestelmän toimintahäiriöt tai väärä tai väärin käytetty liikennemalli, voivat johtaa. Aineiston tuottamisviiveet täytyy ottaa huomioon mallinteossa. Viive voi johtua tiedonkeruusta tai siirrosta. Eräs esimerkki tiedon keruun aiheuttamasta viiveestä on tiejakson matka-ajan mittaaminen (kuva 3). Matka-aikaa ei voida mitata ennen, kuin ajoneuvo on kulkenut koko kyseisen tieosan. Tästä on seurauksena se, että tiedonkeruuviive on yhtä pitkä kuin matka-aika eikä viivettä voi välttää. Jos yksittäisiin ajoneuvoihin perustuvat mittaustiedot tallennetaan ja siirretään seurantajärjestelmästä eteenpäin aggregoidussa muodossa, aineiston käsittely vie myös oman aikansa ja aiheuttaa viivettä. 15

INFO Ajoneuvo lähtee linkille Linkin matka-aika Matka-aika mitattavissa Tiedonsiirtoviive Tiedot mallin käytettävissä Info nähtävissä ajoneuvon lähtiessä linkille Ajoneuvon matka-aika mitattavissa eli ennusteen hyvyys määritettävissä Tietojen lukuun ja ennusteen tekoon kuluva aika Ennuste valmis Ennusteen muuttaminen muuttuvan opasteen viestiksi Kuva 3. Aikajana, joka kuvaa erilaisia viiveitä siitä hetkestä, kun se ajoneuvo, jonka matka-aikaan ennuste perustuu, lähtee linkille, aina siihen hetkeen, kun matka-aikatiedon nähnyt kuljettaja pääsee linkin loppuun ja voi arvioida matkaaikatiedon oikeellisuuden (Innamaa, julkaistavaksi toimitettu A). Monissa tapauksissa tiedonsiirtokustannus on riippuvainen siitä, kuinka usein tietoa siirretään. Jos seurantajärjestelmä on suunniteltu pääasiassa tilastotietojen keruuta varten, tietoa siirretään todennäköisesti harvoin ja tästä syystä tiedonsiirtoviive on pitkä. Esimerkiksi matka-aikaennustemallin (Innamaa, julkaistavaksi toimitettu B) tapauksessa kokonaisviive aineiston maastosta ennustemallille saamisessa oli 10 30 minuuttia. Jos siis mallin piti ennustaa jokunen minuutti nykyhetkestä eteenpäin, sen piti todellisuudessa ennustaa tämän ennustejakson lisäksi tiedon siirrosta aiheutuva viiveen mittainen jakso. Ajantasaisessa simulointiprosessissa ei saisi olla viiveitä. Todellisuudessa viiveitä kuitenkin esiintyy, mutta niissä on vaihtelua ja aineisto saattaa tulla sykäyksittäin. Tästä syystä ajantasainen simulointi toimii vähintäänkin muutaman minuutin viiveellä todellista ajasta. Liikennetiedotussovelluksissa pieni viive todellisen ja simuloidun ajan välillä ei ole ongelmallinen. Ohjaustarkoituksessa viive on kuitenkin hyvin kriittinen. Virheellisesti toimivat ilmaisimet ovat haaste malleille, jotka toimivat ajantasaisesti. Ilmaisimet jättävät usein huomaamatta joitain ajoneuvoja. Tavallisesti tällaisten virheiden osuus on noin yksi prosentti. Jopa tätä pienempi osuus voi aiheuttaa merkitseviä kumulatiivisia virheitä malleihin, jotka pitävät lukua tiejaksolla olevien ajoneuvojen määrästä. Vaikka virheprosentti olisi sama tiejakson molemmissa päissä, ajoneuvojen laskenta voi mennä vikaan virheen satunnaisuuden takia. Myös liikennevalojen tilatiedon havaitsematta jättäminen voi tietenkin aiheuttaa vakavia ongelmia simulointimalliin, koska tällöin menetetään kokonainen valokierto. 16

