Meidän avullamme kuka tahansa datakeskeisen idean omaava voi kiihdyttää ideansa toteutusta. Ekosysteemimme tarjoaa parhaat kumppanit ja globaalit teknologiat ideoiden konkretisoimiseksi.

Näkemyksiä

Uutinen
Artikkeli
Top story
Helsingin kaupunki pilotoi ratkaisuja reaaliaikaisempaan liikenteen suunnitteluun, ohjaukseen ja avoimen datan tuottamiseen
Videoanalytiikka, pilotti, Helsingin kaupunki
Helsingin kaupunki pilotoi ratkaisuja reaaliaikaisempaan liikenteen suunnitteluun, ohjaukseen ja avoimen datan tuottamiseen
Helsingin kaupungin kaupunkisuunnitteluvirasto pilotoi liikkuvilla kameroilla toteutettua videoanalyysia liikenne- ja ihmisvirtojen reaaliaikaiseen ennustamiseen sekä palvelujen tarjoamiseen kaupungin asukkaille. Pilottiin toteutettiin järjestelmä, jolla projektin yhteydessä kerätty videomateriaali saatiin kerätyksi, analysoiduksi ja visualisoiduksi.

Helsingin kaupunki haluaa edistää useasta datalähteestä kerättävän liikenteen reaaliaikaisen tilannekuvan kehitystä. Liikenteen tilannekuva on ajantasainen graafinen näkymä liikenteeseen, väyliin, kulkuvälineiden sijaintiin sekä olosuhteisiin liittyvään tietoon. Se voi kertoa mm. lyhyen ajan ennusteen liikennemääristä, liikenteen sujuvuudesta, häiriöistä, täsmällisyydestä sekä vallitsevista olosuhteista.

Tieto rakensi pilottiin tarvittavan järjestelmän, toimitti laitteiston ja kehitti yhteistyössä Tampereen teknillisen yliopiston kanssa videokuvan analytiikkaratkaisun.

Miksi reaaliaikaista tilannekuvaa tarvitaan?

Liikkuvan kuvan analytiikalle nähtiin kaksi pääkäyttötapausryhmää:

  1. Historiatietoon perustuvaa analysointia suunnittelun ja päätöksenteon tueksi (dataa kerätään ei-reaaliaikaisesti pidemmän aikaa)
  2. Reaaliaikaista tietoa poikkeustilanteiden tilannekuvan selvittämiseksi paikallisesti

Tilannekuvaan perustuvalla tilannetiedolla on keskeinen tehtävä arjen matkojen ja kuljetusten sujuvuuden ja ennustettavuuden sekä liikenteen turvallisuuden edistämisessä. Tietoa voidaan välittää loppukäyttäjille, palveluntarjoajille ja muille tiedon hyödyntäjille.

Pitkällä aikavälillä kerätystä liikennedatasta voidaan analytiikan avulla laatia ennusteita liikennevirroista ja erilaisten poikkeustapausten vaikutuksesta verrattuna normaalitilaan. Poikkeustapauksia voivat olla esimerkiksi suurten yleisötapahtumien ja liikenneonnettomuuksien aiheuttamat ruuhkat tai huonot sääolosuhteet. Ennusteiden avulla voidaan heti poikkeuksen ilmetessä ohjata liikennettä sujuvasti sekä varautua poikkeuksen seurannaisvaikutuksiin.

Reaaliaikainen liikennedatan analyysi mahdollistaa myös paremmat palvelut kaupungin asukkaille. Vapaista pysäköintipaikoista saadaan juoksevaa tietoa, jota voidaan jakaa järjestelmän piirissä oleville autoilijoille. Videomateriaali paljastaa myös esimerkiksi kevyen liikenteen väylien auraustarpeen talvisin. Liikennevirasto kerää matka-aikatietoa vaatimuksena korkeintaan yhden minuutin viive todelliseen tilanteeseen.

Tavoitteena kustannustehokas tiedonkeruu ja analysointi

Koska liikkuvia videokuvausyksiköitä tarvitaan luotettavan ja kattavan tilannekuvan saamiseksi suuri määrä, järjestelmä oli suunniteltava mahdollisimman edulliseksi laitekannaltaan.

Siksi kameroiksi valittiin halvat Android-puhelimet, jotka kiinnitettiin ajoneuvojen tuulilasiin. Koska matkapuhelimissa on sekä riittävän laadukas kamera että sisäänrakennettu GPS-signaalin seuranta, kuva ja laitteen sijainti pystyttiin helposti synkronoimaan.

