Itseoppiva sujuvuusennuste Kehä I:lle

Translated title of the contribution: Self-learning flow status forecast for the Ring Road I

    Research output: Book/ReportReport

    Abstract

    Tutkimuksen tavoitteena oli tehdä Kehä I:lle itseoppiva lyhyen aikavälin ennustemalli, joka ennustaa tiejaksoittain seuraavan 15 minuutin kuluessa lähdössä olevien ajoneuvojen sujuvuusluokan viisiportaisen luokittelun mukaisesti. Tarkoituksena oli kehittää mallia siten, että se oppii itse kohtaamistaan liikennetilanteista ja sopeuttaa ennusteitaan niiden perusteella ilman, että kaikkea mitattua aineistoa tarvitsee tallettaa. Tutkimuksen tavoitteet saavutettiin, sillä työn tuloksena saatiin kehitettyä itseorganisoituviin karttoihin ja klusterointiin perustuva malli, joka kykeni ennustamaan tiejaksojen sujuvuuden. Rakenteensa ansiosta malli kykeni oppimaan kohtaamistaan liikennetilanteista ilman, että kaikkea liikennetietoa piti tallettaa tietokantoihin. Tämän mahdollisti havaintojen luokittelu ja kunkin luokan vastetodennäköisyystaulukoiden päivittäminen. Mallia tehdessä kävi selväksi, ettei pelkkä mediaani kyennyt suodattamaan kaikkia poikkeavien matka-aikahavaintojen aiheuttamia vääristymiä. Yksinkertainen menetelmä osoittautui tehokkaaksi aineistoon ajantasaisesti tehtävässä esikäsittelyssä: matka-aikamediaaniaineisto suodatettiin havaintojen lukumäärän ja sen perusteella, kuinka paljon saatu mediaani suhteellisesti poikkesi edellisestä hyväksytystä arvosta. Online-kokeilun mukaan niiden ennusteiden osuus, jotka jäivät tekemättä siksi, että samantapaisten liikennetilanteiden klusteri oli tyhjä, pieneni odotetusti itseoppimisperiaatteen ansiosta ajan myötä. Pieneneminen oli kaikkien tiejaksojen osamalleilla suunnilleen 0,1 prosenttiyksikköä päivässä. Malli olisi ennustanut sujuvuutta paremmin, jos sillä olisi ollut käytettävissään matka-aikojen lisäksi ajantasainen tieto liikennemääristä. Nyt liikennemäärätieto kyllä oli käytettävissä, mutta se tuli niin pitkällä viiveellä (usein jopa 20 minuuttia), että tämä viive kumosi tiedon tuomat edut. Nyt kehitetyn mallin toimintaperiaate on sellainen, että se on sellaisenaan siirrettävissä helposti myös muualle. Kussakin kohteessa olemassa oleva liikenteen seurantajärjestelmä sanelee syötesuurevaihtoehdot. Alue, jolta yksittäisen osamallin syötteet kootaan, on riippuvainen paikasta ja sille tyypillisistä liikenteen ominaisuuksista. Syötesuureita voidaan ensin rajata karkeammin asiantuntija-arvauksen pohjalta ja lopulliset syötteet voidaan selvittää raportissa esitetyllä tavalla.
    Translated title of the contributionSelf-learning flow status forecast for the Ring Road I
    Original languageFinnish
    Place of PublicationHelsinki
    PublisherTiehallinto
    Number of pages42
    ISBN (Electronic)951-803-401-X
    ISBN (Print)951-803-400-1
    Publication statusPublished - 2004
    MoE publication typeD4 Published development or research report or study

    Publication series

    SeriesTiehallinnon selvityksiä
    Number60/2004
    ISSN1457-9871

    Keywords

    • traffic information
    • prediction
    • flow status

    Fingerprint Dive into the research topics of 'Self-learning flow status forecast for the Ring Road I'. Together they form a unique fingerprint.

    Cite this