Ilmaisin voi mennä rikki ja lakata toimimasta. Esimerkiksi induktioilmaisimet vahingoittuvat joskus salamaniskusta ja niiden korjaaminen saattaa kestää. Näiden pitkien katkosten lisäksi ilmaisimissa on meidän kokemuksemme perusteella paljon pieniä, alle puolen tunnin mittaisia katkoksia. Viestintäjärjestelmien, kuten matkapuhelinverkon tai internet-yhteyksien, toimintahäiriöt voivat myös aiheuttaa katkoksia tiedonsiirtoon. Vaikka liikenteen seurantajärjestelmä toimisikin hyvin, tiedonsiirrossa voi esiintyä ongelmia. Nämä katkokset eivät kuitenkaan yleensä ole pitkiä, koska on myös puhelinoperaattorin tai internet-yhteyden tarjoajan edun mukaista, että yhteydet toimivat luotettavasti. Mittausjärjestelmän eri kellojen synkronoinnin puute saattaa aiheuttaa aineistoon virhettä. Jos kahden ilmaisimen havainnot pitää yhdistää (matka-ajan mittaus, häiriön havaitseminen) ja joku kelloista ei ole oikeassa ajassa, tulokset voivat olla virheellisiä. Yleensä haasteena on havaita kellot, jotka jätättävät tai edistävät pikkuhiljaa. Alussa virhe on pieni, mutta kasvaa ajan mittaan. 4.2 Liikennemallin aiheuttamat haasteet Ajantasainen telematiikkasovellus on riippuvainen liikennemallin tuottamasta liikennetilanteen tulkinnasta. Malli voi kuitenkin tulkita tilannetta virheellisesti, jos se ei osaa käsitellä seurantajärjestelmältä saamaansa tietoa, se saa virheellistä tietoa tai sitä käytetään käyttöalueensa ulkopuolella. Virheellinen tulkinta saattaa johtaa väärään ohjaustoimenpiteeseen tai tiedotukseen ja näin ollen ei-toivottuihin seurauksiin (kuva 2). Malli, joka toimii hyvin tutkimusympäristössä, saattaa kärsiä ongelmista ajantasaisessa ympäristössä. Muutos simuloidusta aineistosta todelliseen, maastossa mitattuun aineistoon saattaa johtaa ongelmiin, jos malli ei ole riittävän vakaasti käyttäytyvä, koska ajantasainen kenttäaineisto saattaa pitää sisällään suurempaa vaihtelua kuin simuloitu aineisto. Vaikka tutkimusmalli olisikin perustunut kenttäaineistoon, saattaa ilmetä ongelmia, jos mallin tekovaiheessa on käytettävissä suhteellisen vähän aineistoa. Vaikka mallin opetusaineisto olisi edustavaa ja kattaisi tavalliset tilanteet, se ei voi koskaan kattaa kaikkia mahdollisia erilaisia tilanteita. Mallin suunnitteluvaiheessa pitäisi käydä läpi suuri määrä skenaarioita. Erilaisten häiriöiden luominen on helppoa simulointimallin avulla, mutta erityisesti silloin, kun työskennellään maastossa mitatun aineiston pohjalta, mallin vaste häiriöille pitäisi ottaa huomioon. Tästä on seurauksena, että käyttöalue, jolle malli on kalibroitu, pitäisi aina tiedostaa eikä mallia saisi käyttää sen ulkopuolella. 17

On erityisen ongelmallista, jos opetusaineisto ei vastaa todellista liikennetta kokonaisvaltaisesti ja se sisältää epäedustavia havaintoja. Tällaisia havaintoja on usein mukana esimerkiksi matka-aika-aineistossa. Mittausjärjestelmä tuottaa kahdenlaisia virheellisiä matka-aikoja: ne ova seurausta (1) toimintahäiriöistä järjestelmässä itsessään tai (2) epäedustavien matka-aikojen mittaamisesta. Automaattinen hahmontunnistusprosessi ei ole täysin tarkka rekisterikilpien lukemiseen perustuvassa mittausjärjestelmässä ja se saattaa yhdistää havaintoja virheellisesti, mikä johtaa matka-ajan väärintulkintaan. Poikkeavia havaintoja esiintyy myös, koska aina on havaintoja ajoneuvoista, jotka eivät ole ajaneet reittiä, jolta matkaaikaa todellisuudessa halutaan mitata. Tämä on seurausta siitä, että jotkin ajoneuvot pysähtyvät tiejakson varrelle tai poistuvat siltä ja palaavat takaisin, jos ilmaisinverkko ei kata kaikkia pikku liittymiä. Lisäksi voi olla havaintoja ajoneuvoista, jotka ovat ajaneet reitin lainsäädännöstä piittaamatta (moottoripyörä, joka ohittaa hitaasti liikkuvat jonot tien piennarta pitkin) ja täten edustavat epätodellista matka-aikaa. Kaikki nämä virheelliset havainnot pitäisi tunnistaa ja poistaa syöteaineistosta, jotta liikennetilanteesta voitaisiin saada todenmukainen kuva. Otos