Globaalisti vuosittain 1.4 miljoonaa liikennekuolemaa ja keskimäärin 3% vaikutus bruttokansantuotteeseen sekä noin 8 miljardia tonnia ilmaan päästetty hiilidioksidia. Siinä muutamia globaaleja liikenteen madonlukuja, joihin pyritään monin keinoin vaikuttamaan.
Suomessa on tavoitteena puolittaa liikenteen päästöt vuoden 2005 tasosta vuoteen 2030 mennessä, ja pudottaa nollaan 2045 mennessä. Kun tavarakuljetuksista 66 % ja matkustajaliikenteestä yli 90 % kulkee maanteitse – yhteensä 120 miljoonaa kilometriä päivässä – pääosin 104 000 valtion ja kuntien ylläpitämällä tiekilometrillä, tehtävää ei voida pitää helppona edes tieliikenteen osalta.
Vielä kun soppaan lisätään 2.8 miljardin euron korjausvelka, merkittäviä uusia infrainvestointeja liikenteen turvallisuuden, päästöttömyyteen ja sujuvuuteen ei liene odotettavissa. Pessimisti voisi siis todeta tehtävän olevan mahdoton, mutta voisiko tekoäly ja data tehdä älyttömästä liikenteestä älykästä kustannustehokkaasti ja olemassa olevaa infraa hyödyntäen? Kenties myös liiketoiminnallisesti järkevää?
Tavoitteena reaaliaikainen liikennejärjestelmän tilannekuva
Olemassa olevan liikennejärjestelmän tehokkuuden kasvattaminen ja kustannustehokas hyödyntäminen sekä uusien palveluiden luominen edellyttää digitalisaatioasteen voimakasta nostamista muun muassa datan täysimääräiseksi hyödyntämiseksi. Ei siis täysin tuulesta temmattua, että datan puhutaan olevan uusi öljy.
Liikenteenhallinnan osalta näin varmaan onkin. Tai ehkä ennemminkin öljyn kulutuksen laskija, jos tiedon mielletään tähtäävän strategisella tasolla koko liikennejärjestelmän kapasiteetin ylläpitämiseen ja kysynnän ohjaamiseen sekä parantamaan liikennejärjestelmän:
- turvallisuutta
- toimintavarmuutta
- sujuvuutta ja
- luotettavuutta.
Erityisesti datan merkitys korostuu, kun huomioidaan tieto- ja viestintäteknologioiden huima kehitys ja sovellusmahdollisuudet. Maailmalla puhutaankin liikenteenhallinta 2.0:sta, jossa liikenteenhallinnan ja -ohjauksen toimenpiteiden tietoja ja suunnitelmia yhdistetään mm. tienkäyttäjien matkastaan tuottamaan tietoon. Tiedon yhdistämisen myötä tuotetaan ajoneuvojen tai tienkäyttäjien päätelaitteisiin personoituja älyliikenne- tai informaatiopalveluja, jotka palvelevat sekä tienkäyttäjän että tienpitäjän tavoitteita ja etuja.
Liikenteenhallinta 2.0 hakee siis systeemistä muutosta, jossa perinteisestä liikenneinfraan nojaavista hallinnan ja ohjauksen menetelmistä pyritään siirtymään kohti verkostomaista data- ja informaatiotaloutta nojautuen tiedon ja sen jakamiseen, analysointiin, yhdistämiseen sekä hyödyntämiseen erilaisissa palveluissa sellaisenaan tai yhtenä niiden osana.
Suomessa liikenteenohjausyhtiö Fintraffic Oy onkin asettanut yhdeksi tavoitteekseen mahdollistaa ja luoda liikennejärjestelmän reaaliaikainen tilannekuva, digitaalinen kaksonen, jotta Suomessa voisi olla maailman turvallisin, sujuvin ja ympäristöystävällisin liikenne.
Liiketoiminta murroksessa
Tässä vaiheessa tekstiä lienee jo sanomattakin selvää, että tulevaisuuden liikenteenhallinta tai liikennejärjestelmän reaaliaikaisen tilannekuvan syntymiseen ei riitä yksi, kaksi eikä kolmekaan toimijaa. Katse siis kääntyy väistämättä verkostomaiseen yhteistyöhön, ekosysteemeihin, kuten nykypäivänä on tapana sanoa.
Liikenteen ekosysteemien uskotaan luovan myös merkittäviä liiketoiminnallisia mahdollisuuksia eri toimijoille, mutta tällä hetkellä on vielä osittain epäselvää minkälaista se voisi olla ja minkälaisen liiketoimintamallin se data-alustoilta edellyttää.
Euroopassa ja Suomessa noin neljännes ammattiliikenteen ajokilometreistä on pelkkää tyhjää ajoa ja keskimäärin täyttöaste on noin 70%. Yksityisauton osalta tilanne on vielä huonompi käyttösteen ollessa noin viiden prosentin luokkaa. Auto siis seisoo tyhjänpanttina vähintää 23 tuntia vuorokaudessa.
