Liikenne-ennuste

Liikenne-ennuste pyrkii arvioimaan ajoneuvojen tai ihmisten lukumäärää, jotka käyttävät tiettyä kuljetuspalvelua tulevaisuudessa. Ennuste voi esimerkiksi arvioida suunnitellulla tiellä tai sillalla olevien ajoneuvojen lukumäärän, rautatielinjan matkustajamäärän, lentoaseman kävijämäärän tai satamaan saapuvien alusten lukumäärän. Liikenne-ennusteen laatiminen alkaa tietojen keräämisestä nykyisestä liikennetilanteesta. Tähän liikennedataan yhdistetään muita tietoja muun muassa väestörakenteesta, työllisyydestä, lipunhinnoista ja matkakustannuksista, joista voidaan kehittää nykyliikenteen kysyntämalli. Väestö- ja työllisyysennusteiden avulla mallilla voidaan muodostaa arvio tulevasta liikenteen kysynnästä, joka on yleensä arvioitu kunkin liikenneinfrastruktuurin jokaiselle segmentille, esimerkiksi jokaiselle tien osalle tai rautatieasemalle. Nykytekniikka mahdollistaa dynaamisen massadatan käytön, mikä mahdollistaa uusien algoritmien kehittämisen parantamaan nykyisten arvioiden ennustettavuutta ja tarkkuutta.[1]

Kolmenkymmenen ihmisen vaatima tila katutilassa henkilöautoilla (vasemmalla), polkupyörillä ja linja-autolla

Liikenne-ennusteet ovat keskeinen työkalu liikennepolitiikassa ja -suunnittelussa: infrastruktuurin kapasiteetin laskemiseen, hankkeiden taloudelliseen ja sosiaaliseen kannattavuusarviointiin esimerkiksi kustannus-hyötyanalyysillä ja sosiaalisten vaikutusten arvioinnilla sekä ympäristövaikutusten, kuten ilmansaasteiden ja melun laskemiseen.

Nelivaiheiset mallitMuokkaa

 
Kysynnän ja tarjonnan syntyminen liikenteessä

Rationaalisen suunnittelun puitteissa liikenne-ennusteiden laatimisessa on perinteisesti noudatettu nelivaiheista mallia tai kaupunkiliikenteen suunnitteluprosessia (engl. urban transportation planning process), joka otettiin ensimmäisen kerran käyttöön suurtietokoneissa 1950-luvulla Yhdysvalloissa Detroitin kaupunkiseudun liikennetutkimuksessa ja Chicagon alueen liikennetutkimuksessa.

Prosessin ensimmäinen vaihe on maankäyttöennusteen laatiminen. Ennusteet tehdään yleensä koko alueelle, esimerkiksi väestörakenteen perusteella. Tällaiset seudulliset ennusteet asettavat raamit paikallisia analyysejä varten. Alueen väestö ja työpaikat on tyypillisesti jaettu vyöhykkeisiin trendi- tai regressioanalyysin perusteella.

Klassisen kaupunkiliikenteen suunnittelumallin neljä vaihetta ovat:

  • Matkan luonti määrittää matkojen lähtöpaikan tai määränpään tiheyden kullakin vyöhykkeellä matkan tarkoituksen mukaan maankäytön, kotitalousrakenteen ja muiden sosioekonomisten tekijöiden pohjalta.
  • Matkajakauma sovittaa lähtöpaikan määränpäihin käyttäen usein painovoimamallifunktiota, joka vastaa entropian maksimointimallia. Vanhemmat mallit sisältävät Fratar- tai Furness-menetelmän, joka on iteratiivinen suhteellinen sovitus.[2]
  • Kulkutavan valinta laskee matkojen osuuden jokaisen lähtöpaikan ja määränpään välillä tiettyä kulkuvälinettä käyttäen. Tämä modaalimalli voi olla logit-muotoinen.
  • Reitin määritys jakaa matkan lähtöpaikan ja määränpään välillä reitille. Usein (moottoritien reittiosoituksessa) hyödynnetään Wardropin käyttäjätasapainon periaatetta (vastaa Nashin tasapainoa), jolloin kukin kuljettaja valitsee matka-ajaltaan lyhimmän reitin, samalla kun kaikki muut kuljettajat toimivat samoin. Mallin ongelma on, että matka-aika ovat kysynnän funktio, kun taas kysyntä on matka-ajan funktio. Tästä seuraa niin sanottu kaksitasoinen ongelma. Toinen lähestymistapa on käyttää Stackelberg-kilpailumallia, jossa käyttäjät ("seuraajat") reagoivat "johtajan", tässä tapauksessa esimerkiksi liikenteenohjauksen, valintoihin. Tämä johtaja pyrkii ennakoimaan seuraajien todennäköisen toiminnan.

