Study on incident detection technologies in road tunnels
Bibliographic record
Abstract
Häiriönhavaintojärjestelmät ovat automaattisia järjestelmiä, jotka tunnistavat määrätyt liikennehäiriöt ja tekevät niistä hälytyksen väylän operoijalle, Suomessa Liikenneviraston tieliikennekeskukselle. Tunneliympäristössä häiriöiden nopea ja luotettava tunnistaminen on tärkeää onnettomuuksien ennaltaehkäisemiseksi ja niiden seurausten lieventämiseksi. Tärkeimmät tunnistettavat häiriötyypit ovat väärään suuntaan ajava ja pysähtynyt ajoneuvo. Suomessa tähän asti käytettyjen, videokuvan tulkintaan perustuvien kamerapohjaisten järjestelmien on todettu tuottavan runsaasti aiheettomia hälytyksiä haastavissa valaistus- ja ympäristöolosuhteissa, mikä on tuottanut ylimääräistä työtä liikennepäivystäjille ja heikentänyt hälytysten uskottavuutta. Työssä selvitettiin, soveltuisivatko viime vuosina markkinoille tulleet induktiosilmukoihin ja mikroaaltotutkaan perustuvat tekniikat Suomeen kameratekniikkaa paremmin. Kamera- ja tutkapohjaiset järjestelmät tunnistavat häiriöt suoran havainnon perusteella. Silmukkatekniikka havaitsee häiriöt pistekohtaisten mittausten perusteella ja tunnistettavat häiriötyypit ovat rajatut. Tutka- ja silmukkatekniikoiden toiminta on lähtökohtaisesti ympäristöolosuhteista riippumatonta. Tutkapohjaista järjestelmää (3 tutkaa) testattiin Espoossa Kehä I Mestarintunnelin 500 m pituisessa itäisessä putkessa keväällä 2015 kolme kuukautta kestäneessä pilotissa tunnelin nykyisen kamerapohjaisen järjestelmän (22 kameraa) rinnalla. Pitkälle viritetty kamerajärjestelmä toimi pilotissa kokonaisuutena paremmin kuin tutka, jonka havaintoluotettavuus jäi haastavassa tunneligeometriassa heikoksi reunimmaisilla ajokaistoilla olevien katvealueiden vuoksi. Suuremmalla tutkamäärällä olisi todennäköisesti saavutettu paremmat tulokset. Molemmat järjestelmät tuottivat pilotin aikana vain vähän aiheettomia hälytyksiä. Suomen tietunneleissa on työn tulosten perusteella toistaiseksi suositeltavaa käyttää kamerapohjaista häiriönhavaintojärjestelmää. Päätelmien teko silmukkapohjaisen järjestelmän soveltuvuudesta Suomeen edellyttäisi järjestelmän testaamista. Tutkapohjaisen järjestelmän soveltuvuutta moottoritietunneleihin tulee harkita selvitettävän pienimuotoisen testin avulla. Työssä kartoitettiin tieliikennekeskuksen käyttäjätarpeet häiriönhavaintojärjestelmille sekä listattiin järjestelmiin liittyviä suosituksia ja näkökohtia tulevissa tunnelihankkeissa hyödynnettäviksi. Järjestelmien luotettavan toiminnan kannalta on tärkeää käyttää Suomen olosuhteisiin riittävän suurta laitemäärää ja toteuttaa järjestelmien käyttöönotot ja säätöjaksot huolellisesti.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".