Implementering

Bilgenereret vinterdata og AI

Vintertjenester i Europa er i forandring. Klimaet ændrer sig, der stilles højere krav til præcision i saltning og bedre fremkommelighed på vejnettet i vintermånederne. Samtidig byder nye teknologiske muligheder sig til i form af bilgenerede vinterdata og kunstig intelligens. Der er et stort potentiale i at udnytte de teknologiske muligheder til bedre at understøtte vintertjenester.

Situation og udfordringer
I Danmark har de nationale og kommunale vintertjenester myndigheden i forhold til vinterovervågning- og saltning af vejnettet. De nuværende metoder til at beslutte, hvornår og hvor der skal saltes, har i dag to hovedudfordringer

  1. De traditionelle vejrstationer giver kun begrænsede data om vejnettets samlede vintertilstand, da de kun måler forholdene på få, udvalgte punkter. Dette kan fx medføre, at lokale glatte vejstrækninger ikke opdages, hvilket øger risikoen for ulykker.
  2. De traditionelle vejrstationer placeres ofte i områder, der er kendt for at være særligt kolde. Dette kan medføre overflødig saltning af et større område eller hele vejstrækninger, selvom det kun er nødvendigt at salte på enkelte eller specifikke dele af vejen.


Nye teknologiske muligheder
I de senere år har der åbnet sig nye teknologiske muligheder inden for vintertjenesteområdet. Bilgenererede vinterdata (1) udbydes i dag som tjenester af flere af de store bilkoncerner. Vintertjenester kan abonnere på disse vinterdatasæt og anvende dem i egne services og som støtteinformation til de operative vintervagter.
Bilgenererede data kan bidrage med mere granuleret dækning af vinterforholdende på det samlede vejnet og på de enkelte vejsegmenter via nye store mængder af data. Bilgenererede data kan fx indeholde informationer om bilers friktion på vejen, vejoverfladetemperatur, hastigheden på bilens vinduesviskere m.m.

Bilgenerede data har dog også nogle udfordringer i forhold til brug i vintertjenester:

  • Bilgenererede data kan hjælpe med at give et mere præcist billede af vinterforholdene på hele vejnettet. Det kræver dog, at der er biler, der kører på vejene. Det kan være en udfordring på de mindre veje og i nattetimer.
  • Modsætningen til bilgenerede data er data fra vejrstationer. De faste vejrstationer leverer oftest vejrdata i en højere datakvalitet end de bilgenererede data.

Bilgenerede data og vejrstationsdata betragtes ikke som konkurrerende datakilder, men som to komplementerende datakilder, der skal fungere i et samspil og i kombination med DMI-vejrdata. En ny mulighed for vintertjenester udfolder sig i at kombinere bilgenererede data med kunstig intelligens. Ved hjælp af teknologien og data kan der produceres et værdifuldt overblik over glatføre, som kan danne grundlag for glatføreprognoser på mellemlang sigt. Kunstig intelligens-teknologien er blevet et mere brugbart værktøj til at assistere med processering og visualisering af meget store mængder vejrdata.

Kunstig intelligens og bilgeneret data i praksis
Anvendelsen af bilgenererede data i kombination med kunstig intelligens er tidligere afprøvet i et forsøg i Sverige i 2022. Forsøget brugte blandt andet historiske data til validering af kunstig intelligensprognoser (2). Metoden i forsøget forudsagde med 90 % nøjagtighed, om der skulle iværksættes en saltning af vejnettet. Metoden var baseret på et afbalanceret datasæt med henholdsvis lige mange tilfælde, hvor der skulle saltes, og hvor der ikke skulle saltes. Dette forsøg beviste potentialet med kunstig intelligens inden for vinterområdet.

Der var dog et langsigtet problem med tilgangen i forsøget med brugen af saltningsudkaldshistorik til træning af den kunstige intelligens. Den resulterer nemlig i en selvforstærkende løkke, hvis systemet blev taget i brug. Fremtidige data vil blive påvirket af den kunstige intelligens’ tidligere outputdata. Kunstig intelligens-motorens ydeevne bliver enten dårligere eller i bedste fald den samme, når nye kunstig intelligens påvirkede data inkluderes i træningen af algoritmerne. Problemet er, at fremtidige data mangler noget af den ikke-kvantificerbare menneskelige ekspertise og vurdering.

En alternativ fremgangsmåde er en modificeret tilgang til kunstig intelligens, bilgenererede data og udarbejdelse af vinterprognoser for isdannelse og glatføre på vejene. Her håndteres dataklassifikation og prognosefrembringelsen i to skridt:

Figur 2: Udarbejdelse af prognoser i to skridt via kunstig intelligens-pipeline og bilgenereret data.

Fremtidens vejsaltning
Målbilledet for fremtidens vejsaltning er, at vintertjenester bliver i stand til at udføre dynamisk saltning og saltruteplanlægning af saltsprederne. Forbedringer i forhold til overvågning, prognoser og vejsaltning skal opnås via smartere brug af vinterdata og nyeste teknologi (Figur 1).