Klassisen mallin jälkeen suoritetaan arviointi sovittujen päätöksentekokriteerien ja parametrien mukaan. Tyypillinen kriteeri on kustannus-hyötyanalyysi. Kun verkkomääritysmalli tunnistaa tarvittavan lisäkapasiteetin, voidaan tällaista analyysiä käyttää kapasiteetin kannattavuuden arvioimiseksi. Sen lisäksi, että ennustaminen ja päätöksentekovaiheet tunnistetaan prosessin lisävaiheiksi, on tärkeää huomata, että ennustaminen ja päätöksenteko läpäisevät kaikki kaupunkiliikenteen suunnitteluprosessin vaiheet. Suunnittelu käsittelee tulevaisuutta, mikä on riippuvaista ennusteen laadusta.

Toimintaperusteiset mallitMuokkaa

Toimintaan perustuvat mallit ovat toinen malliluokka, joka ennustaa yksilötasolla missä ja milloin tietyt toiminnat, kuten työ, vapaa-aika ja ostokset tapahtuvat. Toimintaperusteisten mallien tärkein lähtökohta on, että matkakysyntä johtuu toiminnasta, jota ihmisten tarvitsee tai haluavat suorittaa, ja matkapäätökset ovat osa aikataulupäätöksiä. Liikkumista pidetään siten vain yhtenä järjestelmän ominaisuutena, ja liikkumismallia tarkastellaan siis yhtenä päiväkohtaisen aikataulun osatekijänä.

Toimintaperusteiset mallit tarjoavat erilaisia käyttökohteita kuin nelivaiheiset mallit. Yksi esimerkki on ympäristökysymysten, kuten päästöjen ja saastuneelle ilmalle altistumisen mallintaminen. Vaikka Shiftan tunnisti mallien ilmeiset hyödyt ympäristötarkoituksiin melkein vuosikymmen sitten,[3] sovelluksia on edelleen vähän. Vasta hiljattain malleja on käytetty ennustamaan päästöjä[4] ja ilmanlaatua.[5][6] Ne voivat myös tarjota paremman kokonaisarvion altistumisesta samalla kun ne mahdollistavat myös yksittäisen altistuksen erittelyn toimintakohtaisesti.[7][8] Siksi niitä voidaan käyttää vähentämään altistumisen virheellistä luokittelua ja luomaan tarkempia yhteyksiä terveysvaikutusten ja ilmanlaadun välille.[9] Poliittiset päättäjät voivat käyttää toimintaperusteisia malleja suunnitellakseen strategioita, jotka vähentävät altistumista muuttamalla ajankäytönmalleja tai jotka kohdistuvat tiettyihin väestöryhmiin.[10] [11]

Yhdistetyt liikenteen ja maankäytön mallitMuokkaa

Sekä liikenteen että maankäytön huomioon ottavien mallien on tarkoitus ennustaa liikenneverkon muutosten vaikutusta toimintojen tuleviin sijainteihin ja ennustaa sitten näiden uusien sijaintien vaikutus liikenteen kysyntään.