voi myös olla harhainen, jolloin se ei edusta todellista liikennevirtaa. Valtatiellä 4 matka-ajan seurantajärjestelmä ei kata ohituskaistaa. Peruskaista antaa käsityksen liikenteen sujuvuudesta tiellä, mutta järjestelmän havaitsemien ajoneuvojen otos ei edusta satunnaisotosta koko liikennevirrasta. Koska kaikki jommassa kummassa mittauspisteessä ohituskaistaa pitkin ajavat ajoneuvot jäävät automaattisesti havaintojen ulkopuolelle, otos on harhainen pitkien matka-aikojen suuntaan. Tästä syystä pitää tiedostaa, että mallin tuottama kuva liikenteestä, johon esitetty liikennetieto perustuu, on harhainen. On tärkeää ymmärtää ilmaisimien puutteet ja rajoitukset, joita ne malleille aiheuttavat. Esimerkiksi kamerailmaisimet ovat herkkiä lialle, lumelle ja heijastumille. Ilmaisin voi siis toimia etenkin talviaikaan vain harvoin ihanteellisissa olosuhteissa ja tästä syystä myös niiden havainnointiaste on harvoin yhtä korkea kuin se olisi hyvissä olosuhteissa. Alhaisen havainnointiasteen takia niiden liikennesuureiden määrä, joita malli voi käyttää, on rajallinen. Esimerkiksi mediaani on todennäköisesti vähemmän herkkä pienelle otoskoolle kuin keskiarvo tai hajonta. Induktioilmaisimet eivät myöskään toimi aina virheettömästi. Ne jättävät havaitsematta tietyn tyyppisiä ajoneuvoja (esimerkiksi moottoripyöriä) tai ajoneuvoja, jotka ajavat kaistan laitaa tai ne saattavat havaita viereistä kaistaa ajavia ajoneuvoja. Pitkät tai leveät silmukat ovat ongelmallisia erityisesti ajantasaiselle mikrosimuloinnille koska kaksi ajoneuvoa voi varata ne yhtä aikaa, mikä sotkee ajoneuvojen laskun. Tästä on seurauksena, että mallin pitää säännöllisesti nollata kumulatiivinen ajoneuvolaskuri. Tämä voidaan tehdä silloin, kun liikennetiheys on erittäin pieni tai nolla, esimerkiksi yöaikaan. 18

Mallin täytyy olla hyvin kalibroitu, jotta se välttää liikennetilanteiden väärintulkinnan. Esimerkiksi ajantasaisessa simuloinnissa virhe arvioidussa purkautumisliikennemäärässä voi aiheuttaa virheen jononmuodostukseen. Tämä virhe voidaan korjata, jos jonon loppua ilmaisemaan sijoitetaan ylimääräinen ilmaisin. Ajantasainen purkautumisliikennemäärän kalibrointi on mahdollista, jos pysäytysviivan lähellä on ylimääräinen ilmaisin. Pysäytyslinjan ylittävien ajoneuvojen määrä jonon purkautumisen aikana voidaan laskea, jotta saadaan säädettyä purkautumisliikennemäärän parametrit. 4.3 Kuinka selvitä ajantasaisuuden aiheuttamista haasteista Kehitettäessä mikrosimulointimallia Mansfieldiin (Kosonen & Bargiela 2000) tiedostettiin, että ajantasainen simulointimalli voisi toimia varsin harvojen ilmaisimien kanssa ja että tärkeimmät ilmaisimet sijaitsivat tiejaksojen alkuosissa. Muita ilmaisimia voitaisiin kuitenkin käyttää mallin tarkkuuden parantamiseen. Virheellisesti toimiva ilmaisin saattaisi aiheuttaa sen, että simuloitu tila-arvio saattaisi olla huomattavan virheellinen. Tästä oli seurauksena, että oli parempi hyväksyä hieman alentunut tarkkuus ja olla käyttämättä epäilyttävää ilmaisinta. Tästä syystä tarvittiin toiminto, joka tarkkaili jatkuvasti ilmaisimien kuntoa. Jos ilmaisin oli pitkään päällä tai poissa päältä tai jos se lähetti liian usein tai liian lyhyitä ilmaisinpulsseja, oli ilmeistä, että ilmaisimessa oli jokin ongelma. Tietoyhteysongelmien selvittämiseksi viestit piti puskuroida ja aikaleimata. Malli (Kosonen & Bargiela 2000) pystyi lukemaan ja tallentamaan kaikki viestit sitä mukaa, kun ne tulivat, mutta se käytti niitä aikaleimojen perusteella. Viive todellisen ja