Globaalne linnastumine tekitab palju probleeme, nende hulgas suur linnamüra, liiklusummikud ja CO2 emissioonid. See on linnadele märkimisväärne kuluallikas ja mõjub negatiivselt meie elukeskkonnale.
Andres Suislepp on pikaaegne Tallinna elanik, kes on pealinnas punktist A punkti B liikunud vahel jalgsi, vahel aga kasutanud sihtkohta jõudmiseks jalgratast ning mõnikord autot. Erinevaid transpordiviise kasutades tabas ta ennast aina enam mõttelt, et meie linnakeskkond võiks olla mugavam ja samal ajal jätkusuutlikum.
Suislepp teadis, et linnastumisest tekkinud probleemidega võitlemiseks kogutakse suurtes hulkades andmeid meie liikumise kohta, kuid eriliigiliste suurandmetega töötamine on keerukas ja kallis ning vajab palju arvutijõudlust.
Et muutusi käed rüpes ootama ei peaks, valis Suislepp oma TalTechi informaatika magistrikava lõputööks teema “Multimodaalsete andmete ühitamine linnamüra lühiajaliseks ennustamiseks intelligentsetes transpordisüsteemides”.
Suislepp võttis eesmärgiks, et töö tulemust saaks kasutada intelligentsete transpordisüsteemide edasiarendamiseks. Lisaks saab tema loodud lahenduse baasil ehitada rakendusi, mis aitaks mugavamaks teha ka linnakodanike elu.
Ennustusmudel tuleb appi
Intelligentsed transpordisüsteemid on kogum rakendustest ja teenustest, mis rajanevad kaasaegsetel info- ja kommunikatsioonitehnoloogiatel ning mille eesmärk on muuta transpordisüsteeme ühiskonna ja keskkonna jaoks efektiivsemaks, ohutumaks ja jätkusuutlikumaks.
Suislepa magistritöö pakub välja hübriidse andmete ühitamise strateegia, mis aitab paremini toime tulla linnamüra, liiklusummikute ja CO2 emissiooni probleemidega – valmis linnamüra ennustusmudel, mis põhineb Tallinna linna andmetel.
Mudeli tulemuste valideerimisel selgus, et see töötab lühiajalistel ennustustel väga hästi, saavutades keskmise veaprotsendi vähem kui kolm protsenti. Samal ajal lihtsustas andmete ühitamise strateegia mudelit ennast ning seetõttu vähenes arvutijõudluse kasutamine varasemaga võrreldes ligi kolm korda.
“Välja töötatud mudeli ennustusi saab kasutada ehitamaks lõppkasutajatele mõeldud rakendusi, mis aitaks meie linnaruumi turvalisemaks ja mugavamaks teha,” selgitab Suislepp.
Üllatav efektiivsus
Suislepp toob välja, et magistritöö tegemise käigus ilmnenust oli tema jaoks üllatav näiteks see, et lihtsate statistiliste algoritmide kasutamine osutus väga efektiivseks ja suurendas andmete ühitamisel nii mudelite täpsust ning samal ajal ka lihtsustas mudelit.
“Ajal, mil energia hinnad on kõrged ja arvutusressurss nõuab palju jõudlust, on mudelite lihtsusel suur kaal,” ütleb Suislepp.
Magistritöö olulisim tulemus on Suislepa sõnul aga uurimustöö käigus välja töötatud linnamüra ennustusmudel, mis näitas väga head täpsust lühiajaliste, 5- ja 15-minutiliste ennustuste puhul. Mudelit saaks üldistada ka teistele liikluskarakteristikute peale, mille põhjal saab ehitada mitmeid elanikele kasulikke rakendusi.
Kuna töö põhirõhk oli andmete ühitamisel, siis väljatöötatud mudelite lihtsus ja vähene ressursinõudlikkus annab sellele eelise juurutamisele päriselu rakendusse, sest võrreldes tavapäraste masinõppe rakendustega on mudeli kasutamine odav.
Elu mugavamaks
Suislepp ütleb, et kuigi tema loodud lahendus on puhtalt tehniline, on selle baasil võimalik ehitada rakendusi, mis aitaks lõppkasutajate ehk linnaelanike elu mugavamaks teha.
Näiteks võib selle baasil luua süsteeme, mis teavitaks inimesi piirkondadest, kus linnamüra tase võib lühiajaliselt jõuda väga kõrgele ja mida tasuks teatud ajal vältida.
Lisaks sellele on linnamüra suuresti korrelatsioonis autoliikluse tihedusega ning linnamüra ennustuste abil saaks ehitada näiteks kohanduvaid valgusfoorisüsteeme, mis parandaks meie tänavate läbilaskevõimet.
