Fintraffic toteuttaa liikennemäärien seurantaa Suomessa noin 500 liikenteen automaattisen mittausaseman avulla (LAM-asema), mutta mittauspisteiden teknisten vikojen, maastossa tapahtuvien poikkeuksien ja tiedonsiirtohäiriöiden vuoksi mittaushavainnot voivat olla puutteellista.
Productivity Leap on toteuttanut liikennemäärätietojen LAM-Korjaussovellukseen osuudet:
1) automaattinen poikkeamien raportointi,
2) koneoppimismallin korjausehdotukset ja
3) helppokäyttöiset sovelluskäyttöliittymät, joilla suoritaan liikennemäärätietojen tarkastaminen ja korjaus
Näillä parannetaan sekä tiedon laatua että kasvatetaan tuottavuutta aiempaan liikennetietojen laadunvalvontaan nähden.
Luotettavaa ja laadukasta liikennemäärätietoa tarvitaan niin liikennesuunnittelussa kuin poliittisessa päätöksenteossakin. Lisäksi liikennemääristä ovat kiinnostuneet teidenkäyttäjät sekä media, joka uutisoi esimerkiksi juhlapyhien meno- ja paluuliikenteestä.
Kuinka korjaussovelluksen koneoppimismalli toimii?
Sääntöpohjainen poikkeamatarkastus tunnistaa datassa esiintyviä mahdollisia puutteita, jotka voivat olla esimerkiksi keräyskatkoja, yksittäisen kaistan puuttuvia havaintoja tai aiemmasta poikkeavia tuntijakaumia. Poikkeaville LAM-asemien keräyspäiville poimitaan mittausaseman historiasta muuttujat, jotka toimivat syötteenä koneoppimismallin korjausehdotukselle. Mallin tavoitteena on ennustaa muuttujien avulla, mikä olisi oikeampi liikennemäärä havaittujen poikkeamien tilalle. Malli tunnistaa muuttujista mm. viikonpäivien, vuorokaudenaikojen ja juhlapyhien vaikutuksen liikennemääriin ja osaa muodostaa korjausehdotuksen ajoneuvoluokittain.
Koneoppimismalli toteutettiin osaksi korjausprosessia
Koneoppimismallin lähtödata kirjoitetaan Data Vault 2.0 mallilla toteutusta Snowflake-tietovarastosta, joka sisältää tuntitason liikennemäärähistorian useilta vuosilta.
Lähtödata kirjoitetaan Snowflakesta csv-tiedostoina AWS:n pilvitallennuspalvelun S3-buckettiin ja kirjoitus suoritetaan tarpeen mukaan joko
ajastetusti edellisten päivän liikennemäärähavaintojen haun yhteydessä tai
tapahtumapohjaisesti, kun Korjaussovelluksessa on korjattu edellisen päivän liikennemäärät ja voidaan muodostaa ennuste seuraavalle korjattavalle päivälle.
Uusien tiedostojen saapuminen S3-buckettiin laukaisee Lambda-funktion, joka käynnistää Sagemaker notebook -instanssin.
Sagemaker notebook -instanssiin liitetty Lifecycle configuration käynnistää notebookin, joka suorittaa koneoppimismallin.
Tämä notebook
lataa mallin ja käsiteltävän datan S3-bucketista
käsittelee datan
tuottaa ennustukset ulostulokansioon ja
poistaa käsitellyt tiedostot S3:n input-kansiosta.
Lopuksi Lifecycle configuration sammuttaa notebook instanssin.
Ulostulokansioon (S3-bucket) saapuneet tiedostot laukaisee käyntiin Lambda-funktion, joka käynnistää tulostiedostojen siirron tietovarastoon
Korjaussovellus lukee tietovaraston näkymistä korjausehdotuksen ja alkuperäiset mittaustiedot ja esittää nämä käyttöliittymässä käyttäjälle
Ennusteiden käyttö
Korjaussovelluksen käyttöliittymässä käyttäjälle avautuu etusivulla tehtävälista, josta hän huomaa LAM-asemien eri keräyspäivät, joilla on havaittu poikkeamia mittaushavainnoissa (sääntöpohjainen tarkastus).
Käyttäjä tarkastelee sovelluksessa yhden LAM-aseman yhtä päivää kerralla, jolloin hänelle aukeaa graafinen esitys mitatuista liikennemääristä ja koneoppimismallin tuottamista korjausehdotuksista. Graafinen esitys, joka esittää korjausehdotuksen ja mittaushavaintojen välisen eron auttaa käyttäjää hahmottamaan, mistä poikkeamassa on kyse ja kuvaajaa klikkaamalla käyttäjä hyväksyy parhaaksi katsomansa tunnit korjattavaksi (tarvittaessa suunta- ja kaistakohtaisesti).
LAM-asemien korjaukset julkaistaan ja korjattu tuntiliikennemäärä kirjoitetaan Snowflake-tietovarastoon raportointia varten sekä seuraavien päivien koneoppimisen korjausehdotusten lähtödataksi.
Tieliikenteen liikennemäärätiedoista tuotettu raportointi on sekä julkista että Fintrafficille ja sen sidosryhmille toteutettua sisäistä PowerBI-raportointia.
LAM-asemien liikennemäärätietoja on julkisesti saatavilla Fintrafficin verkkosivuilta (https://www.fintraffic.fi/fi/fintraffic/liikennemaarat) sekä Digitraffic avoimen datan palvelusta (https://www.digitraffic.fi/tieliikenne/#liikenteen-automaattiset-mittaustiedot-lam).
Koneoppimisen avulla kohti tehokkaampaa päätöksentekoa
Projekti oli ainutlaatuinen sen vuoksi, että kyse ei ole vain raportoinnista tai koneoppimisen sovelluksesta vaan projektissa yhdistyy tietovarastointi, koneoppiminen ja sovelluskehitys – kaikkiin näihin Productivity Leapilla löytyy asiantuntemusta!
Projektissa onnistuttiin:
Tuomaan tietovaraston laajat tietovarannot koneoppimisen lähtötiedoksi
Tuottamaan koneoppimisella laadukkaita korjausehdotuksia Korjaussovelluksen käyttäjille
Palauttamaan Korjaussovelluksessa tehdyt korjaukset tietovarastoon ja raportoinnin käyttöön
Vastaavanlaisia koneoppimismalleja voitaisiin soveltaa tukemaan ihmisen päätöksentekoa tarjoamalla visualisointeja taustalla vallitsevista ilmiöistä – tässä tapauksessa liikenteen vuodenaika-, viikonpäivä- ja tuntivaihtelusta sekä juhlapyhien vaikutuksesta. Aiemmin tämä on perustunut käyttäjän hiljaiseen tietoon, joka on projektissa onnistuttu tuomaan osaksi järjestelmää.
Koneoppimisen käyttöönotossa voi aluksi edetä niin, että koneoppiminen toimii tukiälynä eli tukee ihmisen päätöksentekoa. Myöhemmin luottamuksen kasvaessa koneoppimiselle voi siirtää aiemmin ihmisen tekemiä päätöksiä määrättyjen rajojen puitteissa ja näin automatisoida prosesseja uudella tavalla.
Lue lisää asiakkaan kokemuksista: Case Fintraffic: Tekoäly parantaa liikennemäärätiedon laatua ja tehostaa asiantuntijoiden työtä
Jos kiinnostuit, kuinka koneoppimista voi soveltaa osana tietovarastoratkaisuja sekä sovelluskehitystä, niin ota yhteyttä Kari Natuseen kari.natunen@productivityleap.com.
Kerromme mielellämme lisää, kuinka voisimme auttaa organisaatiotanne. |