28.05.2015Blogi

Big datan ja ennakoivan analytiikan mahdollisuudet liikenteessä

Uusien toimintamallien ja teknologian avulla viemme liikenteen seuraavalle tasolle. Tehokkaampi, sujuvampi ja turvallisempi liikenne saavutetaan hyödyntämällä jo olemassa olevaa dataa ja soveltamalla ennakoivaa analytiikkaa uusien toimintamallien ja palveluiden kehittämisessä. Liikenteen seuraava taso on jo ovella.

Liikenne on digitalisaation mahdollistamassa murroksessa. Liikenne kasvaa ja kehittyy jatkuvasti, mikä tuo suuria paineita liikenneväylille. Liikenneinfran kapasiteetti on rajallinen ja uuden infran rakentaminen erittäin kallista. Liikenteen kehittämisen tavoitteet, palvelukyvyn parantaminen, turvallisuus, tehokkuus, sujuvuus ja ympäristöystävällisyys, ovat saavutettavissa digitalisoinnilla ja teknologiaa hyödyntämällä.

Toisaalta teknologia mahdollistaa uusia liiketoimintamalleja liikenteessä. Tärkeä osa tätä kehitystä on liikenteen palvelullistuminen. Uusien liiketoimintamallien lisäksi digitalisaatio tarkoittaa Internet of Things (IOT) -ajatusten soveltamista liikenteessä. Langattomien tiedonsiirtoteknologioiden avulla voidaan kerätä suuria määriä sensoreiden tuottamaa informaatiota reaaliaikaisesti ja analysoida kerättyä dataa big datan hengessä.

Itse asiassa esimerkiksi rautatieliikenteessä IOT-ajatuksia sovelletaan jo nyt. Valtakunnallisen rautatieliikenteen liikkuvan kaluston kuntoa valvotaan reaaliaikaisesti yhdestä valvomosta. Junien laakereita, akselimassoja ja sähkövirroittimia seurataan ajantasaisesti, ja mahdollisista raja-arvojen ylityksistä ja vioista saadaan automaattiset hälytykset valvomoon. Seurattavia tapahtumia on useita tuhansia päivässä. Hälytysten perusteella voidaan tehdä tarvittavat toimenpiteet kaluston ja liikennöinnin suhteen ajoissa siten, että liikenneturvallisuus väylillä ei vaarannu.

Tämä esimerkki on siis jo tätä päivää, mutta millaisia mahdollisuuksia kerätyn tiedon edelleen jalostaminen voisi tuoda? Tapahtumien historiatiedon ymmärtäminen on tärkeää liiketoiminnalle niin operatiivisen toiminnan kuin sen kehittämisen näkökulmasta. Eteenpäin katsominen on kuitenkin hyödyllisempää kuin liiketoiminnan “peräpeiliin” tuijottaminen. Ennakoivan analytiikan (engl. data science, predictive analytics) avulla voidaan suurista datamääristä löytää syy-seurausyhteyksiä tapahtumille, mallintaa monimutkaisia tapahtumaketjuja ja ennustaa saadun tiedon avulla tulevia tapahtumia. Tämä avaa merkittäviä mahdollisuuksia liikenteen tavoitteelliseen kehittämiseen.

Palataan aikaisempaan esimerkkiin. Kuvitellaan, että rautatieliikenneoperaattori saa käyttöönsä jo nyt viranomaisten käyttöön kerättävän tiedon juniensa laakereiden lämpötiloista. Operaattori hyödyntää tietoa mallintamalla ennakoivan analytiikan menetelmiä käyttäen laakereiden käyttäytymistä ja ennustaa hyvissä ajoin tulevia rikkoontumisia kalustossaan. Tämän tiedon pohjalta operaattori voi suunnittelemalla kalustonsa huollot ennakoivasti niin, että tarvittavat komponentit vaihdetaan määräaikaishuolloissa ennen mahdollista viranomaisten puuttumista liikennöintiin. Näin sekä vältytään kalliilta rikkoutumisilta ja pakottavilta muutoksilta liikennöinnissä että voidaan myös lisätä kaluston kapasiteetin käyttöastetta. Kaikkiaan taloudelliset hyödyt ovat merkittäviä ja parantavat liikenteen sujuvuutta ja tehokkuutta.

Ennakoiva analytiikka tuo huomattavia hyötyjä myös muualla rautatieliikenteessä ja muissa liikennemuodoissa. Mahdollisuuksien realisoimiseksi tarvitaan avoimia rajapintoja olemassa olevaan tietoon – mutta myös tuoreita ajatuksia tiedon hyödyntämiseen. Tietovarastojen ja -lähteiden avaaminen on jo meneillään, ja sen työn kiihdyttäminen on tärkeää liikenteen digitalisoitumiselle ja liikenteen kehittämisen tavoitteiden saavuttamiselle. Kun tarvittava tieto ja sen saatavuus on määritelty, tarvitaan vielä rohkeita kokeiluja, joilla testataan ajatusten ja palvelujen toimivuus reaalimaailmassa.

Tutustu myös Solitan ratkaisuihin liikenteelle