Istutko ruuhkassa vai eteneekö matka? Mobiiliverkkodata liikennesuunnittelun ytimessä

1. Istutko ruuhkassa vai eteneekö matka?
Mobiiliverkkodata liikennesuunnittelun
ytimessä!
14.3.2018 | Markku Kivari, Strafica Oy

2. Strafica
 Perustettu v. 2000
 Liikevaihto n. 2,0 milj. euroa (2017)
– ELY-keskukset (39 %)
– Kunnat (23 %), Maakuntaliitot (6 %),
– Liikennevirasto (16 %)
– HSL (9 %)
– Trafi (4 %)
– Vienti (3%)
– LVM (1 %), Yritykset (1 %)
 SKOL (2016): Liikennetekniikassa 3. suurin yritys
 Työntekijöitä yhteensä 20 kpl
 www.strafica.fi
 http://apps.strafica.fi/
 www.mobilitymodeling.com
Olemme suomalainen
avainhenkilöidensä perustama ja
omistama insinööritoimisto

3. Osaaminen ja palvelut
 Liikennejärjestelmien ja maankäytön strategiat
 Liikenteen tutkimukset, analyysit ja mallit
 Liikennepolitiikan selvitykset
 Älyliikenne ja liikenteen hallinta
 Liikenteen ja liikenteen järjestelmien
vaikutusten arviointi
 Maankäytön ja palveluverkkojen vaikutusten
mallintaminen ja arviointi
 Liikenneverkkojen ja väylänpidon selvitykset
 Kestävän liikkumisen ja liikkumisen ohjauksen
suunnitelmat
 Joukkoliikenteen suunnitelmat ja selvitykset
 Jalankulun ja pyöräilyn selvitykset
 Liikenneturvallisuus
 Liikennesuunnitelmat
 Pyöräliikenteen suunnitelmat ja ohjeistukset

4. Miksi liikkumistietoa tarvitaan…
 Perinteiset käyttötavat
– Hankesuunnittelu (mitoitus, vaikutukset, ennen-
jälkeen, jne.)
– Operatiivinen suunnittelu (reitti- ja linjastosuunnittelu,
liikenteen ohjaus- ja hallinta, kalustoselvitykset, jne.)
– Mallintaminen
– Tilastointi ja muutosten seuranta
 Uudempia käyttötarpeita / -kohteita:
– Reaaliaikatiedon hyödyntäminen operatiivisessa
toiminnassa
– Jatkuva muutoksen seuranta
– Viipymäanalyysit
– Tiedottamisen/markkinoinnin kohdentaminen
– Jne.

5. … ja miten sitä kerätään
Perinteisiä
 Liikkumiskyselyt (henkilöhaastattelut,
paneelihaastattelut, stated preference, jne.)~tilastollisesti
luotettavin, työläs/hidas/kallis?
 Laskennat / mittaaminen (automaattiset laskurit,
kameratunnistus, matka-aikamittaus, jne) ~useimmiten
pistemäistä tietoa
 Tienvarsihaastattelut, kulkutapakohtaiset kyselyt
~häiriö käyttäjälle.
Uudempia:
 Kehittyneemmät kameratunnistuksen menetelmät ~OD
tieto puutteellinen
 Reaaliaikadata liikenteestä (jatkuvat mittauspisteet,
GPS-paikannus, jne.) ~kertoo ensisijassa järjestelmän
toimivuudesta
 Sosiaalisen median tietojen hyödyntäminen ”Big data”
 Mobiiliverkkodata ~ kokonaiskuva toteutuneesta

6. Maailma muuttuu –
muuttuuko suunnittelu?
 Muutoksen nopeus (esim.
liikkumispalveluissa), reagointikyky!
=> Datan elinkaari lyhenee, ”parasta
ennen”
 Yksilöllisyys, tarpeiden pirstaloituminen!
=> ”sitä saa mitä tilaa”, osataanko kysyä
oikeita asioita?
Luottamus instituutioihin rapautuu, mutta
sosiaalinen luottamus digipalveluissa
lisääntynyt! => Perinteiset kyselyt aiempaa
haastavampia
 Tehokkuusvaatimukset lisääntyvät
=> Enemmän, nopeammin, edullisemmin,

7. Nostoja kansainvälisestä tutkimuksesta (1/3)
 Resestatistik för långväga resor
baserat på aggregerade och
anonymiserade mobil-nätsdata
(2018, Linköpings universitet, ITN)
– “Mobile network data describing the travel in
Sweden for journeys over 100 kilometers was
compared with data from RVU Sverige based
on the number of journeys, the geographic
spread of the travel, its distribution over time,
and its length.”
 ”Möjligheten att få rimliga
uppskattningar på långväga
totalresande och geografisk fördelning
är redan i dagsläget mycket god.”
 ”Baserat på de mobilnätsdata som
gjorts tillgänglig för detta pilotprojekt så RVU-data (24 kk) Mobiiliverkkodata (2
kk)

8. Nostoja kansainvälisestä tutkimuksesta (2/3)
 Investigating the mobile phone data to
estimate the origin- destination flow and
analysis; case study: Paris region (Transportation
Research Procedia 6 ( 2015 ) 64–78)
– “In the first step, the metro segments are possible
to be detected.”
– “Secondly, it turns out that the commuter trains are
rather traceable.”
– “For road traffic this segmentation is only possible
on long continuous distances, when the mean
speed is relatively high and when consecutives
segments are near to the high speed roads such a
highway, internal and externals rings.”

9. Nostoja kansainvälisestä tutkimuksesta (3/3)
 Origin-Destination Trip Matrix Development: Conventional Methods
versus Mobile Phone Data (Transportation Research Procedia 26 (2017), 39–52):
– “Comparison of assigned flows with traffic counts across a range of independent
screenlines (trip-ends (NTEM), trip rates (NTS), trip length distributions (NTS).”
– “The outcome of using the mobile phone data, when systematically
refined and adjusted using independent data sources to address various
known limitations and biases, does not seem to be either biased or less
accurate than conventional methods, using RSI data.”
– “Where no RSI data or other similar observed data are available, use of
mobile data could result in a more consistent estimate of trips,
benefiting from a significantly larger sample size.”

10. Mobiiliverkkodatan haasteita ja etuja
Haasteet:
 Kulkutavan tunnistus kaupunkiliikenteessä ei onnistu riittävän laajasti
 Matkan tarkoitukset vain päättelemällä
 Käyttäjän taustatiedot rajallisesti saatavilla
 Otoksen vinoutuminen
Edut:
 Havaintomäärät O-D tasolla erittäin suuria, korvaa ainakin osittain otoksen
vinoutumaongelmaa
 Toistettavuus
 Nopeus
 Reagointi jälkikäteen
 Matkan reitti- ja aikatiedot osamatkoittain.

11. Sovelluskohteita ainakin ….
Business as usual:
 Poikkeustilanteiden jälkeen analyysit
 Pitkämatkaisen liikenteen suuntautuminen ja kulkutavat (Kaupunkiseutujen/maakuntien
välisen liikenteen suuntautuminen valtakunnantasolla)
 Säännöllisten yleisötilaisuuksien räätälöidyt liikkumispalvelut
 Liikennekäytäväselvitykset
 Kauppakeskusten ja vastaavien kohteiden vaikutusalueanalyysit
 Viipymäanalyysit (pysäköinti jne.)
 Ennen – jälkeen analyysit
 Täydentävä aineisto perinteisten tutkimusten rinnalla
=> Kotitehtävä: Mitä kokonaan uudenlaisia käyttökohteita
voidaan tunnistaa?