simuloidun ajan välillä asetettiin suurimman tiedonsiirtoviiveen suuruiseksi. Kun aineistoa kerättiin liikennevaloilta ja ilmaisimilta, oli luotettavampaa hakea ja lähettää tilatieto tietyin aikavälein, tilamuutoksista riippumatta. Tämä menetelmä oli yksinkertainen ja luotettava, mutta vaati hieman enemmän linjakapasiteettia kuin vaihtoehdossa, jossa välitettiin ainoastaan tilamuutokset. Tässä jälkimmäisessä vaihtoehdossa mallin piti muistaa edellinen tila, koska muuten yksittäisen viestin katoaminen olisi johtanut järjestelmän toimintahäiriöön. Siirrettävän tiedon määrä oli tällä tapaa pienempi, mutta se ei pienentänyt tarvittavaa linjakapasitteettia vastaavasti. Internet-protokollan kehysjärjestelmän takia lyhyiden ja pitkien viestien lähettäminen vaati suunnilleen saman kapasiteetin. Liikenteenohjaussovelluksissa paras tapa välttää kommunikaatio-ongelmia on käyttää liikennemallia paikallisesti. Liikennevalosovelluksessa ajantasaista simulointimallia voidaan ajaa samalla tietokoneella kuin ohjausalgoritmia. Käytännös- 19

sä viive on erittäin pieni, kun paikallinen tietokone saa tiedot kaikilta liittymän ilmaisimilta ja valo-opasteilta. Valtatien 4 matka-ajan ennustemalli (Innamaa, julkaistavaksi toimitettu B) ei saanut jokaiselta ilmaisimelta havaintoja jokaisen viiden minuutin jakson aikana. Tämä johtui ongelmista seurantajärjestelmässä, tiedonsiirrossa ja varmasti myöskin pienestä otoskoosta. Osittaisen tiedon kanssa selvitäkseen mallille kehitettiin päivityssääntö, jotta ennustemalli voitiin pitää toiminnassa pienistä tiedonkeruukatkoksista huolimatta. Tässä tapauksessa matka-ajan arvoa pidettiin vakiona, kunnes mitattiin uusi arvo. Joskus tiedonkeruukatkokset olivat erittäin pitkiä ja syötteen arvo piti todeta tuntemattomaksi (Innamaa, julkaistavaksi toimitettu B). Ennustemallin pitäisi kuitenkin olla varautunut tilanteisiin, joissa kaikki ilmaisimet eivät ole toiminnassa. Tästä syystä jokaiselle ilmaisinyhdistelmälle tehtiin erillinen neuroverkko simuloimaan tilanteita, jolloin yksi tai useampi ilmaisin ei ole toiminnassa. Jos tietyn ilmaisimen tietokatkos kesti korkeintaan 30 minuuttia, syötteen arvo pidettiin muuttumattomana, kunnes mitattiin uusi arvo. Jos katkos kesti yli 30 minuuttia, ennuste tehtiin neuroverkolla, joka oli opetettu ilman tätä kyseistä tietoa. Liikennetiedotusjärjestelmän luotettavuuden kannalta on olennaista, ettei liian epävarmoja ennusteita näytetä. Tästä syystä matka-aikaa ei ennustettu, jos liian moni tai kriittinen ilmaisin oli poissa toiminnasta (Innamaa, julkaistavaksi toimitettu B). Tässä vaiheessa tilanteissa, jotka johtivat ennusteeseen, joka oli oikeassa alle 60 prosenttia ajasta ruuhkaisissa olosuhteissa, ennustetta ei tehty lainkaan. 20

5 Tulosten tarkastelu Tämän tutkimuksen tarkoituksena oli koota kokemuksia tutkimuksista, jotka käsittelevät ajantasaista liikenteen mallintamista, ja tarjota ohjeita ajantasaisia liikennetilannemalleja tekevien henkilöiden avuksi. Tulokset perustuvat kolmeen tapaustutkimukseen, mutta käsitellyt asiat eivät rajoitu minkään tietyn liikenteen ilmiön mallintamiseen, mallinnusmenetelmään tai mihinkään tiettyyn toimintaympäristöön. Huomioon otettavat haasteet eivät useinkaan liity itse malliin. Nämä haasteet liittyvät aineistoon, seurantajärjestelmään ja tiedonsiirtoon. Jos malli saa osittaista, virheellistä tai viiveellä saapuvaa syötetietoa, se voi johtaa virheelliseen kuvaan liikennetilanteesta. Tästä on seurauksena, että liikennettä voidaan ohjata virheellisesti