Epävarmuustekijöiden visualisointi joukkoliikennedatan hyödyntämisessä
Hurme, Elli (2021)
2021
Tietojenkäsittelyopin maisteriohjelma - Master's Programme in Computer Science
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2021-12-08
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202112028860
https://urn.fi/URN:NBN:fi:tuni-202112028860
Tiivistelmä
Tässä tutkielmassa käsitellään epävarmuustekijöiden visualisointia erityisesti suunnittelijoiden ja ohjelmistojen kehittäjien tarpeiden näkökulmasta. Tutkielman visualisointimenetelmät on kehitetty GTFS-spesifikaation mukaiselle datalle. GTFS-spesifikaatio on joukkoliikenteen datan esittämisen standardi, jonka ovat kehittäneet Google ja Trimet. Spesifikaatio muodostuu staattisesta ja dynaamisesta osasta. Tässä tutkielmassa tarkastellaan molempien osien mukaisen datan hyötyjä epävarmuustekijöiden visualisoinnissa.
GTFS-spesifikaatiosta on tehty erilaisia tutkimuksia myös visualisoinnista, mutta epävarmuustekijöiden visualisoinnista ei ole juurikaan tutkimusta. Joukkoliikenteellä on jo olemassa erilaisia tapoja epävarmuustekijöistä aiheuttavien ongelmien ehkäisemiseen. Kuitenkin nämä tavat keskittyvät suurimmaksi osaksi liikenteeseen liittyviin epävarmuustekijöihin. Epävarmuustekijöiden visualisoinnin avulla voidaan löytää datan laadusta ja käytetyistä algoritmeista sekä datan keräysmenetelmistä johtuvia epäkohtia. Visualisointi voi auttaa myös ennakoimaan epävarmuustekijöistä johtuvia ongelmia.
Tässä tutkielmassa kartoitetaan ensin joukkoliikenteen epävarmuustekijöitä, joista rajataan epävarmuustekijät, joihin keskitytään. Epävarmuustekijöiksi rajautuivat signaalin ja yhteyden, käytettyjen tekniikoiden ja ulkoisten tekijöiden epävarmuustekijät. Signaalin ja yhteyden epävarmuustekijöitä ovat signaalin paikannuksen epätarkkuus ja yhteyden katkeaminen. Käytettyjä tekniikoita ovat muun muassa algoritmit, jotka laskevat arvioitua saapumisaikaa. Algoritmien epävarmuustekijänä on eritoteen algoritmin kehittänyt ohjelmoija. Ulkoisia epävarmuustekijöitä ovat esimerkiksi muu liikenne tai sää.
Kartoituksen jälkeen esitellään erilaisia visualisointimenetelmiä, joiden avulla valittuja epävarmuustekijöitä voidaan havaita. Visualisointiesimerkit hyödyntävät sekä staattista että dynaamista GTFS-spesifikaation dataa. Tämä tutkielma liittyy Mattersoft Oy:lle toteutettuun ohjelmistoon. Kehitetyt visualisointimenetelmät ovat osa toteutettua ohjelmistoa. Ohjelmistoa hyödynnetään GTFS-spesifikaation mukaisen datan tarkasteluun ja arviointiin.
GTFS-spesifikaatiosta on tehty erilaisia tutkimuksia myös visualisoinnista, mutta epävarmuustekijöiden visualisoinnista ei ole juurikaan tutkimusta. Joukkoliikenteellä on jo olemassa erilaisia tapoja epävarmuustekijöistä aiheuttavien ongelmien ehkäisemiseen. Kuitenkin nämä tavat keskittyvät suurimmaksi osaksi liikenteeseen liittyviin epävarmuustekijöihin. Epävarmuustekijöiden visualisoinnin avulla voidaan löytää datan laadusta ja käytetyistä algoritmeista sekä datan keräysmenetelmistä johtuvia epäkohtia. Visualisointi voi auttaa myös ennakoimaan epävarmuustekijöistä johtuvia ongelmia.
Tässä tutkielmassa kartoitetaan ensin joukkoliikenteen epävarmuustekijöitä, joista rajataan epävarmuustekijät, joihin keskitytään. Epävarmuustekijöiksi rajautuivat signaalin ja yhteyden, käytettyjen tekniikoiden ja ulkoisten tekijöiden epävarmuustekijät. Signaalin ja yhteyden epävarmuustekijöitä ovat signaalin paikannuksen epätarkkuus ja yhteyden katkeaminen. Käytettyjä tekniikoita ovat muun muassa algoritmit, jotka laskevat arvioitua saapumisaikaa. Algoritmien epävarmuustekijänä on eritoteen algoritmin kehittänyt ohjelmoija. Ulkoisia epävarmuustekijöitä ovat esimerkiksi muu liikenne tai sää.
Kartoituksen jälkeen esitellään erilaisia visualisointimenetelmiä, joiden avulla valittuja epävarmuustekijöitä voidaan havaita. Visualisointiesimerkit hyödyntävät sekä staattista että dynaamista GTFS-spesifikaation dataa. Tämä tutkielma liittyy Mattersoft Oy:lle toteutettuun ohjelmistoon. Kehitetyt visualisointimenetelmät ovat osa toteutettua ohjelmistoa. Ohjelmistoa hyödynnetään GTFS-spesifikaation mukaisen datan tarkasteluun ja arviointiin.