Kuljettajakohtaiset mallitMuokkaa

Kun datatiedettä ja massadataa voidaan hyödyntää liikennemallinnuksessa, tutkimus etenee kohti yksittäisten kuljettajien käyttäytymisen mallintamista ja ennustamista kokonaisissa kaupungeissa yksilötasolla. Tähän sisältyy ymmärrys yksittäisten kuljettajien lähtöpaikasta ja määränpäästä sekä hyötyfunktioista. Tämä voidaan tehdä yhdistämällä tieverkolla esimerkiksi rekisterikilpien lukulaitteilla kerätyt kuljettajakohtaiset tiedot muihin yksilöihin liittyviin tietoihin, kuten heidän sosiaalisen verkoston profiileihin, korttien ostotietoihin ja hakukoneiden historiaan. Tämä johtaa tarkempiin ennusteisiin, parempaan kykyyn hallita liikennettä tiettyjen kuljettajien priorisointia varten, mutta myös eettisiin haasteisiin, kun viranomaiset saavat pääsyn yksityiskohtaisempaan dataa tunnistettavissa olevista henkilöistä. Vaikka tällaisten osittain henkilökohtaisten tietojen integrointi on houkuttelevaa, joukkotarkkailun kritiikkiin liittyy huomattavia yksityisyyden huolenaiheita.

EdeltäjävaiheetMuokkaa

Vaikka tiedonkeruu ei varsinaisesti liitykään itse suunnitteluprosessiin, sillä on keskeinen rooli mallinnuksen onnistumisessa. Kerättäviin tietoihin lukeutuu väestölaskenta- ja maankäyttötiedot sekä kotihaastattelututkimukset ja matkatutkimukset. Kotihaastattelututkimukset, maankäyttötiedot ja erityiset matkan vetovoimatutkimukset tarjoavat tietoja, joita liikenne-ennusteissa käytetään.

Tiedonkeruu, hallinta ja käsittely – malliestimointi – sekä mallien käyttö tuottosuunnitelmiin ovat paljon käytettyjä tekniikoita kaupunkiliikenteen suunnitteluprosessissa. Alkuvaiheessa Yhdysvalloissa väestönlaskentatietoja täydennettiin tieviranomaisten kehittämien tiedonkeruumenetelmien avulla: liikenteen laskentamenetelmät, "mistä tulet ja minne olet menossa" -kyselyt ja kotihaastattelut. CATS:ssä syntyi käytäntöjä verkkojen koodaamiseksi ja analyysin tai liikennealueiden käsite.

Malliestimoinnissa käytettiin silloisia tekniikoita, ja suunnittelussa käytettiin mitä tahansa saatavilla olleita malleja niiden taustasta riippumatta. Suurin ero nykyhetkeen on joidenkin erityisesti liikennesuunnitteluun tarkoitettujen analyyttisten resurssien kehittäminen alkuaikoina käytettyjen BPR-tiedonkeruutekniikoiden lisäksi.

KritiikkiMuokkaa

Liikenne-ennusteiden peräkkäinen ja yhdistelevä luonne on saanut paljon kritiikkiä. Vaikka parannuksia on tehty, erityisesti toimintapohjaisen matkakysynnän mallilla, on ennusteissa vielä paljon kehitettävää. 1990-luvulla suurin osa Yhdysvaltain investoinneista mallinnustutkimuksessa meni fyysikoiden Los Alamosin kansallisessa laboratoriossa luomaan Transims-projektiin. Vaikka supertietokoneiden käyttö ja yksityiskohtaiset simulaatiot voivat parantaa käytännön toimivuutta, niiden on vielä osoitettava olevan parempia (tarkempia) kuin perinteiset mallit. Kaupallinen versio kaupattiin IBM:lle ja avoimen lähdekoodin versiota ylläpidetään myös aktiivisesti TRANSIMS Open-Source -nimellä.[12][13]

Vuonna 2009 Yhdysvaltain liittovaltion tilintarkastusviraston raportissa todettiin, että liittovaltion katsaus liikennemallinnuksen kehittämiseen keskittyi enemmän prosessivaatimuksiin (esimerkiksi yleisön riittäviin kommentointimahdollisuuksiin) kuin varsinaisiin tutkimustuloksiin.[14]

