Säkerheten på våra vägar är i allmänhet högt prioriterad. Fordonen blir säkrare liksom vägarna, men samtidigt används allt mer sofistikerade metoder för att hålla koll på bland annat väder, väglag och trafikstörningar.

I våras genomförde den finska motsvarigheten till Trafikverket ett test tillsammans med Tieto där målet var att se hur artificiell intelligens (AI) tillsammans med ny mätteknik skulle kunna användas för att analysera trafikflöden och i realtid kunna leverera information som bidrar till ökad trafiksäkerhet.

Testen, eller experimentet, utgick dels från att trafiksituationer som avviker från det vanliga utgör en betydande trafiksäkerhetsrisk och dels från att dagens automatiska övervakning av trafiksituationer främst är baserad på kameraövervakning – något som inte är helt optimalt.

Målet var helt enkelt att med hjälp av sensorer och AI hitta lösningar som fungerade bättre, oberoende av bland annat väder och ljusförhållanden.

– Automatiserad analys av trafikstörningar är en viktig del för att skapa säkra vägar. Enligt nuvarande krav är kameraövervakning med inbyggt störningsdetektering det mest kostnadseffektiva systemet. Vi bevakar marknaden för att hitta ny teknik som kan användas för att skapa nya kostnadseffektiva lösningar, säger Senior Officer Kalle Ruottinen på det finska Trafikverket.

Mästartunneln i Esbo utsågs till plats för experimentet. Vid sidan av den konventionella kameraövervakningen installerades Lidar-sensorer (Light detection and ranging) i tunneln. Tekniken är jämfört med trafikkameror betydligt mer tillförlitlig vid olika ljusförhållanden. Lösningen gör det också möjligt att detektera stillastående fordon och andra störningar som människor eller djur som rör sig på vägarna.

En svårighet var inledningsvis hanteringen av den stora mängd data som hämtades från det normala trafikflödet samtidigt som antalet avvikande situationer under mätperioden var begränsade. Svårigheten låg i att utveckla en fungerande AI-lösning, något som löstes med hjälp av maskininlärning.

– För att modellera olika trafikflöden bestämde vi oss för att bygga en skräddarsydd maskininlärningsmodell som känner igen helt nya störningar genom att jämföra dem med modellen för normal trafik. Detta visar att även en mindre mängd observationer över störningar kan användas för att bygga fungerande lösningar med AI, säger Ari Rantanen, Chief Data Scientist inom enheten för datadrivna affärer på Tieto.

Bland de slutsatser som dragits ur projektet är att automatiserad analys av trafikflöden kan producera realtidsinformation för olika behov utan betydande investeringar i sensorer och att AI dessutom kan användas för att exempelvis förutse trafikstörningar.