  • Forudsig fremtidige vejrforhold, det vil sige luft- og vejtemperatur samt vejfriktion, for de kommende 6-48 timer. Dette kan gøres ved hjælp af kunstig intelligens-arkitekturen ’Rekursive neurale netværk’.
  • Forudsig sandsynligheden for isdannelse på vejsegmentniveau ved at fodre ovenstående forudsigelser (punkt 1) ind i et ’Deep Learning’-netværk, trænet til at producere prognoser.

Igennem pipeline kan prognoser for is.dannelse genereres som et visuelt lag på vejnettet i et sandsynlighedskort som fx i ’figur 3’. I figuren har vi udarbejdet et eksempel på, hvordan prognoseresultaterne visuelt kan være repræsenteret med en orange farve i en kortvisning. Farvemarkering indikerer, at der er et område med potentiale for isdannelse, som vintervagten bør kigge nærmere på. Visualiseringen gør det nemmere for vintervagterne at danne sig overblik og blive assisteret af den kunstige intelligens i egen vurdering af forholdende på vejen.

Ud over at give et bedre overblik så vil vintervagterne også få prognoser over mulig isdannelse og glatføre. Derigennem vil man opnå et bedre beslutningsgrund.lag om eventuel igangsætning af vejsaltning, jævnfør ’figur 4’. I figuren er der vist et konceptuelt eksempel på en specifik prognose i det område, der blev visualiseret på kortet i figur 3. I dette eksempel forudsiger den kunstige intelligens imidlertid, at vejtemperaturen på et givent sted (Målestation Kauslunde) forventes at stige, og det derfor aktuelt ikke er re.levant at salte på stedet.

Konklusion og perspektiver

Potentialet er stort i udnyttelsen af data og de teknologiske muligheder i en bedre understøttelse af vintertjenester.

Figur 3: Heat map over sandsynligheder for isglat vej.

Figur 4: Fremskrivning af sandsynlig vejtemperatur på et givent målepunkt.

Kunstig intelligens-teknologien er nu så moden, at den kan understøtte udarbejdelsen af prognoser over glatføre på vejen og derved give et bedre beslutningsgrundlag i forhold til en eventuel saltning. Herunder at assistere vintertjenester med saltningsprognoser på mellemlang sigt og til at støtte med både den indledende og opfølgende vejsaltning.

Kunstig intelligens-teknologien kan på sigt være i stand til at understøtte dynamisk saltning af vejnettet. Fundamentet for den dynamiske saltning er de mere granulerede og lokale informationer om isdannelse og glatføre, der kan processeres og klassificeres. Kunstig intelligens kan understøtte dynamisk planlægning af specifikke delstrækninger til saltsprederne. Det kan ske ved, at de bilgenerede data og den kunstige intelligens anviser, hvor der reelt bliver glat og skal saltes. Derigennem kan vintertjenesterne optimere og effektivisere den samlede saltning af vejnettet.

Bilgenererede data som grundlag for udarbejdelse af saltprognoser har potentialer. Der er dog tale om en relativ ny datakilde, og datakvaliteten er fortsat noget umoden i forhold til anvendelse i saltningsprognoser. Bilgenererede data vil sandsynligt kræve optimering og modellering, inden konceptet er fuldt klar til brug i vintertjenester.

Et pilotprojekt bør initialt gennemføres for en mere dybdegående afprøvning af kunstig intelligens og bilgenerede data. Piloten bør blandt andet afprøve bilgenererede datas kvalitet samt afprøve de digitale sammenhænge mellem kunstig intelligens og eksisterende vintertjenestes fagsystemer og it-arkitektur. Piloten bør også afprøve, om de ønskede arbejdsgange kan fungere med den digitale og datadrevne assistance.

Det er også afgørende, at der udarbejdes en business case. Det skyldes blandet andet, at realisering af potentialet i de bilgenererede data og kunstig intelligens i en operativ vintertjeneste endnu er relativt uudforsket.

De nye teknologier og de bilgenererede data forventes at kunne understøtte vintertjenesterne inden for en række af områder. Understøttelsen forventes at kunne forebygge lokalt glatføre, effektivisere og optimere saltning, sikre en bedre fremkommelighed på vejnettet samt reducere antallet af glatføreuheld. De nye data og teknologiske muligheder vil være til gavn for trafikanter, vintertjenester og klima.

Referencer

  1. For mere information om bilgenererede data se: C. Petersen, ‘Using Floating Car Data in Forecasting of Road Conditions’, Danish Meteorological Institute, 2024.
  2. J. Alfredéen, ‘Forecast-based AI Decisions for Winter Road Maintenance’, Dissertation, 2022.
  3. Dynamisk saltning er dosering af salt undervejs på ruten baseret på prognosen for de enkelte delstrækninger, men ruterne er de sædvanlige faste ruter. Når vintervagten beslutter at kalde ud til dynamisk spredning, vil en komplet rute med varierende doseringer for de enkelte delstrækninger sendes automatisk til spredere fra det understøttende vinter-fagsystem inden start på turen. Chaufføren vil herefter gennemkøre sin sædvanlige rute, mens GPS-styret spredning vil sikre, at doseringen ændres undervejs.

Artiklen er oprindeligt bragt i oktober-udgaven af Dansk Vejtidsskift Trafik & Veje og kan læses her.

Er du interesseret i digitalisering?

Så tilmeld dig vores nyhedsbrev og bliv opdateret med den seneste viden