Junan nopeus- ja kiihtyvyysprofiileihin vaikuttavia tekijöitä
Bibliographic record
Abstract
Junaliikenne on keskeinen osa Suomen liikennejärjestelmää. Energian hinnan nousu ja ilmastonmuutos ovat nostaneet myös rautatieliikenteen energiatehokkuuden parantamisen keskiöön. Tässä kontekstissa on tärkeää ymmärtää junien nopeus- ja kiihtyvyysprofiileja, sillä junien ajotyylillä on merkittävä vaikutus energiankulutukseen. Tähän liittyen myös VR-Yhtymä (VR) on ottanut käyttöön energiantehokkuusohjelman. Tutkimuskysymyksenä oli selvittää, voidaanko tämän ohjelman käyttöönotto nähdä junien nopeusprofiileissa. \n \nTyön tietopohjassa käytiin läpi kattavasti junien nopeuksiin vaikuttavia tekijöitä sekä esiteltiin valittujen koneoppimismenetelmien käyttöä rautatieliikenteessä. Tämän lisäksi tutustuttiin tarkemmin työssä käytettyihin tutkimusmenetelmiin kuten klusterointiin ja neuroverkkoihin. \n \nTutkimus toteutettiin tarkastelemalla Suomen kaukoliikenteen junien nopeus- ja kiihtyvyysprofiileja sekä niiden ominaisuuksia valitulla reitillä vuosien 2019–2023 välillä. Työssä hyödynnettiin Digitrafficin ja Ilmatieteen Laitoksen avoimia rajapintoja sekä Maanmittauslaitoksen topografiadataa, ja luotiin niistä saaduilla tiedoilla aineisto analyysia varten. Aineiston esikäsittelyn jälkeen sitä tutkittiin keskiarvoistuksen, klusteroinnin ja LSTM-neuroverkon avulla. Klusteroinnissa käytettiin hyväksi dtw-menetelmää. \n \nLopputuloksena saatiin muodostettua useammalla eri lähestymistavalla arvio siitä, millaisia muutoksia tarkastelujakson aikana oli nähtävissä junien nopeuskäyrissä. Lisäksi saatiin viitteitä siitä, onko tarkastelujakson aikana nähtävissä energiantehokkuusohjelman tuomia muutoksia junien ajotyyliin.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.083 | 0.021 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".