Junan nopeus- ja kiihtyvyysprofiileihin vaikuttavia tekijöitä

Abstract

Junaliikenne on keskeinen osa Suomen liikennejärjestelmää. Energian hinnan nousu ja ilmastonmuutos ovat nostaneet myös rautatieliikenteen energiatehokkuuden parantamisen keskiöön. Tässä kontekstissa on tärkeää ymmärtää junien nopeus- ja kiihtyvyysprofiileja, sillä junien ajotyylillä on merkittävä vaikutus energiankulutukseen. Tähän liittyen myös VR-Yhtymä (VR) on ottanut käyttöön energiantehokkuusohjelman. Tutkimuskysymyksenä oli selvittää, voidaanko tämän ohjelman käyttöönotto nähdä junien nopeusprofiileissa.

Työn tietopohjassa käytiin läpi kattavasti junien nopeuksiin vaikuttavia tekijöitä sekä esiteltiin valittujen koneoppimismenetelmien käyttöä rautatieliikenteessä. Tämän lisäksi tutustuttiin tarkemmin työssä käytettyihin tutkimusmenetelmiin kuten klusterointiin ja neuroverkkoihin.

Tutkimus toteutettiin tarkastelemalla Suomen kaukoliikenteen junien nopeus- ja kiihtyvyysprofiileja sekä niiden ominaisuuksia valitulla reitillä vuosien 2019–2023 välillä. Työssä hyödynnettiin Digitrafficin ja Ilmatieteen Laitoksen avoimia rajapintoja sekä Maanmittauslaitoksen topografiadataa, ja luotiin niistä saaduilla tiedoilla aineisto analyysia varten. Aineiston esikäsittelyn jälkeen sitä tutkittiin keskiarvoistuksen, klusteroinnin ja LSTM-neuroverkon avulla. Klusteroinnissa käytettiin hyväksi dtw-menetelmää.

Lopputuloksena saatiin muodostettua useammalla eri lähestymistavalla arvio siitä, millaisia muutoksia tarkastelujakson aikana oli nähtävissä junien nopeuskäyrissä. Lisäksi saatiin viitteitä siitä, onko tarkastelujakson aikana nähtävissä energiantehokkuusohjelman tuomia muutoksia junien ajotyyliin.

Rail transportation is a vital component of Finland's transportation system. The rise in energy prices and climate change have brought improving the energy efficiency of railway traffic into focus. Understanding trains' speed and acceleration profiles is crucial in this context, as trains driving styles significantly impact energy consumption. The Finnish State Railways (VR) have implemented an energy efficiency program in line with this. The research question posed was to determine whether the implementation of this program could be observed in the speed profiles of trains.

The study's theoretical framework comprehensively covered factors influencing train speeds and introduced the use of machine learning methods in railway traffic. Additionally, the study delved into the specific methods employed, such as clustering and neural networks.

The research examined Finnish long-distance trains' speed and acceleration profiles on a selected route between 2019 and 2023. Open interfaces from Digitraffic and the Finnish Meteorological Institute and topographic data from the National Land Survey of Finland were utilized to create a dataset for analysis. After preprocessing the dataset, analysis was conducted using DBA averaging, k-means clustering, and an LSTM neural network. DTW method was employed for clustering.

The final result was the formation of an estimate, through several different approaches, of the changes visible in the train speed curves during the review period. Additionally, there were indications of whether changes brought about by the energy efficiency program were visible in the trains' driving style during the review period.