tai voidaan antaa virheellistä tiedotusta, jotka voivat johtaa ei-toivottuihin seurauksiin. Saadut tulokset viittaavat siihen, että ajantasaisessa mallissa pitäisi aina olla laatutarkistus saapuvalle tiedolle. Virheellisesti toimivat ilmaisimet ovat haaste mallille, joka toimii ajantasaisesti. Ei ole väliä, onko aineistossa mittausjärjestelmän puutteista johtuvia virheellisiä havaintoja vai todellisia havaintoja, jotka edustavat tavallisesta poikkeavaa ajotapaa. Joka tapauksessa nämä havainnot pitäisi löytää ja poistaa aineistosta ennen mallille syöttämistä. Lisäksi olisi hyödyllistä, jos malli voisi toimia vähintäänkin lyhyiden toimintahäiriöiden yli esimerkiksi arvioimalla puuttuvat parametrit aiempien havaintojen perusteella. Tosielämässä seurantajärjestelmän ilmaisimet kärsivät kaikenlaisista toimintahäiriöistä. Ilmaisinviat voivat olla pitkiä tai lyhyitä. Suhteellisen pitkien toimintahäiriöiden tapauksessa täytyy arvioida, kannattaako mallia käyttää puutteellisilla syötetiedoilla ja kuinka ne vaikuttavat tuloksiin. Eräs mahdollisuus selviytyä mallin rajoitetun käyttöalueen aiheuttamista haasteista on käyttää mallin opetuksessa tai kalibroinnissa simuloitua aineistoa. Siinä tapauksessa pitäisi tosin soveltaa jonkinlaisia aineiston esikäsittelymenetelmiä (van Lint ym. 2003), jotta voidaan taata mallin vakaa käyttäytyminen tosielämän aineistolle. Jos mikrosimulointijärjestelmä tuottaa kaikki mittaukset, mitä tahansa ilmaisinasetelmaa voidaan testata. Lisäksi kaikki liikenneolosuhteet ja suuri valikoima häiriöitä ja ilmaisinvikoja voidaan käydä järjestelmällisesti läpi hyvin alhaisista liikennemääristä ruuhkiin. Tällä tavoin järjestelmä voi oppia paremmin, kuinka selvitä poikkeustilanteista, verrattuna siihen, jos toimitaan pelkän maastossa mitatun aineiston pohjalta. Mallin simuloitu opetus tai kalibrointi voidaan automatisoida täysin, mikä säästää paljon vaivaa, etenkin jos opetusta tarvitaan useille malleille tai osamalleille. 21

Onnistunutta ajantasaista liikenteen mallintamista varten tarvitaan yhtenäinen tietojärjestelmä. Kun laskenta- ja kommunikaatiokapasiteettia on riittävästi, useimmista teknisistä haasteista selvitään. Kaikille järjestelmille, jotka käsittelevät liikennetietoa, pitäisi tarjota liityntärajapinta ajantasaiseen liikennetietokantaan. Avoin ja virtaviivainen telematiikkajärjestelmien arkkitehtuuri auttaa kehittämään yhtenäisiä ajantasaisia liikennemallijärjestelmiä, jotka ovat luotettavia. Huolimatta siitä käyttääkö liikennemallia tiedotus- vai ohjausjärjestelmä, tieto mallin käyttöalueesta ja mallin antaman liikennetilannetulkinnan laadusta on olennaisen tärkeä. Tiedotus, joka perustuu virheelliseen liikennetilannekuvaan, on käyttökelvotonta ja voi johtaa huonompaan reitinvalintaan tai valheellisiin odotuksiin. Virheellinen liikennetilanteen tulkinta voi myös johtaa vääriin ohjaustoimenpiteisiin, jotka huonontavat sujuvuutta tai turvallisuutta. Virheellinen tiedotus tai ohjaustoimenpide vie lisäksi kuljettajien luottamuksen järjestelmään. Kun luottamus kerran menetetään, sitä on vaikea enää saada takaisin. Yhteenvetona voidaan todeta, että vaikkei monia haasteita voikaan välttää, meidän neuvomme on tehdä vakaasti käyttäytyviä malleja, jotka suhtautuvat tulevaan aineistoon epäillen. Mallin täytyy lisäksi olla varautunut tavalla tai toisella osittaiseen tietoon. Hieman liioitellen täytyy todeta, että liikenteen seurantajärjestelmien valitettava todellisuus voi olla, että ne koostuvat huonosti sijoitetuista