Oli kyse liikkumisen matkaketjuista, autonomisista ajoneuvoista, logistiikkaketjuista tai yksityisautoilusta, liikenteenhallinnan kehitystarpeet eivät ole pelkästään teknologisia vaan myös liiketaloudellisia. Kun huomioidaan vielä seikka, että ekosysteemit itsessään eivät tee liiketoimintaa, vaan ovat vain väylä siihen, täytyy puhua dataliiketoiminnasta alustatalouden kontekstissa.
Tekoälystä sateentekijäksi?
Toki on selvää, että datalähteiden ja -määrien eksponentiaalinen kasvu asettaa myös merkittäviä ehtoja teknologialle ja data-analyysimenetelmille. Kun tavoitteena on reaaliaikainen tilannekuva, ihminen ei kykene tekemään, saati tulkitsemaan, analyysejä kyllin nopeasti, vaan homma on syytä laittaa koneen tehtäväksi. Katse siis kääntyy kohti tekoälyä ja koneoppimista.
Tekoäly voidaan kuvata mallina, ohjelmana tai järjestelmänä, jolla on itsenäinen kyky tiettyihin itsenäisiin toimintoihin ja jossain määrin myös kyky päättelyihin. Koska liikenteessä tilanteet muuttuvat alati, staattinen tekoälymalli ei toimi kovin hyvin tai ainakaan kovin pitkään. Tämän takia tarvitaan mukautuvaa koneoppimista (Adaptive ML), jotta mallit voivat adaptoitua muuttuviin tilanteisiin ja siten analyysien sekä päätelmien tarkkuus säilyy mahdollisimman hyvänä.
Uskomme mukautuvan koneoppimisen tuovan mukanaan merkittäviä liikenteenhallintaa tehostavia vaikutuksia usealla eri tasolla. Operatiivisesta ja reaktiivisesta näkökulmasta voidaan mm. ennakoida liikenteen häiriöitä ja muutoksia yhä tarkemmin lyhyellä aikajänteellä. Taktisesta näkökulmasta voidaan liikennevirtoihin ja liikkujien käyttäytymiseen sekä reittivalintoihin vaikuttaa proaktiivisemmin ja siten kyetään optimoimaan liikenneverkon käyttöä entistä paremmin.
Koska tulevaisuudessa tietoa voidaan välittää yhä tehokkaammin ja eri kanavissa, tulevat ratkaisut palvelemaan koko liikenteen toimialaa oli kyse liikenteenohjauksesta, logistiikkaketjuista, autonomisista ajoneuvoista tai perinteisestä yksityisautoilusta.
Panostamme tutkimus- ja kehitystoimintaan liikenteenhallintaan kansallisesti ja kansainvälisesti
Edistääksemme liikenteen toimialan kehitystä sekä kasvattaaksemme omaan osaamista ja innovaatiokyvykkyyttämme, käynnistimme Business Finlandin tuella tutkimushankkeen data- ja tekoälypohjaisesta liikenteenhallinnasta. Hankkeessa syvennytään sekä liiketoiminnallisiin että teknologisiin haasteisiin.
Hankkeessa tutkitaan liikenteen datataloutta sekä data-alustan liiketoimintamallia ja ansaintalogiikkaa mm. tunnistamalla eri toimijarooleja ja käyttötapauksia datan hyödyntämiselle. Lisäksi big datan ja sitä analysoivan tekoälyn uskotaan tulevaisuudessa mahdollistavan entistä tehokkaamman liikenteenhallinnan ja liikennevirtojen optimoinnin.
Hankkeessa tullaan tutkimaan AI-datamalleja, joiden avulla liikenteen ilmiöitä pyritään ennustamaan jo ennen niiden syntymistä, ja ilmiöihin vaikuttavien tekijöiden keskinäisiä vuorovaikutuksia tunnistamaan mahdollisimman tehokkaasti ja nopeasti. Tämä voi tarkoittaa kehittyneempää tiesää- ja kelianalytiikkaa tai tarkempaa ennustamista erityyppisten laivojen kulkemiseen muuttuvissa jääolosuhteissa.
Business Finland on rahoittanut hankkeen Suomi-Kiina -rahoitusinstrumentista, jolla pyritään tukemaan yritysten liiketoiminnallisia mahdollisuuksia Kiinan markkinoilla. Solitan partnereina toimii kaksi kiinalaista yliopistoa sekä yksityinen, suuri liikenteenhallintaan keskittyvä yritys.
Hankkeen merkittävimpinä tavoitteina onkin tehdä konkreettisia liikenteen kokeiluja yhdessä kumppaneiden kanssa hankkeessa tehtävillä ja kehitetyillä malleilla muun muassa ruuhkautumisen estämiseksi ja liikenteen sujuvuuden parantamiseksi. Kiinassa on noin 160 miljoonakaupunkia, joten mahdollisuuksia uusille ratkaisuille ja liiketoiminnalle pitäisi löytyä.
