Talviteiden hoito tehostuu, kun kone oppii ensin jakamaan työn ja vasta sitten suunnittelemaan reitit

Tämä kaksivaiheinen ajattelutapa lyhensi pisimpiä ajovuoroja alle kahden tunnin rajan ja pienensi päästöjä Britannian päätieverkoilla – ja osoittaa, miten tekoäly voi tukea arjen turvallisuutta.

Ensimmäinen liukas aamu tulee usein yllättäen. Varikoilla lähtevät liikkeelle aurat ja suolakuorma-autot, joilla on edessään satojen kilometrien verkosto. Jos suunnittelu pettää, osa teistä jää liian pitkäksi aikaa hoitamatta ja ruuhkat pahenevat. Kun kaikki onnistuu, kuskit palaavat varikolle suurin piirtein samaan aikaan, päästöt pysyvät kurissa ja liikenne rullaa.

Perinteisesti tämän palapelin ovat koonneet kokeneet työnjohtajat ja yksinkertaiset tietokoneohjelmat. Ajatus on ollut, että näin laajoissa verkoissa ihmisen tilannetaju on korvaamaton ja että parhaimmillaankin voidaan vain parantaa vähän sieltä täältä. Nyt tätä lähtökohtaa kyseenalaistetaan: talviteiden hoitoa voisi tehostaa merkittävästi, jos ongelmaa ei yritetä ratkaista yhtenä möhkäleenä, vaan kahdessa järkevässä vaiheessa.

ArXiv-tietokantaaan hiljattain talletetussa tutkimuksessa esitellään menetelmä, jossa tietokone tekee ensin korkean tason jaon: se pilkkoo tieverkon hallittaviin alueisiin ja jakaa eri varikoiden kaluston näille alueille. Vasta sen jälkeen ohjelma suunnittelee jokaiselle autolle reitin oman alueensa sisällä. Tavoitteita on kaksi yhtä aikaa: ettei yhdellekään autolle kerry ylipitkää vuoroa ja että kokonaispäästöt jäävät mahdollisimman pieniksi.

Ensimmäistä vaihetta ohjaa oppiva tietokoneohjelma, joka toimii yksinkertaisen periaatteen mukaan: se kokeilee erilaisia jakoja ja saa ”palkinnon”, kun jaosta seuraa parempi lopputulos. Toinen vaihe ratkoo vanhaa jakelu- ja nouto-ongelmaa: miten useat ajoneuvot käyvät yhdessä läpi kaikki hoitoa vaativat tieosuudet ilman turhia kiemuroita.

Kuulostaa abstraktilta, mutta esimerkki konkretisoi. Kuvitellaan, että käytössä on useita varikoita ja kymmeniä autoja, ja hoidettavana on laaja rengasmainen päätie sekä siihen kytkeytyvät paikallistiet. Uusi menetelmä jakaa ensin koko verkon muutamaan järkevän kokoiseen alueeseen. Se voi esimerkiksi osoittaa, että tietyt varikot palvelevat parhaiten länsikaarta ja toiset eteläistä sektoria. Sen jälkeen kunkin alueen sisällä ohjelma antaa autoille reitit, jotka yhdessä kattavat kaikki vaaditut tiepätkät. Samalla se huomioi reunaehdot: paljonko auto kantaa kerralla, kauanko täydennys varikolla kestää, ja onko joillakin teillä erityisvaatimuksia.

Tutkimus ei jäänyt paperiharjoitukseksi. Menetelmää testattiin Britannian keskeisillä päätieverkoilla oikean toiminnallisen datan pohjalta: mukana olivat M25, M6 ja A1 sekä niiden ympäristön paikalliset tiet, joita ajoneuvot käyttävät siirtymisiin. Kirjoittajien mukaan tulokset olivat lupaavia. Työkuormat jakautuivat tasaisemmin, ja pisimmät ajovuorot painuivat alle tavoitellun kahden tunnin rajan. Samalla päästöt pienenivät ja kustannuksissa nähtiin merkittäviä säästöjä.

Tärkeää on myös se, mitä menetelmä ottaa nimenomaisesti huomioon. Reitit eivät synny tyhjiössä, vaan niihin vaikuttavat ajoneuvokohtaiset rajoitukset, varikoiden kapasiteetti ja tieosuuksien vaatimukset. Toisin sanoen ohjelma ei oleta, että kaikki autot ovat samanlaisia tai että kaikki tiet vaativat samaa hoitoa. Tämä tekee ratkaisusta käyttökelpoisemman arjessa, jossa resurssit ja olosuhteet vaihtelevat.

Miksi tällä on väliä? Talviteiden hoito on turvallisuuskysymys, mutta se on myös ympäristö- ja talouskysymys. Jokainen turha kilometri lisää polttoaineen kulutusta ja työtä. Jos pisimmät vuorot lyhenevät ja työ jakaantuu tasaisemmin, säästö kertautuu: vähemmän odottelua, vähemmän ruuhkien aiheuttamia päästöpiikkejä ja todennäköisemmin oikea-aikainen hoito.

On silti syytä olla maltillinen. Tulokset perustuvat testauksiin tietyillä brittiläisillä teillä ja kyseisen tieoperaattorin tavoitteisiin, kuten kahden tunnin maksimivuoroon. Se, miten hyvin sama ajattelutapa toimisi toisenlaisessa verkossa tai erilaisten tavoitteiden kanssa, jää nähtäväksi. Lisäksi malli optimoi sitä, mitä sille annetaan optimoitavaksi: jos lähtötiedot tai päästölaskelmat ovat puutteellisia, myös ratkaisut voivat ohjata huomion vääriin asioihin. Äkilliset säätilan muutokset voivat sekoittaa suunnitelmat, ja inhimillinen harkinta on jatkossakin tarpeen.

Tutkimus ei myöskään väitä, että päätöksenteko pitäisi siirtää koneille. Pikemminkin se osoittaa, että tekoäly voi auttaa tekemään parempia perussuunnitelmia: jakamaan työn järkevämmin ja vähentämään turhaa ajamista. Kun työnjohtaja saa eteensä valmiiksi tasapainoisen ehdotuksen, hänen on helpompi puuttua poikkeuksiin – esimerkiksi onnettomuuksiin tai odottamattomiin sääilmiöihin – ilman että koko pakka romahtaa.

Laajemmassa kuvassa kyse on samasta ongelmasta, joka koskee monia julkisia palveluja: miten hoitaa välttämätön arjen infrastruktuuri niukemmilla resursseilla ja pienemmillä päästöillä. Jos talviteiden hoito hyötyy ”ensin jaa, sitten reititä” -ajattelusta, missä muualla sama periaate voisi auttaa? Jäteautojen kierroksilla, kirjepostin jaossa, huoltoasentajien keikoilla? Ja tärkein: kuka lopulta päättää, miten turvallisuuden, nopeuden, kustannusten ja päästöjen välinen tasapaino määritellään – ihminen, kone vai niiden järkevä yhteistyö?

Paper: https://arxiv.org/abs/2602.24097v1

Register: https://www.AiFeta.com

tekoäly liikenne talvihoito logistiikka ilmasto Iso-Britannia tutkimus