Yksi suurimmista liikennemallien käytännön käytönaikaisuuksista on se, että kuljetusmalleista ei saada palautetta maankäytöstä. Liikennehankeinvestoinnit eivät vain reagoi maankäytön muutoksiin, vaan myös vaikuttavat siihen.[15]

HuomautuksiaMuokkaa

  1. Creation of one algorithm to manage traffic systems. [Social Impact. ITS. The Intelligent Transportation Systems Centre and Testbed.] SIOR, Social Impact Open Repository.
  2. Robinson, Darren: Computer Modelling for Sustainable Urban Design: Physical Principles, Methods and Applications, s. 157. Routledge, 2012. ISBN 9781136539350.
  3. Shiftan Y: The advantage of activity-based modelling for air-quality purposes: theory vs practice and future needs. Innovation, 2000, 13. vsk, nro 1, s. 95–110. doi:10.1080/135116100111685.
  4. Beckx, C; Arentze, T; Int Panis, L; Janssens, D; Vankerkom, J & Wets, G: An integrated activity-based modelling framework to assess vehicle emissions: approach and application. Environment and Planning B: Planning and Design, 2009, 36. vsk, nro 6, s. 1086–1102. doi:10.1068/b35044.
  5. Beckx C, Int Panis L, Van De Vel K, Arentze T, Janssens D, Wets G: The contribution of activity-based transport models to air quality modelling: a validation of the ALBATROSS - AURORA model chain. Science of the Total Environment, 2009, 407. vsk, nro 12, s. 3814–3822. PubMed:19344931. doi:10.1016/j.scitotenv.2009.03.015.
  6. Hatzopoulou, M & Miller, E: Linking an activity-based travel demand model with traffic emission and dispersion models: Transport's contribution to air pollution in Toronto. Transportation Research Part D, 2010, 15. vsk, nro 6, s. 315–325. doi:10.1016/j.trd.2010.03.007.
  7. Dhondt; ym: Health impact assessment of air pollution using a dynamic exposure profile: Implications for exposure and health impact estimates. Environmental Impact Assessment Review, 2012, 36. vsk, s. 42–51. doi:10.1016/j.eiar.2012.03.004.
  8. Beckx, C: Disaggregation of nation-wide dynamic population exposure estimates in The Netherlands: applications of activity-based transport models. Atmospheric Environment, 2009, 43. vsk, nro 34, s. 5454–5462. doi:10.1016/j.atmosenv.2009.07.035.
  9. Int Panis, L: New Directions: Air pollution epidemiology can benefit from activity-based models. Atmospheric Environment, 2010, 44. vsk, nro 7, s. 1003–1004. doi:10.1016/j.atmosenv.2009.10.047.
  10. Int Panis, L; ym: Socio-Economic Class and Exposure to NO2 Air Pollution in the Netherlands". Epidemiology. Epidemiology, 2009, 20. vsk, nro 6, s. 19. doi:10.1097/01.ede.0000362234.56425.2c.
  11. Int Panis, L & ym: Modelling Gender Specific Exposure to Air Pollution. Epidemiology, 2009, 20. vsk, nro 6, s. 19. doi:10.1097/01.ede.0000362233.79296.95.
  12. TRANSIMS Open-Source - Home
  13. Transportation Analysis and Simulation
  14. Metropolitan Planning Organizations: Options Exist to Enhance Transportation Planning Capacity and Federal Oversight 9.9.2009. Yhdysvaltain liittovaltion tilintarkastusvirasto. Viitattu 7.10.2017. (englanniksi)
  15. van Wee, Bert: Viewpoint: Toward a new generation of land use transport interaction models. Journal of Transport and Land Use, 2015, 8. vsk, nro 3. https://www.jtlu.org/index.php/jtlu/article/view/611 [{{{www}}} Artikkelin verkkoversio] Viitattu 7.10.2017.

LähteetMuokkaa

Tämä artikkeli tai sen osa on käännetty tai siihen on haettu tietoja muunkielisen Wikipedian artikkelista.
Alkuperäinen artikkeli: en:Transportation forecasting