ilmaisimista, jotka toimivat virheellisesti ja ainoastaan osan ajasta antaen harhaisen kuvan liikennetilanteesta. Useimmissa tapauksissa, mallin kehittäjä ei voi välttää haasteita, mutta hänen täytyy olla niistä ja niiden aiheuttamista rajoituksista selvillä. Mallin kehittäjän pitäisi myös ymmärtää heikkoudet, jotka harhainen aineisto aiheuttaa. Jos mallin kehittäjä saa liikenteestä kuvan, joka ei täysin vastaa todellisuutta, myöskään mallin antama vaste oli se sitten kuinka lähellä mitattuja arvoja tahansa ei vastaa todellisuutta sellaisena kuin tienkäyttäjä sen näkee. Tavallisesti neuroverkko opetetaan tai simulointimalli kalibroidaan ennen kuin mallia aletaan käyttää. Tästä askel eteenpäin olisi itseoppiva malli, joka muuttaisi omia parametrejään samalla, kun olisi toiminnassa. Ajantasaisessa toiminnassa mallin oppimisaika on rajallinen eikä järjestelmä voi käytännössä oppia tekemistään virheistä ja yrittää parantaa seuraavalla kerralla. Tulevaisuuden tavoitteena pitäisikin olla itseoppiva neuroverkko tai simulointimalli ja tästä syystä jatkotutkimusaiheena pitäisi olla automatisoitu oppimis- tai kalibrointiprosessi, joka ei rajoittuisi ainoastaan opetusvaiheeseen, vaan toimisi myös ajantasaisen toiminnan aikana. 22

Lähdeluettelo Chien S, Kuchipudi C (2002). Dynamic travel time prediction with real-time and historical data. Transportation Research Board, Washington DC. Remarks: Paper 02-2548 prepared for presentation at the 81st annual meeting of the Transportation Research Board, Washington, D.C. 26 s. Eloranta T (1999). Rekisterikilpien tunnistukseen perustuva liikenteen automaattinen matkanopeuden seuranta. Tielaitoksen selvityksiä 46/1999. Uudenmaan tiepiiri, Tielaitos, Helsinki. 149 s. 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). 12 s. Innamaa S (julkaistavaksi toimitettu A). Short-term prediction of travel time using neural networks on an interurban highway. Innamaa S (julkaistavaksi toimitettu B). Online prediction of two-lane highway travel time experience from a pilot trial. Kosonen I (1999). HUTSIM - Urban Traffic Simulation and Control Model: Principles and Applications. Teknillinen korkeakoulu, Liikennetekniikka, Julkaisu 100, Espoo. 248 s. Kosonen I, Bargiela A (2000). Simulation based traffic information system. 7th World Congress on Intelligent Transport Systems. Lindveld C, Thijs R, Bovy P, Van der Zijpp N (2000). Evaluation of online travel time estimators and predictors. Transportation Research Record, 1719. S. 45 53. van Lint J, Hoogendoorn S, van Zuylen H (2002). Robust freeway travel time prediction with state-space neural networks. Proceedings of the 13 th Mini-EURO Conference Handling uncertainty in the analysis of traffic and transportation systems. 6 s. van Lint J, Hoogendoorn S, van Zuylen H (2003). Toward a robust framework for freeway travel time prediction: experiments with simple imputation and statespace neural networks. Transportation Research Board 82 nd Annual Meeting, Compendium of papers CD-ROM, Washington D.C. 11 s. Niittymäki J (2002). Fuzzy traffic signal control - Principles and applications. Teknillinen korkeakoulu, Liikennetekniikka, Julkaisu 103, Espoo. 71 s. 23

Ohba Y, Ueno H, Kuwahara M (2000). Travel time prediction method for expressway using toll collection system data. Proceedings of the 7 th World Congress on Intelligent Systems. 8 s. Tiehallinto (2001). Liikenteen automaattinen mittaus 2000. Tiehallinnon sisäisiä julkaisuja 25/2001, Tiehallinto, Helsinki. 6 + 200 s. 24