Lisäksi puhelimen anturit välittävät tietoa kiihtyvyydestä, hidastuvuudesta, tärinästä ja muista ympäristötekijöistä, joilla on merkitystä datan hyödynnettävyyteen. Ohjelmistoräätälöinti on helppoa, ja saatavilla on valmiita ohjelmistoja.

Tilannekuvan laadun parantamiseksi tarvittavien investointien kustannusten odotetaan palautuvan onnettomuus-, ruuhka- ja päästökustannusten vähenemisen myötä sekä uutena liiketoimintana. Tilannekuva mahdollistaa häiriötilanteisiin puuttumisen niiden nopean tunnistamisen, paikallistamisen ja ennustamisen ansiosta.

Videoanalytiikka, pilotti, Helsingin kaupunki

Noin 60 000  havaintoa, mutta mitä opittiin?

Mallien arviointikäyttöön saatiin yhteensä noin 60 000 havaintoa. Järjestelmä tunnisti ja luokitteli kuvissa esiintyneet henkilöautot parhaimmillaan 95 %:n tarkkuudella. Muiden kohteiden osalta tunnistamisprosentit jäivät alhaisemmiksi.

Käytännön kannalta videoanalyysimallit vaativat tilannekuvakäyttöä ajatellen kuitenkin vielä jatkokehitystä. Mahdollisuus opettaa analytiikkaa haluttuihin käyttötarkoituksiin lisää tulosten osumatarkkuutta ja koko ratkaisun käyttömahdollisuuksia.

Nykyinen teknologia ei ole vielä aivan riittävän kypsä suuren tietolähdemäärän reaaliaikaiseen videoanalytiikkaan. Tämä johtuu ennen kaikkea tiedonsiirron haasteista (4G-dataverkon siirtokapasiteetti ei ole riittävä, vaan tarvitaan 5G-verkkoa) ja suuresta datan prosessointitarpeesta. Reaaliaikaisuudesta tingittäessä ratkaisu on toteutuskelpoinen jo tällaisenaan.

Mikäli analyysi olisi mahdollista toteuttaa jo kuvaavassa laitteessa, tiedonsiirto ei ole ongelma. Tällöin ei tarvitsisi siirtää koko videoaineistoa verkon yli analyysiin, vaan pelkästään paikallisen analyysin tuottama metadata, joka vaatii merkittävästi vähemmän tiedonsiirtokapasiteettia.

Tulevaisuus näyttää lupaavalta

Kokeilu oli ainutlaatuinen sikäli, että liikkuvan kameran tuottamaa dataa ei ole vielä paljon hyödynnetty. Vaikka puutteita vielä pilotointivaiheessa odotetusti ilmenikin, tulokset olivat mielenkiintoisia ja varsin rohkaisevia käytännön sovelluksia ajatellen. Pilotissa saatiin arvokasta tietoa videokuvan tulkinnan menetelmien toimivuudesta ja nykyisten videokuvaa tuottavien järjestelmien soveltuvuudesta liikennetiedon tuottamiseksi.

Jatkokehitysmielessä on useita mahdollisuuksia parantaa datan saatavuutta, laatua ja analysointia.

  1. Sopivin kannustimin voi olla mahdollista joukkoistaa datan keruu eli saada autoilijat osallistumaan analysoitavan tiedon kokoamiseen tarjoamalla analytiikan mahdollistavat kamerat yksityisautoihin.
  2. Staattisten kameroiden lukumäärän lisääminen kriittisiin liikennekohteisiin auttaa hyödyllisen datan keruussa.
  3. Joukkoliikennevälineisiin voidaan asentaa kamerat tuottamaan liikennetietoa niiden reittiverkoston laajuudelta.
  4. Liittämällä järjestelmään ulkoisia tietolähteitä, kuten hälytyskeskusten onnettomuustietoja, voidaan tietoja ristiinajamalla parantaa ennustettavuutta ja tarkkuutta.
  5. Älypuhelinten tiedonkäsittelykapasiteetin lisääntyessä ja viidennen sukupolven tiedonsiirtojärjestelmän kehittyessä on mahdollista hajauttaa analytiikka yli koko ekosysteemin ja näin parantaa reaaliaikavaatimusten täyttymistä.

Helsingin kaupunki ja Tieto jatkavat uusien teknologioiden ja datan hyödyntämismahdollisuuksien selvittämistä parempien palveluiden tuottamiseksi kaupunkilaisille. 

Timo Helander
Senior Sales Manager
+358207250780
Share

Ota yhteyttä

  • Tieto Intelligent Building

    Ota yhteyttä: Tomi TeikkoDirector, Intelligent Building, Tieto

     

    Tilaa uutiskirje

    Haluatko pysyä ajan tasalla datakeskeisen liiketoiminnan osalta? Tilaa uutiskirjeemme tästä:

Jaa: