TY - BOOK
T1 - Ennakoivan analytiikan konseptointi
T2 - Poikkeavan ruuhkan erottaminen tavallisesta ruuhkasta
AU - Innamaa, Satu
AU - Seise, Antti
N1 - SDA: SHP: TransSmart
PY - 2016
Y1 - 2016
N2 - Tässä työssä tavoitteena oli selvittää alustavasti,
voidaanko poikkeava ruuhka erottaa tavalli-sesta
ruuhkasta. Tämä esiselvitys perustui yhden vuoden
laajuisten aineistojen analyysiin. Häiriöttömien,
normaalin kelin päivien liikennetilanteesta määritettiin
kullekin parametrille (lii-kennemäärä, pistenopeus,
matkanopeus) ns. normaalivaihteluväli. Sellaisten
ajankohtien lii-kennetilannetta, jolloin tiejaksolla oli
raportoitu onnettomuus, liikennettä haittaava tietyö tai
huonoa / erittäin huonoa keliä, verrattiin tähän malliin.
Poikkeava pistenopeus osoittautui erittäin tehokkaaksi
indikaattoriksi erittäin huonon kelin olo-suhteissa
(poikkesi normaalista 81 % ajasta). Pistenopeuden ja
liikennemäärän yhdistelmä erotteli 87 % erittäin huonon
kelin tilanteista normaalista liikennetilanteesta.
Huonolla kelillä vastaava osuus oli 45 %,
onnettomuuksissa 38 % ja liikennettä haittaavissa
tietöissä 26 %. Onnettomuuksissa tyypillisesti
pistenopeus oli poikkeava suure, tietöissä liikennemäärä.
Huo-non ja erittäin huonon kelin ajankohdat poikkesivat
normaalista tyypillisesti nopeudeltaan. Suo-raviivaisesti
samalla menetelmällä tehty keskimatkanopeusmalli (huom.
malli täysin sama kuin matka-aikamalli) ei ollut yhtä
tehokas kuin LAM-pisteisiin perustuva malli.
Hyvän liikennemallin teko vaatii mm. matkanopeus- (tai
matka-aika-)aineistolta tehokasta suodatusta, joka
voidaan toteuttaa ajantasaisesti myös mallia
käytettäessä. Jos matkanopeus- tai matka aikamalli
tehdään suodatetuista aineistoista, sen pitäisi kyetä
erottamaan poikkeavat tilanteet yhtä hyvin kuin lähelle
sijoittuva LAM-piste. Lisäksi matkanopeusmallilla
poikkeaman suuruus indikoi aluetta, johon häiriö
vaikuttaa. Yksittäisen LAM-pisteen tiedoista vastaavaa
päätelmää ei voi tehdä.
AB - Tässä työssä tavoitteena oli selvittää alustavasti,
voidaanko poikkeava ruuhka erottaa tavalli-sesta
ruuhkasta. Tämä esiselvitys perustui yhden vuoden
laajuisten aineistojen analyysiin. Häiriöttömien,
normaalin kelin päivien liikennetilanteesta määritettiin
kullekin parametrille (lii-kennemäärä, pistenopeus,
matkanopeus) ns. normaalivaihteluväli. Sellaisten
ajankohtien lii-kennetilannetta, jolloin tiejaksolla oli
raportoitu onnettomuus, liikennettä haittaava tietyö tai
huonoa / erittäin huonoa keliä, verrattiin tähän malliin.
Poikkeava pistenopeus osoittautui erittäin tehokkaaksi
indikaattoriksi erittäin huonon kelin olo-suhteissa
(poikkesi normaalista 81 % ajasta). Pistenopeuden ja
liikennemäärän yhdistelmä erotteli 87 % erittäin huonon
kelin tilanteista normaalista liikennetilanteesta.
Huonolla kelillä vastaava osuus oli 45 %,
onnettomuuksissa 38 % ja liikennettä haittaavissa
tietöissä 26 %. Onnettomuuksissa tyypillisesti
pistenopeus oli poikkeava suure, tietöissä liikennemäärä.
Huo-non ja erittäin huonon kelin ajankohdat poikkesivat
normaalista tyypillisesti nopeudeltaan. Suo-raviivaisesti
samalla menetelmällä tehty keskimatkanopeusmalli (huom.
malli täysin sama kuin matka-aikamalli) ei ollut yhtä
tehokas kuin LAM-pisteisiin perustuva malli.
Hyvän liikennemallin teko vaatii mm. matkanopeus- (tai
matka-aika-)aineistolta tehokasta suodatusta, joka
voidaan toteuttaa ajantasaisesti myös mallia
käytettäessä. Jos matkanopeus- tai matka aikamalli
tehdään suodatetuista aineistoista, sen pitäisi kyetä
erottamaan poikkeavat tilanteet yhtä hyvin kuin lähelle
sijoittuva LAM-piste. Lisäksi matkanopeusmallilla
poikkeaman suuruus indikoi aluetta, johon häiriö
vaikuttaa. Yksittäisen LAM-pisteen tiedoista vastaavaa
päätelmää ei voi tehdä.
KW - situational picture
KW - analytics
M3 - Report
T3 - VTT Tutkimusraportti
BT - Ennakoivan analytiikan konseptointi
PB - VTT Technical Research Centre of Finland
ER -