Tavaraliikenteen mallintamisesta Helsingin seudulla
Bibliographic record
Abstract
Työn alussa esitellään Helsingin seudun tavaraliikennejärjestelmän olennaiset piirteet, käsitellään tavaraliikenteen mittaamisen nykytilaa ja tarpeita. Loppupuolella mallinnetaan tavaraliikenteen matkatuotokset pääkaupunkiseudulla, tavaraliikenteen terminaalien sijoittuminen ja tavaraliikenteen matkojen suuntautumiset Tuupakan logistiikka-alueelta. Terminaalien sijoittumismallinnusta pohjustaa luku, jossa esitellään maankäytön mallintamisen perusperiaatteet. Lopuksi vielä käsitellään Liikenne- ja viestintäministeriön käyttämän Frisbee-tavaraliikennemallin soveltuvuutta Helsingin seudulle pitkämatkaisen tavaraliikenteen mallintamiseen. \n\nHelsingin seudulla on keskeinen rooli koko maan tavaraliikennejärjestelmässä, sillä seudulla sijaitsee Suomen suurimpiin kuuluva Vuosaaren satama, ja Helsingin seudulla sijaitsevat tukkuliikkeiden isot valtakunnalliset varastot. Helsingin seutu on myös koko maan suurin yksittäinen kulutuskeskus. Tuotantokeskuksena Helsingin seutu ei ole yhtä tärkeä. Tavaraliikennejärjestelmä nojaa pitkälti maantiekuljetuksiin ja Kehä III:n varrella sijaitsevaan Suomen isoimpaan logistiikkakeskittymään. \n\nTavaraliikenteen mittaamisessa on paljon uuden tekniikan avaamia kehitysmahdollisuuksia. Myös tarvetta tavaraliikennettä tarkemmin varsinkin kaupungeissa selvittäville liikennetutukimuksille on, jos tavaraliikennettä halutaan mallintaa samalla tarkkuudella kuin henkilöliikennettä. \n\nMaankäytön mallintamisen periaatteet eivät ole kovin hankalia ja eivätkä eroa suuresti liikenteen mallintamisen periaatteista. Käytännössä mallintaminen ei kuitenkaan usein edes onnistu, sillä maankäytön lajeja niille ominaisine dynamiikkoineen on yksinkertaisesti liikaa. Kuitenkin rajaamalla tutkimusasetelmia sopivasti maankäytön mallinnuksella saadaan käyttökelpoisia tuloksia esimerkiksi, kun halutaan arvioida liikenneverkon muutosten vaikutuksia kaupunkirakenteeseen. \n\nTavaraliikenteen matkatuotokset arvioitiin yhdistämällä paikkatietoja pääkaupunkiseudun eri toimialojen yritysten sijainneista Ympäristöministeriön suunnitteluohjeista saatuihin matkatuotoksiin maankäytön eri lajeille. Saatu tulos on uskottava. Terminaalien sijoittumista mallinnettaessa selvisi, että pelkästään keskeisimpiä tekijöitä käyttäen ei saada selitettyä terminaalien nykysijainteja. Käytetty menetelmä Tuupakan alueen tavaraliikenteen matkojen suuntautumisen mallintamiseksi osoittautui lupaavaksi, joskaan pienen havaintoaineston takia ei voida tehdä kovin pitkälle meneviä päätelmiä.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.106 | 0.039 |
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".