pienoiskuva|Kolmenkymmenen ihmisen vaatima tila katutilassa henkilöautoilla (vasemmalla), polkupyörillä ja linja-autolla 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.
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 mallit pienoiskuva| Kysynnän ja tarjonnan syntyminen liikenteessä Rationaalisen suunnittelun puitteissa liikenne-ennusteiden laatimisessa on perinteisesti noudatettu nelivaiheista mallia tai kaupunkiliikenteen suunnitteluprosessia (), 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. 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 mallit 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, sovelluksia on edelleen vähän. Vasta hiljattain malleja on käytetty ennustamaan päästöjä ja ilmanlaatua. Ne voivat myös tarjota paremman kokonaisarvion altistumisesta samalla kun ne mahdollistavat myös yksittäisen altistuksen erittelyn toimintakohtaisesti. Siksi niitä voidaan käyttää vähentämään altistumisen virheellistä luokittelua ja luomaan tarkempia yhteyksiä terveysvaikutusten ja ilmanlaadun välille. Poliittiset päättäjät voivat käyttää toimintaperusteisia malleja suunnitellakseen strategioita, jotka vähentävät altistumista muuttamalla ajankäytönmalleja tai jotka kohdistuvat tiettyihin väestöryhmiin.
Yhdistetyt liikenteen ja maankäytön mallit 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 mallit 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.
Edeltäjävaiheet 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.
Kritiikki 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.TRANSIMS Open-Source - HomeTransportation Analysis and Simulation
Vuonna 2009 Yhdysvaltain liittovaltion tilintarkastusviraston raportissa todettiin, että liittovaltion katsaus liikennemallinnuksen kehittämiseen keskittyi enemmän prosessivaatimuksiin (esimerkiksi yleisön riittäviin kommentointimahdollisuuksiin) kuin varsinaisiin tutkimustuloksiin.
Yksi suurimmista liikennemallien käytännön käytönaikaisuuksista on se, että kuljetusmalleista ei saada palautetta maankäytöstä. Liikennehankeinvestoinnit eivät vain reagoi maankäytön muutoksiin, vaan myös vaikuttavat siihen.
Huomautuksia
Lähteet Michael Meyer, Eric J. Miller. Kaupunkiliikenteen suunnittelu, McGraw-Hill, 2. painos, 2000. Ascott, Elizabeth. 2006. Hyödykekohtainen analyysi Wonderworld Drive -ylikulkusillasta San Marcoksessa, Texasissa. Sovellettu tutkimushanke. Texasin osavaltion yliopisto. http://ecommons.txstate.edu/arp/104/ Michael G. McNally, 2000. Nelivaiheinen malli. Julkaisussa: Handbook of Transport Modeling, toim. David A. Hensher ja Kenneth J. Button, s. 35–52. http://www.its.uci.edu/its/publications/papers/CASA/UCI-ITS-AS-WP-00-5.pdf Michael G. McNally, 2000. Toimintaperusteinen lähestymistapa. Julkaisussa: Handbook of Transport Modeling, toim. David A. Hensher ja Kenneth J. Button, s. 53–69. http://www.its.uci.edu/its/publications/papers/CASA/UCI-ITS-AS-WP-00-4.pdf Georg Hertkorn, (2005) Mikroskopische Modellierung von zeitabhängiger Verkehrsnachfrage und von Verkehrsflußmustern. Väitöskirja (saksankielinen), Saksan ilmailu- ja avaruuskeskus, Liikennetutkimuksen instituutti. http://elib.dlr.de/21014/1/fb_2004-29_v2.pdf
Luokka:Liikennesuunnittelu