Finlands apparattester radarräknare. Slutrapport

Transkript

1 1 Finlands apparattester radarräknare Slutrapport Fase II, arbetspakke 6 Projekt: Nordisk System for Intelligent Klassifisering av Trafikk Akronym: Projektejere: NorSIKT Vegdirektoratet, Norge Vägverket, Sverige Vejdirektoratet, Danmark Finnish Transport Agency, Finland Vegagerdin, Island Navn Dato Forfatter(e): ver 0.90 Kimmo Saastamoinen Kati Kiiskilä Hanne Strandvall Elina Rundell

2 2 Innehållsförteckning 1 Bakgrund till NorSIKT-projektet Testning av radarräknare i Finland Beräkning av fordonstrafik med radarräknare Förberedelser innan testmätningarna Testmätningar Efter testmätningarna Sammandrag av undersökningens skeden och dokumentering Fordonsklassificeringar Den nuvarande fordonsklassificeringen som är i användning Fordonsklassificeringen som använts vid testningen TMS-SA (Icoms) SDR (DataCollect) SR4 (Sierzega) ViaCount II (ViaTraffic Controlling) Referensapparat Behandling av resultaten Synkronisering Beräkning av parametrar Statistikstudie Nuvarande krav -studie Apparatgruppsundersökning Apparatspecifika resultat Annan granskning av parametrar Möjliga nya krav E1-parametrar Undersökningens kvalitet och förbättring av kvaliteten Sammandrag och slutsatser... 43

3 3 1 BAKGRUND TILL NORSIKT-PROJEKTET NorSIKT-projektet är ett 3-årigt utvecklingsprogram inom trafikberäkning ( ). Projektet är en del av Finlands, Sveriges, Danmarks, Norges och Islands Vägförvaltningars/Trafikverkens FoU-samarbete (Nordiskt Forskningssamarbete - NordFoU, NorSIKT-projektets centrala mål är att uppgöra en nordisk standard för fordonsklassificering: - Definiera en ändamålsenlig kravsbestämmelse för nordiska trafikräknarapparater - Definiera en ny enhetlig metod för att konvertera data mellan olika klassificeringsmetoder - Vid behov ge initiativ till att utveckla nya tekniska apparater. En enhetlig standard möjliggör nordiska apparatleveransmarknader och kan ge möjlighet till produktutveckling för industrin. Ett annat fortsättningprojekt är möjligen Trafikparametrar standardisering av definitioner och kvalitetskrav, där man undersöker möjligheten att använda liknande stickprovsberäkningars estimeringsmodeller och trafikens parametrar. Projektet som utförs nu har två skeden. I det första skedet inventerades räknarrapparaternas uppgifter ingående i Norden och översiktligt i övriga Europa och USA. Till detta skede hörde även utredning av trafikuppgiftsbehoven i Norden. På basis av resultaten uppgjordes ett utkastsförslag om fordonsklassificeringen och i det andra skedet uppgörs kravbestämmelser för trafikräknarapparater, som uppfyller Nordens behov. Till detta skede hör testning av trafikräknarapparater och uppgörande av en Nordiskt praxis att konvertera data mellan olika klassificeringsmetoder. Hela projektet ansvaras av Norges Vegdirektorat. Ett infotillfälle om NorSIKT-projektet ordnades i Köpenhamn , där de olika ländernas testningsplaner presenterades. Tillfället var öppet för alla intresserade aktörer. Finlands projektchef är Reijo Prokkola från Trafikverket. Trafikverket köpte projektsekreterartjänsterna från Sito Oy (Kati Kiiskilä) och Sito använde till utförande av arbetet underkonsulterna Riksroad Oy (Kimmo Saastamoinen, Riitta Kerola) och Viatrack (Kalevi Nummela). Finlands huvudbetoning i NorSIKT-projektet för årets 2011 del var att utföra radarräknarnas testningar enligt fas 2. Testresultaten är presenterade i denna slutrapport. I Finland informerade man om NorSIKT-projektet i allmänhet inom trafikbranschen och i projektet deltog aktivt de som erbjuder räknarservice och apparatleverantörerna samt övriga intresserade. Dessutom ordnades det i Finland många infotillfällen till aktörerna och det meddelades om de olika projektskedena per e-post. Projektets tidtabell allmänt: - Fas 1 (Teknik som används i Finland/uppgiftsbehov): Förundersökning, 1/2010-2/ Fas 2 (Finlands tester): Apparattester, 1/ / Fortsättningsprojekt 1: Apparatutveckling (Trafikverket deltar ej) - Fortsättningsprojekt 2: Utvecklande av estimeringsmetod 6/

4 4 2 TESTNING AV RADARRÄKNARE I FINLAND 2.1 Beräkning av fordonstrafik med radarräknare I Finland utförs största delen av landsvägarnas trafikberäkning som tagningsberäkning med radarräknare. Radarteknik har använts i Finland sedan 1980-talet i beräkningar som utförs maskinellt, gjorts med radarräknare, så det finns mycket erfarenhet av olika radarräknares användning. I de kontinuerliga beräkningspunkterna, som i Finland kallas för trafikens automatiska mätpunkter (LAM), används ett slingpar och räknarapparater av finländska tillverkare som observationsteknik. I Finland innefattar de allmänna landsvägarnas (ca km) trafikräkning ca homogeniska räkningssträckor, av vilka dryga 3000 räknas varje år. Den största delen (96 %) av beräkningsavsnitten är lågt trafikerade (ÅMDT under 8000) normala enkörbaniga landsvägar. Livligt trafikerade och 2-körbaniga avsnitt står för ca 4 % av alla beräkningsavsnitt. Tabell 1: Räkningsavsnittens andelar med olika trafikmängder på 1- och 2-körbaniga landsvägar. Trafikverket konkurrenssatte räkningsarbetet år 2005 för kontraktperioden , så den allmänna trafikberäkningen kommer att konkurrensutsättas på nytt under år Förberedelser innan testmätningarna Den första infodagen (workshop) för alla aktörer hölls i mars 2011, där NorSIKT-projektets allmänna mål presenterades, såsom även kartläggningsresultaten över de olika ländernas räknarapparater och preliminära utkast om fordonsklassificeringen (Rapport NorSIKT: Fase 1, arbejdspakke 2 - Forslag til fælles nordisk køretøjsklassifikation versio 0.3). Ett mål för infodagen var att samla ihop de finländska aktörerna under samma tak och få dem att presentera apparater som tas till NorSIKT-projektets tester. En informeringslista uppgjordes på basis av deltagarna till infodagen, och därefter kunde alla aktörer informeras effektivt och samtidigt om projektets framsteg och skeden. Radarräknarna som användes i testerna skulle uppfylla följande krav: - räknarapparaturen bör observera ett förbikörande fordon minst med en sekunds noggrannhet - räknarapparaturen bör observera fordonets längd - räknarapparaturen bör observera fordonets hastighet - räknarapparaturen bör registrera körriktningen - man bör få en okrypterad observationsdatafil ur räknarapparaturen

5 5 - räknarapparaturen bör lämpa sig för stickprovs-/urvalsräkningar - räknarapparaturen monteras vid sidan av vägen Till testerna togs med alla de radarräknare som apparaternas importörer i Finland och finländska trafikforskningens tjänstleverantörer framförde. Dessa räknarapparater var följande: - Icoms TMS-SA, bluetooth, apparatversion DataCollectin SDR, bluetooth, apparatversion 5.95, datauppsamlingsversion 6.3 (PALM) - Sierzegan SR4, bluetooth - ViaTrafficControlling ViaCount II, bluetooth För testningen uppgjordes en testningsplan och samtidigt uppgjordes ett testningsprogram (Doc: Radar preliminary testing in Finland). Aktörerna informerades om detta program i juni För att få till stånd räknarspecifik fordonsklassificering kontaktades importörer och tillverkare av apparaterna ordnades för importörerna ett informationstillfälle om testens genomförande och monteringssätt samt frågor som berör klassificeringen. Målet var att definiera fordonsklassificeringen innan informationstillfället men detta visade sig vara oväntat krävande då klassificeringen som tillämpats i testena avvek från den klassificering som apparaturen normalt producerar. I praktiken blev klassificeringarna slutligen gjorda först i slutet av september, innan tiden för PASW Statistics. Efter importörernas informationsdag påbörjades förtestningarna (småtester), vilkas syfte var att utarbeta monteringsanvisningar för olika testkonstellationer av den apparatur som ska testas inom NorSIKT-projektet (Doc: Asennusten kuvaus/radarräknarnas montering - teknisk beskrivning). Största delen av hjälpmedlen och metoderna som använts vid monteringen är utvecklade för NorSIKT-projektet så apparaternas monteringsanvisningar är i vissa fall anpassade i hög grad. Exempelvis då det enligt monteringsanvisningarna behövdes observation av längden av ett visst sorts och modells fordon för att montera monteringsvinkeln, förkastades denna metod eftersom den inte lämpar sig för allmän trafikberäkning. En orsak till förkastandet var t.ex. att man inte kan anta att en viss fordonstyp ska passera monteringspunkten under en dag då ÅDMT på vägen är under 200 fordon/dygn. Monteringsanvisningarna kan därför inte basera sig på sådant som är beroende av yttre faktorer och sådant som montören inte själv kan påverka direkt (förutom om denne råkar äga/använda de fordon som listan anger och själv kan göra observationer genom att köra förbi med dem). Dessutom godkändes manuell justering av känsligheten som en monteringsmetod. Då kan montören med sitt eget fordon (vilket som helst) göra observationer för att justera känsligheten (metoden är givetvis mycket mödosam, men i alla fall möjlig i teorin). De egentliga NorSIKT-terterna påbörjades med mikrovågsräknare Testkonstellationerna var mycket grundliga och mångsidiga. I testen ändrades de olika testkonstellationernas monteringshöjd, avstånd från vägen och sätt att montera vinkeln för inriktningen. Ursprungligen planerade man att också vid långa monteringar använda hjälpmedel för att rikta vinkeln men man avstod från detta eftersom det i praktiken inte gick att göra noggranna avståndsmätningar med hjälp av måttband. I dessa monteringar har vinkelns riktighet uppskattats med hjälp av online-förbindelse. I följande tabell presenteras det genomförda testningsprogrammet.

6 6 Tabell 2: Utfört testningprogram. Varför granskade man om apparaturen uppfyller dagslägets krav också i sådana trafik- och verksamhetsmiljöer, där man allmänt använder mikrovågsteknik för räkningen? Klassificerande mikrovågsteknik började användas i Finland i mitten av 1990-talet, då man utförde tester i samband med LLKa5-apparaturutvecklingsarbetet som Vägförvaltningen finansierade. Huvudsyftet med dessa testningar var att försäkra att apparaten fungerar och producerar trafikdata i rätt format. Apparatens verksamhetsområde var cirka 1-15 m avstånd från körbanans kant och trafikmiljön var trafikmängder (ÅDMT) under 6000 fordon/dygn. Senare har ÅDMT under 8000 bestämts som gräns för livliga trafikmiljöer. Grundliga tester som berör trafik- och verksamhetsmiljöer har antingen inte gjorts eller så har deras resultat inte publicerats. Därför byggdes NorSIKT-projektets testningssammanställning som mycket utmanande. När man funderar på räkningsapparatens kvalitet så är apparatens tekniska egenskaper slutligen endast en liten del av helheten. Räkningens kvalitet påverkas utöver av apparaten också av installerings och informationshanteringen, i synnerhet för fordonsklassificeringen. Man måste också komma ihåg att apparaterna är planerade att inställas för en specifik typ av trafik- och verksamhetsmiljö, så med olika testinstallationer kan man söka gränserna i praktiken. Bild 1: Utgångspunkter för planeringen av utredningen. Datats kvalité och pris uppgörs av en helhet, där elementerna består av apparaten, montering och databehandling.

7 7 2.3 Testmätningar Testningarna påbörjades enligt planerad tidtabell den 15.7 och de slutfördes slutligen för alla apparaters del den I huvudstadsregionen gjordes tester i två LAM-punkter (125 Bemböle och 104 Palojärvi) samt i Uleåborg i en punkt (1231 Kalimenoja). Testprogrammet var uppgjort så att alla apparater skulle ha varit samtidigt 2-4 dygn i olika testsammanställningar, men denna sammanställning uppfylldes inte helt och hållet som kan ses i tabellen nedanför. Testprogrammet förverkligades för tre apparaters del enligt planerat, men för Icomsin TMS-SA:s del kunde alla testsammanställningar inte utföras på grund av apparatens funktionsstörningar. Således gjordes inte långa monteringar eller 2-körbanevägarnas monteringar för TMS-SA-apparaten. Tabell 3: Testmätningarnas tidtabell samt apparaterna i varje test. I den första mätningen (Am1) skedde ett mänskligt misstag i samband med datainsamlingen för VC:s del så att mätningsdatat förstördes. I den andra mätningen (Am2) för SR4:s del hakade terrängdatorn upp sig och ledde till att mätningsdatat förstördes. Monteringens kvalité och förbättring av kvaliteten har behandlats närmare i kapitlet Undersökningens kvalité och förbättring av kvaliteten. Med SDR:s gjordes det i Uleåborg två mätningar som långa monteringar: i den andra mätningen användes autocal-funktionen som känslighet och i den andra ställdes känsligheten in enligt DataCollect:s monteringsanvisningar (user manual for SDR, version 6.0_0611) genom att pröva manuellt (gain=15). Autocalfunktionen gav så svaga resultat vid mätningen, att de resultaten inte användes i hög grad i analyserna. 2.4 Efter testmätningarna Efter mätningarna påbörjades datats behandling och analysering, vilka har beskrivits mer ingående i följande kapitel. De centrala resultaten presenterades till alla intresserade av ärendet i oktober. Efter det gjordes ännu granskningar gällande E1 och E1-fel parametrarna samt slutföring av denna slutrapport. På basis av Finlands radarräknartester i NorSIKT-projektet uppgörs testningens prosessbeskrivning, som används vid godkänning av räknarapparater som används vid Trafikverkets trafikmätningar.

8 8 2.5 Sammandrag av undersökningens skeden och dokumentering Denna undersökning är genomförd i ett mycket tätt samarbete med apparaternas importörer, apparattillverkare samt tjänsteleverantörer som använder apparaterna. Dessutom har det aktivt informerats om undersökningen utöver dessa aktörer till alla intresserade av ärendet. Under undersökningen har det organiserats tre infodagar, av vilka två har varit öppna för alla och en har organiserats för apparatleverantörernas representanter. Bild 2: Undersökningens skeden och tidtabell. Det har uppgjorts rapporter vid undersökningens olika skeden både på finska och på svenska. De svenskspråkiga rapporterna har skickats till NorSIKT-projektets styrgrupp och de finska rapporterna har skickats till alla organisationer i Finland som är intresserade av NorSIKT-projektet. Bild 3: Sammandrag av undersökningens skeden och dokumentering/tillställningar.

9 9 3 FORDONSKLASSIFICERINGAR 3.1 Den nuvarande fordonsklassificeringen som är i användning Finlands nuvarande fordonsklassificering är treklassig: - lätta fordon (PU samt deras släpvagnar och traktorer) - tunga fordon (B, LU, LST, LS) - tunga kombinationsfordon (LST, LS) De nuvarande klassificeringsgränserna som är i användning definierades i mitten av 1990-talet i samband med apparatutvecklingen av en finländsk (ingenjörsbyrå J. Ylinen Oy) klassificerande radaräknare (LLKa5). I samband med apparatutvecklingsarbetet undersöktes räknarapparatens producerade systemnoggrannhet, med hjälp av vilken det definierades noggrannhetskrav till klassificeringen. I testningen användes LAMpunkternas data som jämförelsedata, vars fordonsklassificering ansågs vara sanningen och klassificeringen säkerställdes inte med handberäkningar. I LAM-punkterna används för tillfället som räknarapparat nästan utan undantag ingenjörsbyrå Harri Jokelas tillverkade DSL4-räknarapparater, vilka har trängt undan den ursprungliga på 1980-talet och i början av 1990-talet allmänt använda SL4-räknarapparaten, som var tillverkad av Ylinen. LAM-punkternas riktighetsgranskningar utfördes i början av 2000-talet och på basis av kontrollberäkningar uppdaterades apparaternas program något för att förbättra fordonsklassificeringen. Bild 4: Bakgrund till den nuvarande fordonsklassificeringen som används i Finland och NorSIKTtestningarnas roll. På basis av testningarna utförda i NorSIKT-projektet definierar Trafikverket nya klassificerings- och noggrannhetskrav för räkningsdatat. Samtidigt utvecklas en normerad (formbunden) räknarapparaternas

10 10 godkänningsprocess, enligt vilken apparaterna testas exakt likadant. Den tidigare testnings- och godkänningsprocessen var icke formbunden (obestämd), så tjänsteleverantören föreslog räknarapparatens godkännande för Trafikverket på basis av dess egna testresultat. 3.2 Fordonsklassificeringen som använts vid testningen I testerna som utfördes sommaren 2011 undersöktes hur radarräknarna klarar av att producera fem följande fordonsklasser: 0_MC Motorcyklar, mopeder (och cyklar) 1_PU+PS Person- och paketbilar samt dess släpvagnar, husbilar och vagnar och traktorer 2_B Bussar 3_LU Lastbilar utan släpvagn 4_LS+LST Lastbilar med semitrailer eller egentliga släpvagnar (tunga kombinationsfordon) Fordonsklassificeringen är mittemellan Nivå 1 och Nivå 2 i NorSIKT-projektets klassificeringsförslag från våren 2011 (Fase 1, arbejdspakke 2- Forslag til fælles nordisk køretøjsklassifikation versio 0,3), vilket bäst motsvarar Trafikverkets behov av data. Den nuvarande klassificeringen som används i sampelräkning i Finland är lätta (0_MC, 1_PU+PS), tunga (2_B, 3_LU, 4_LS+LST) och kombinationer (4_LS+LST). Förändringen i förhållande till den nuvarande klassificeringen i Finland är att bussar separeras från den tunga fordonsgruppen samt motorcyklar. I LAM-systemets fordonsklassificering däremot är mera omfattande med 7 klasser. Dock urskiljs inte motorcykelgruppen. Tabell 4: Fordonsklassificeringarna enligt NorSIKT-utkastet (v0.3), enligt LAM-systemet samt de klassificeringar som användes i de finländska testerna. Nivå 1 Nivå 2 Automatisk mätpunkt (LAM) Finlands klassificering i testerna 1 Personbilar och motorcyklar 1.1 Motorcykel Registrerar inte Motorcyklar, mopeder (0_MC) 1.2. Personbil 1.3 Övriga fordon 2 Paketbil 2.1 Paketbil 1. PU 6. PU + släpkärra 7. PU + husvagn. 3 Buss 3.1 Buss 3. Buss Buss (2_B) 4.1 Lastbil (LU) 2. Lastbil (LU) Lastbil (3_LU) 4 Lastbil 4.2 Lastbil och släpvagn (LS och LST) 4. Lastbil med semitrailer (LST) 5. Lastbil med egentlig släpvagn (LS) Personbilar + paketbilar samt deras släpkärror Husbilar och husvagnar Traktorer (1_PU+PS) Lastbil med semitrailer eller egentlig släpvagn (4_LS+LST) I mikrovågstekniken grundar sig klassificeringen i första hand på detektering av fordonets längd. I vissa räkneapparater tvingas längdvärdena in i en längdfördelningsform, där det största antalet observationer (typvärdet) är mellan 4,3 och 4,5 meter. I annan räkneapparatur görs inte dylika längdtransformationer. Därför är längdfördelningen som apparaturen producerar olika för varje räkneplats och körriktning. I dessa fall bestäms typvärde för varje längdfördelning och de olika fordonsklasserna räknas genom att multiplicera typvärdet med gränsvärdeskoefficienten för varje fordonsklass. I följande kapitel presenteras hur fordonsklassificeringarna har förverkligats för olika räkneapparater i samband med denna NorSIKT-testning.

11 TMS-SA (Icoms) I Icoms databehandlingsprogram (Icoms software vs , daterad 4/6/2011) finns det inte en fordonsklassificeringen färdigt i programmet, utan användaren kan klassificera datan i fyra olika klasser enligt egna klassificeringsgränser. Bild 5: Klassificeringen i Icoms databehandlingsprogram. Fordonsspecifik klassificering definierades i Access-databasen som utarbetades i NorSIKT-projektet. Klassificeringens gränsvärden har utvecklats främst på basis av förtesten, men de granskades ännu innan de slutliga PASW Statistics-analyserna. Från Icoms testresultat måste den yttersta körfilens observationer förkastas eftersom ifrågavarande körfils observationsmängd endast i medeltal var under 20 %. I Undersökningens kvalitet och förbättring av kvaliteten kapitlet har det undersökts noggrannare varför observationen inte lyckades för den yttersta körfilen. Fordonsklassificeringen har således gjorts endast för den närmaste körfilens del och fordonsklassificeringen grundar sig på längden som räknarapparaten uppmätt. 0_MC <2,1 m 1_PU+PS 2,1 m 7,0 m 2_ B 10,1 m 11,0 m 3_LU 7,1 m - 10,0 m 4_ LS+LST >11,0 m 3.4 SDR (DataCollect) För DataCollect:s del är mätdatat möjligt att föra med hjälp av web-programmet Mytrafficdata/webReport till DataCollect:s databas, ur vilken räkningsdatat fås som olika utskrifter. Fordonsklassificeringarna med användarens egna definitioner kan fastställas i DC:s databas (fri mängd). I de standardformade utskrifterna

12 12 visas dock endast de fyra första fordonsklasserna, så den femte fordonsklassen som använts i testerna bör räknas ut för hand som skillnaden mellan helhetsmängden och de andra fordonsklasserna. Tabell 5: En av DataCollect-databehandlingsprogrammets standardutskrifter. Den fordonsspecifika klassificeringen förverkligades i Access-databasen som gjorts i NorSIKT-projektet. Gränsvärdena i klassificeringen är definierade på uppdrag av apparatens tillverkare men de kontrollerades på basen av preliminära data redan innan de slutliga PASW Statistics-analyserna. Fordonsklassificeringen är gjord på basen av längden med följande gränsvärden: 0_MC <2,5 m 1_PU + PS 2,5 m 8,7 m 2_ B 12,1 m 13,0 m 3_LU 8,8 m - 12,0 m 4_ LS + LST >13,0 m 3.5 SR4 (Sierzega) Sierzegan SRA Analysing software version 5.4 klassificerar fordonen under fyra kategorier: motorcyklar, personbilar, lastbilar och långa lastbilar. För den närmaste filens (+) del använder programmet konstanta eller nästan konstanta klassgränser (t.ex. 0-19, 20 52, , i figuren nedan). För den yttersta filen (-) däremot definierar programmet klassgränserna så att trafikens sammansättning i stora drag motsvarar den närmaste riktningens trafiksammansättning (t.ex , 15 43, , i figuren nedan). Användaren kan också ange egna klassificeringsgränser.

13 13 Figur 6: Klassificeringen i Sierzegan-databehandlingsprogrammet. Som av figuren framgår, föreslår programmet oftast att observationsmaterialet ska underkännas för den bortre riktningens (-) längder vid gränsvärdet 10 dm och över 240 dm. Om denna riktnings material skulle underkännas skulle testdatans genomsnittliga observationstäckning bara bli 97,2 %. Däremot, om allt data från också denna riktning godkändes, skulle observationstäckningen vara 101,0 %. I den närmaste riktningens beräkningar kom man fram till att för riktning 1 (+) var observationstäckningen 101,5 %. I bedömningen av resultaten bestämde man att ta med alla observationer som apparaten registrerat, för att antalet mätningsdata ska hållas oförändrat. Eftersom manipulation av trafikdata nuförtiden är tillåtet definierade man samtidigt följande, om frågor som berör manipulering av mätdata: - om man lägger till rader till mätdatat eller antalet observationer ändras med en koefficient är det fråga om manipulation (t.ex. användning av timkorrigering) - om antalet observationer för en fordonsklass ändras med parameterkorrigering är det fråga om manipulering (t.ex. teoretisk transformation för att ta bort en viss fordonsgrupp ur något fordonsgrupps material) - om observationernas (klassificering) kvalitet förbättras utan att antalet rader i observationsmaterialet ändras räknas det inte som manipulering (t.ex. att tolka ett visst längdvärde som en viss klass, att beakta motsatta körriktningens trafik i andra riktningens längdvärden/klassificering).

14 14 När hela observationsmaterialet togs med i granskningen, också riktningen 2 (-), framträdde längdvärdet 10 som ett problem i klassificeringen. Detta ses i följande längdfördelningar. När klassificeringen baseras på längdvärden sorteras längder av klass 10 under första fordonsgruppen (motorcykelklassen), varvid klassen förvrängs avsevärt. Man försökte lösa problemet genom att bestämma att längdvärdena 10 i riktning 2 (-) hör till person- och paketbilsklassen. Figur 7: Sierzegas längdfördelningar i de olika riktningarna. Klassificeringens riktningsenliga gränsvärden försökte man finna på basis av materialet från NorSIKT-projektets förstester baserandes på längden eller på längdtyptalet. Detta lyckades dock inte och man konstaterade att klassificering inom ramarna för NorSIKT-projektet är en så utmanande och krävande uppgift att man sist och slutligen inte gick att genomföra. I PASW-analyserna har granskningen av SR4-apparaten således gjorts endast för helhetsmängden.

15 ViaCount II (ViaTraffic Controlling) ViaTraffic Controlling har utvecklat Viagraph utvärderingsprogram version för informationsbehandlingen. I den kan fordonsklassificeringen delas i sex klasser, fastän fem klasser är det normala som på bilden nedan. Figur 8: Fordonsklassificeringen som ViaTraffic Controlling använder. Som det framgår så bestäms fordonsklassificeringen på basen av längden (per rikting), men in praktiken så bestäms gränsvärdena i olika mätningar och olika riktningar på basen av längdfördelningens typvärden. Klassificeringen för varje fordon utfördes i Access-databasen som utarbetats i NorSIKT-projektet. Gränsvärdena för fordonsklassificeringen som används i NorSIKT-testerna är definierade i samband med förtesterna som utförs av NorSIKT-projektet, men de kontrollerades ännu innan de slutliga statistiska analyserna. Fordonsklassificeringen är gjord med hjälp av riktningsenliga längdfördelningens typvärden på följande sätt: 0_MC <4 x typvärde (225, om längdfördelningens maximi <2500) 1_PU+PS <16 x typvärde 2_ B < 22 x typvärde 3_LU < 20 x typvärde 4_ LS+LST >= 22 x typvärde Apparaten registrerar fordonets längd med centimeters (cm) noggrannhet. Så att den slumpmässiga observationsmängden för ett visst längdvärde (cm) inte skall påverka typvärdets definition, så är centimetrarna avrundade till decimeter i typvärdets räkning.

16 16 4 REFERENSAPPARAT I testningen av trafikberäkningsapparater är en av de största utmaningar att i praktiken utreda den verkliga trafikströmmens sammansättning. Exempelvis är det omöjligt att visuellt upptäcka från sidan av vägen eller från en video fordon som är registrerade som paketbilar. I somliga fall kan ett fordon av samma märke registreras endera som personbil eller paketbil. Det största problemet är naturligtvis de felaktiga identifikationer som beräkningsapparaten ger. De kan bero på många olika orsaker (oren förbipassering vid slingorna, omkörningsincident, fordonets skrovkonstruktion (chassistruktur) avvikande från fordonsklassens eller skrovkonstruktionens olika material osv.) I Finland har jämförelsemätningarna generellt gjorts med hjälp av Trafikverkets kontinuerliga mätpunkter (LAM-system). I mätpunkterna används generellt en Jokela DSL3 eller DSL4-apparat som beräkningsapparat. Som referensutrustning i denna undersökning användes även LAM-systemets mätpunkter, vilka hade en DSL4- apparat som beräkningsapparat. Klassificeringen i LAM-punkterna har 7-klasser och de fyra klasser som nu utreds skapas från dem. LAM-utrustningen klarar inte av att upptäcka motorcyklar, så motorcyklarnas andel har uppskattats i samband med hanteringen av resultatet. Testpunkterna valdes så att räknarna kunde monteras möjligast nära LAM-punktens slingor, men tillräckligt långt bort från varandra. Dessutom måste trafikmängden vara tillräckligt stor i punkterna för att undersöka olika variationer på timmestrafikmängder. Som undersökningspunkt valdes två 1-körbaniga vägar, av vilka den ena var i Södra Finland och den andra i Norra Finland. Så kunde man säkerställa sig om att räknarapparatens fordonsklassificering fungerar i olika trafikomgivningar. Av de tvåkörbaniga vägarna valdes endast en mätpunkt (i Södra Finland) och där gjordes mätningarna endast för en körbana så att man med en räknarapparat mätte båda filerna som går åt samma håll. Eftersom man redan på förhand visste att LAM-punkterna som användes som referensapparater inte kan göra fordonsklassificeringen fullständigt rätt och att det kan finnas skillnader i klassificeringsnoggrannheten mellan punkterna, granskades punkternas funktionering och riktighet med fordonsspecifika datamaterial och videofilmning. LAM-riktighetsgranskningarna gjordes så att trafiken filmades på band i sammanlagt 4 timmar i båda riktningarna. Ur LAM:s fordonsspecifika data granskades de tunga fordonsklasserna (medräknat LAM-klasserna 6 och 7: PU och PS) och granskades ur videofilmen till vilken klass fordonet på riktigt hör. Dessutom granskades allt data där LAM-datat angav värdet 1 för antingen hastigheten eller längden.

17 17 Tabell 6: Riktighetsstudie av den fordonsvisa LAM-datan. På basen av dessa studier gjordes tabeller, i vilka man kunde se LAM-punkternas klassificeringsförmåga (riktighet) för olika fordonsklasser. Tabell 7: Resultaten från granskningen av riktigheten för LAM-punkten i Kalimenoja. Ur resultaten kunde man utläsa att det fanns stora problem i bussarnas klassificering vid alla punkter. Observationerna av bussar var mycket få vid alla punkterna (ca 0,2 % av LAM-punktens registrerade trafikström). I helhet märkte man att LAM-systemet registrerade större andelar av tunga fordon än det borde: - Bemböle 103 % - Palojärvi 104 % - Kalimenoja 118 % På räknesystemsnivå har LAM-datat korrigerats fordonsgruppvis med hjälp av de koefficienter (E2- koefficienten) som man fått i riktighetsstudien.

18 18 5 BEHANDLING AV RESULTATEN 5.1 Synkronisering Behandlingen av mätresultaten påbörjades genom att modifiera räkningsdatat till txt-format med apparattillverkarens program. Efter detta synkroniserades fordonsspecifika mätdatat med LAM:s fordonsspecifika data. I synkroniseringen skall man beakta testapparatens avstånd från LAM-punkten, gångsskillnader orsakat av radarräknarnas klockor och olika registreringssätt för observationstiden i förhållande till radarräknaren: i slingan ges tidstämpeln då fordonet anländer på den första slingan och i radarräknaren ges tidstämpeln då fordonet lämnar radarräknarens kägla, och då kan skillnaden för de långa och långsamma fordonen vara upp till ett par sekunder. Gångsskillnaden i klockan orsakas av att radarräknarens klocka vanligtvis går 1-9 sekunder snabbare i dygnet än den riktiga tiden (tiden i LAMapparaten). Fordonsinformationens synkronisering är gjord med hjälp av Excels funktioner och villkorssatser. Eftersom det inte går att sammanslå fordonets tidstämplar exakt mellan referensapparaten och apparaten som testas, godkändes en 5 sekunders tolerans för tidsstämpeln. Synkroniseringen för de fordonsspecifika observationerna är således inte alldeles felfri, vilket bör beaktas vid analyseringen av datat. Bild 9: Synkroniseringens beräkningsprincip. Vid synkroniseringen användes förljande principer: - Synkroniseringens påbörjningsställe och räknarens klockfel har sökts för hand. - Synkroniseringen har gjort riktningsvis. - Synkroniseringen har gjorts automatiskt, så observerade synkroniseringsfel har inte rättats för hand. En fullständigt lyckad synkronisering skulle ha fordrat antingen hela datats manuella genomgång observation för observation eller så borde ett speciellt program ha utvecklats för synkroniseringen. En manuell genomgång kunde inte göras på grund av datats storlek (1,4 milj.) och ett specialprogram tillverkades inte. Den automatiska synkroniseringen har gjorts med Excel-funktioner, så synkroniseringen är inte perfekt. De största länkningsfelen orsakas av att synkroniseringen ser lyckad ut, men länkningen har sedan också skett med fel

19 19 observationer på grund av 5 sekunders toleransgränsen. En sådan här förflyttning rättas vanligen till efter 1-10 observationer (såsom kan ses i bild 9). Den automatiska synkroniseringen kompliceras bland annat av följande: - Räknarapparatens så kallade ekofel, då samma fordon registrerades två gånger (passertidsskillnaden några sekundtiondelar eller på samma sekund) - Apparaten observerar motorcyklarna och mopederna samt cyklarna, men LAM-apparaten registrerar inte dem. - Det kan ske en ändring i trafiksituationen mellan LAM-punkten och räknarapparaten. T.ex. omkörning av långsamt framskridande fordon (t.ex. landsbygdstraktor), då körordningen ändras och fordonens synkronisering inte nödvändigtvis lyckas. - LAM-punkten kan lämna bort observationer. Felet uppstår oftast så att ett tungt fordon kör över slingan orent (hastighets- och längdvärde = 1), och då reagerar inte slingan/räknaren nödvändigtvis på fordonet som kör efter det tunga fordonet. Det osynkroniserade datats storlek var oftast under 5%, men i Kalimenojas punkt (1231) var det dålig synkronisering på speciellt den yttersta filen (lång montering). Tabell 8: Osynkroniserade datas mängder (100 %). Osynkroniserade 1: TMS 2: SDR 3: SR4 4: VC II 125 s1 0,0236 0,0641 0, s2 (närmaste filen) 0,0235 0,0234 0,0400 0, s1 0,0360 0,0381 0, s1 0,1257 0,1465 0, s2 (närmaste filen) 0,0301 0,0406 0,0768 0,0447 Datat mängd som är synkroniserat felaktigt har inte utretts. Uppskattningen är att dessas andel är i samma storleksordning som det osynkroniserade datat. 5.2 Beräkning av parametrar Radarräknarens observationsförmåga påverkas stort av fordon som färdas i motsatta riktningar som möts samtidigt vid räknarapparaten, och då kan fordonens längdvärden förbli antingen för små eller stora eller så kan det andra fordonet bli ouppmärksammat. Sådana här möten vid räknarapparaten sker naturligtvis mycket oftare på livligt trafikerade vägar än på lågtrafikerade vägar, så det är viktigt att veta hur mycket fordonsklassificeringen och helhetsresultatet försämras då (timmes)trafikmängden ökar. Resultaten behandlades vid bestämningen av parametrarna i olika trafikklasser, vilka är sammanlagt 16 stycken. Trafikklasserna har formats baserat på trafikmängderna för den närmast liggande körfilen och den motsatta riktningen (under 400, , och över 800). Ur varje test är det meningen att producera de trafikgruppsresultat som uppfylldes under testningen. Riktigt alla trafikgrupper observeras inte under något av testningsskedena. Beräkning av parametrarna förverkligades så, att de i Excel synkroniserade tabellerna (beräkningsdatat och LAM-datat) fördes till Access-databasen, varefter dessa två tabeller sammanfördes till en tabell i databasen (Data-tabell). Samtidigt definierades fordonsklassificeringsuppgifter för apparatens varje

20 20 passeringstidsobservation enligt definitioner framförda ovan. Efter det gjordes korstabellering mellan LAM och apparatens fordonsklassificering ur varje mätning och trafikklass. Figur 10: Principen för referensdatat och apparatdatats korstabeller. Access-räknedatat fördes in i Excel, där man utförde beräkning av parametrar. Granskningen genomfördes enligt behandlingsmodellen som presenteras i Christian Overgaard Hansens presentation Evaluation of vehicle classification using inductive signatures : Tabaell 9: Principen för analysering av utdatan. De mest centrala parametrarna (E1, E2 ja E1-felet) kan beräknas enligt följande: E1 = X/(X+A) 90 % VbV-noggrannhet E2=(X+B)/(X+A) 105 % Sampelnoggrannhet (beräknings- och systemnoggrannhet) E1-virhe%=(A+B)/(X+A+B) 22 % Klassificeringsnoggrannhet I skedet med parameterberäkningen uppskattades hur sant LAM-datat var, med hjälp av resultaten från riktighetsgranskningen, så att sampelnoggrannheten (E2) jämfördes med LAM-datat på två olika sätt: direkt

21 21 och med värden som korrigerats på basen av riktighetsgranskningen. Den mängd fordonstrafik som observerats vid LAM-punkten har dividerats med E2-koefficienten (LAM true ) som fåtts på basen av riktighetsgranskningen. Som divisionens slutresultat har man fått en korrigerad uppskattning av den verkliga fordonstrafiken (LAM n ). Därefter har man gjort nya E2-uppskattningar (E true ), vilka man tror ligger närmare verkligheten än de som beräknas direkt från LAM-datan. Tabell 10: Principen för beräkning av parametrar. För Bemböles del har bussarnas LAM sanningsenlighet uppskattats i jämförelsekalkyler som baserar sig på den erhållna trafikströmssammansättningen (0,158 %), eftersom riktighetskoefficienten i annat fall skulle ha varit mer än sjufaldig. För parametersberäkningen har man definierat följande data: Device räkneapparat (1=icoms, 2=datacollect, 3=sierzega, 4=viacount) ID punktens id (125,104,1231) Testino Testets kodi (text) Trafik Trafikmängdssammansättning (text) Distance avstånd till vägens kant (m) High höjd från vägens nivå (m) inst monteringssätt (0=manuell, 1=teknisk) S1 genomsnittlig timtrafik i riktning 1 (0-400=200, =500, =700, över 800=1000) S2 genomsnittlig timtrafik i riktning 2 (0-400=200, =500, =700, över 800=1000) E1_1PU VbV-noggrannhet i PU-klassen E1_2B VbV-noggrannhet i B-klassen E1_3LU VbV-noggrannhet i LU-klassen E1_4LS VbV-noggrannhet i LS+LST-klassen E2_1PU Systemnoggrannhet i PU- klassen E2_2B Systemnoggrannhet i B- klassen E2_3LU Systemnoggrannhet i LU- klassen E2_4LS Systemnoggrannhet i LS+LST- klassen E2_0MC Systemnoggrannhet i vio MC- klassen E2_tot Systemnoggrannhet, allt, utan motorcyklar (klassenrna 1-4) E1F_1PU E1-fel i PU- klassen E1F_2B E1-fel i B- klassen E1F_3LU E1-fel i LU- klassen E1F_4LS E1-fel i LS+LST- klassen 0MC% Motorcyklarnas andel i trafikströmmen MD de medeltungas (B+LU) systemnoggrannhet (E2) H de tungas (B+LU+kombinationer) systemnoggrannhet (E2) E2_totMC Systemnoggrannhet (E2) alla (klasserna 0-4) TE2_1PU Den antagna verklighetens systemnoggrannhet i PU-klassen TE2_2B Den antagna verklighetens systemnoggrannhet i B- klassen TE2_3LU Den antagna verklighetens systemnoggrannhet i LU- klassen TE2_4LS Den antagna verklighetens systemnoggrannhet i LS+LST- klassen TE2_tot Den antagna verklighetens systemnoggrannhet i allt, utan motorcyklar (klasserna 1-4)

22 22 TMD De medeltungas (B+LU) antagna verklighets systemnoggrannhet (E2) H (A) De tungas (B+LU+ kombinationer) antagna verklighets systemnoggrannhet (E2) TE2_totMC Den antagna verklighetens systemnoggrannhet (E2) alla(klasserna 0-4) L_PH LAM observationsantal, phantom-klassen L1_PU LAM observationsantal, PU- klassen L2_B LAM observationsantal, B- klassen L3_LU LAM observationsantal, LU- klassen L4_LS LAM observationsantal, LS+LST- klassen D_0MC Testapparatens observationsantal, MC- klassen D1_PU Testapparatens observationsantal, PU- klassen D2_B Testapparatens observationsantal, B- klassen D3_LU Testapparatens observationsantal, LU- klassen D4_LS Testapparatens observationsantal, LS+LST- klassen D_NULL Testapparatens observationsantal, registrerades inte i apparaten 5.3 Statistikstudie Testningens parametrar analyserades i programmet PASW Statistics 18 (SPAA). I samband med statistikstudien grupperades trafikklassmaterialet i tre granskningsklasser. För dessa beräknades ÅMDT-estimat på basen av timtrafiken och trafikens variationer. Största timtrafikmängden fick man från testmaterialet. Tabell 11: De största timtrafikmängderna för olika kombinationer av trafikklasser. Trafik (s1/s2) Gul (kelt): Grön (vihr): Blå (sin): grundstudiematerial, motsvarar ÅMDT<8000 studiematerial, livlig, motsvarar 8000<ÅMDT<12000 studiematerial, ytterst livlig, motsvarar 12000<ÅMDT<16000 Beräkningen av ÅMDT-estimaten är gjorda på följande vis: - variationsnormal/i trafik till arbeten ca 9 % (Trafik-klassens största värde = maxtimmen) - säsongvariationskoefficienten i normalklassen maxinmalt ca 1,4 på sommaren. Q_kelt = Trafik/q_max = 1100/0,09 = KVL_kelt =Q_kelt/kausi = 12200/1,4 = 8700 Q_vihr = Trafik/q_max = 1550/0,09 = KVL_vihr =Q_vihr/kausi = 17200/1,4 =12300 Q_sin = Trafik/q_max = 2050/0,09 = KVL_sin =Q_sin/kausi = 22700/1,4 = I den statistiska studien för två körbanor grupperades trafikklassmaterialet i två granskningsgrupper (ÅMDT<6000 och ÅMDT>6000). På vägar med två körbanor gjordes mätningar bara i ena riktningen, dvs. en räknare mätte båda filerna som löper i samma riktning. Trafikklassificeringen var den samma som för normala

23 23 vägar med en körbana, så sammanlagt fanns det fyra trafikklasser. Som trafikklasskoder användes 10, 20, 30 och 40. Klasserna 10 och 20 slogs ihop till en, varefter timtrafiken var underl 600 fordon/h och dygnstrafikmängden Q därmed Estimerade ÅMDT beräknades med säsongskoefficienten 1,1, eftersom det normalt är antingen nedsatt eller jämn säsongvariation på vägar med två körbanor. På detta vis fick man ÅMDT-estimatet till 6000 fordon/dygn. I NorSIKT-studien användes de parametrar som det i nuläget finns krav på. På detta vis kunde man undersöka hur väl apparaterna som genomgått test uppfyller nuvarande krav i olika trafik- och verksamhetsmiljöer. Bild11: Principen för granskningen av krav. De nuvarande kravgränserna för allmän trafikräkning används i de årliga funktionstestningarna av räkneapparaterna, där testerna bör utföras vid en LAM-punk, i närheten av någon annan slingpunkt eller annan testanordning med samma tillförlitlighet. Funktionstestkonstellationen är utarbetad på ett sådant vis att testplatsens ÅMDT bör vara cirka fordon/dygn, vägen bör vara tvåfilig, och trafiken får inte vara livlig trafik som endast betonas till endast en viss tid av dygnet (t.ex. arbetstrafik). I funktionstestningen jämförs räkningens resultat med jämförelsemätningens trafikmängd (märks LAM). De räknade parametrarna får avvika från jämförelsetalen enligt tabell 12: Tabell 12: De största timtrafikmängderna för olika trafikklasskombinationer (alla LAM-tal i tabellen hänvisar till korrigerade LAM-värden). Jämförelseobjekt Tillåtet mätningsfel i testsituatonen Total trafik (apparatens observation LAM)/LAM % Tung %-enhet: % (observerad tung% - LAM-punktens tung%) Den tungas relativa skillnad: (observerad_tung LAMtung)/LAMtung Observationstäckning kombinationsfordonsklassen: observarad_komb / (LAM LST+LS) för % % Nuvarande kvalitetskrav berör därmed totalantalet, tunga fordon och tunga kombinationsfordon. I granskningen av NorSIKT testerna är parametrarna: - E2_tot Systemnoggranhet alla, utan motorcyklar (klasserna 1-4) - TE2_4LS Den antagna verkliga systemnoggrannheten i LS+LST-klassen

24 24 - H (A) Den antagna verkliga systemnoggrannheten för tunga fordon (B+LU+kombinationer) Med hjälp av PASW Statistics räknade man apparatspecifika medelvärden för parametrarna och konfidensintervall på 90 % (värdet 90 % är taget ur de nuvarande kraven). Figur 12: Totalantalens (E2_tot) medeltal och 90 %:s konfindensintervall för olika apparater. PASW Statistics körningarna är dokumenterade i Excel-tabeller. Eftersom det gjordes hundratals kontrollkörningar har man presenterat slutresultatet förenklat på två olika vis: - Medeltal på de olika apparatgruppernas parametrar och 90 %:s konfidensintervall vid olika trafik- och verksamhetsomgivningar samt vid olika monteringssätt. - Apparatspecifika data gällande de nuvarande kravens uppfyllande vid olika trafik- och verksamhetsomgivningar samt vid olika monteringssätt.

25 25 Figur 13: Framställningssätt för olika apparatgruppers granskning. Apparatgruppsgranskningarna med 2, 3 och 4 apparatmängd betyder att apparatgruppens granskning alltid baserar sig på de apparater som ger de bästa resultaten. Resultaten är framställda som decimaltal, så medeltalet 1,02 betyder 102%:s observationstak och för 90%:s konfidentiellsintervallet betyder resultatet 0,02 2%:s tolerans (+-). Figur 14: Räkningsapparatgranskningens presentationssätt.

26 26 6 NUVARANDE KRAV -STUDIE 6.1 Apparatgruppsundersökning För totalantalet är den nuvarande kravgränsen +- 3 % jämfört med LAM-punktens resultat. Studien är gjord med hjälp av E2_tot parametern. Tabell 13: Granskning av totala antalen med olika apparatgrupper på vägar men en körbana. För Icoms del har resultaten granskats enbart för den närmaste filens (riktningens) del. Ur resultatet kan ses att alla apparater fyller de nuvarande helhetsandelskraven till och med i ÅMDT < granskningsgruppen då apparaten monteras nära vägens kant med hjälp av hjälpredskap på bashöjden. Däremot uppfyller ingen av apparaterna nuvarande kravsgränser vid monteringar långt ifrån vägens kant.

27 27 Tabell 14: Tunga trafikens granskningar med olika apparatgrupper på 1-körbaniga vägar. I den undersökta apparatgruppen är Sierzegan apparaten inte inkluderad för att man lyckades inte göra en fordonsklassificering för den apparaten. För Icoms del har resultaten endast betraktats för den närmaste körfilens (riktningens) del. Ur resultatet kan ses att alla apparater fyller de nuvarande kraven för tung trafik till och med i ÅMDT < granskningsgruppen då apparaten monteras nära vägens kant med hjälp av hjälpredskap på bashöjden. Ur resultaten kan ses att de tungas medeltal utan undantag är över 100%. Således torde ändring av den tunga fordonsgruppens (1_PU+PS övre gränsen) gränsvärde till större, ge ett ännu bättre resultat för varje undersökt apparat. Däremot uppfyller ingen av apparaterna nuvarande kravsgränser vid monteringar långt ifrån vägens kant. Resultaten är mycket långt ifrån nuvarande krav speciellt vid monteringar som gjorts mycket långt ifrån.

28 28 Tabell 15: Tunga kombinationsfordonstrafikens granskningar med olika apparatgrupper på 1-körbaniga vägar. I den undersökta apparatgruppen är Sierzegan apparaten inte inkluderad för att man lyckades inte göra en fordonsklassificering för den apparaten. För Icoms del har resultaten endast betraktats för den närmaste körfilens (riktningens) del. Ur resultatet kan ses att alla apparater uppfyller de nuvarande kraven för tung trafik i ÅMDT < 8000 granskningsgruppen då apparaten monteras nära vägens kant med hjälp av hjälpredskap på bashöjden. I motsvarande granskning med trafikmängden KVL<12000 är medeltalet för en apparat aningen högre än de nuvarande kravsgränserna. Däremot uppfyller ingen av apparaterna nuvarande kravsgränser vid monteringar långt ifrån vägens kant. Resultaten är mycket långt ifrån nuvarande krav speciellt vid monteringar som gjorts mycket långt ifrån. Motsvarande undersökningar gjordes för 2-körbaniga vägar. Ur resultaten kan ses att testresultaten för fordonsklassificeringen inte alls är nära kravsgränserna, så fordonsklassificeringen som framvisats i Norsiktprojektet fungerar inte alls för någon apparats del vid mätningar på 2-körbaniga vägar.

29 29 Tabell 16: Helhetsmängd, granskningar för tunga och kombinationsfordon med olika apparatgrupper på 2- körbaniga vägar. Sierzegan apparaten är endast med i helhetsmängdgranskningen för att man lyckades inte göra en fordonsklassificering för den apparaten. För Icoms del finns inga resultat. Ur resultatet ses att endast en apparat uppfyller de nuvarande kravsgränserna för helhetsmängden i trafikklassen ÅMDT<6000 vid högmonteringar. Ingen apparat uppfyller de nuvarande kraven för varken tunga eller kombinationsfordonen oberoende av monteringssättet.

30 Apparatspecifika resultat Ur de apparatspecifika resultaten kan ses att Icoms, DataCollect och ViaTraffic apparaterna fyller de nuvarande kraven över helhetsmängden, tunga och kombinationsfordonens del i ÅMDT < 8000 trafikklassen. För Icoms del är det frågan om den närmast liggande körfilens (riktningens) granskning och för de andra apparaternas del är det frågan om hela tvärsnittets granskning. Monteringarna bör göras så att apparaten är monterad nära vägens kant, på bashöjd och vinkeln riktad med hjälp av hjälpredskap. För DataCollects och ViaCounts del uppfyller räknarna även kravsgränserna för ÅMDT <12000 trafikklassen för ifrågavarande monterigssätt. Vid högmonteringarna uppfyller endast DataCollect de nuvarande kravsgränserna då man monterar nära med hjälp av hjälpredskap både i trafikklassen ÅMDT<8000 och trafikklassen ÅMDT< Tabell 17: Apparatspecifika resultat på 1- körbaniga vägar. Sierzegan-apparaten som granskas är endast med i helhetsmängdgranskningen, för fordonsklassificering kunde inte göras för den apparaten. För Icoms del har resultaten endast beräknats för den närmast liggande körfilens (riktningens) del. Ur resultaten kan dessutom ses att ingen apparat uppfyller kraven i monteringar gjorda långt från vägens kant. Tabell 18: Apparatspecifika resultat på 2-baniga vägar, där det med en apparat mättes den andra körbanans tvärsnittstrafik (2 filer åt samma håll). Sierzegan-apparaten som granskas är endast med i helhetsmängdgranskningen, för fordonsklassificering kunde inte göras för den apparaten. För Icoms del gjordes inga testmätningar på 2-körbaniga vägar. Ur resultaten kan ses att ingen apparat uppfyller kraven i monteringar på 2-körbaniga vägar, där man med en apparat har mätt två körfiler i samma riktning.

31 31 Då man drar slutsatser på basis av resultaten bör man komma ihåg att de nu gjorda apparattesterna endast är giltiga i detta NorSIKT-projekt med dess monterings- och databehandlingssätt. Bild 15: Elementen för undersökningsdatats kvalité i NorSIKT-testen. För apparaternas del bör det kommas ihåg att det är frågan om precis dessa räknarapparater (hardware) och apparaternas program (firmware), som användes i testerna. Dessutom användes för DataCollects del i datainsamlingsapparaten (Palm) versionen DCCom 6.3, som inte är i allmän användning och som fungerar annorlunda än den tidigare versionen. Tabell 19: De testade apparaternas exakta uppgifter. Apparat Hardware Igenkänningskod Firmware Software (fordonsklassificiering) Terrängprogrammering Icoms TMS-SA, (Bemböle) 8.80 Enligt NorSIKT Icoms software bluetooth (Uleåborg) DataCollect SDR, 1104E03687B 5.95 Enligt NorSIKT DCCom 6.3 bluetooth (Palm) Sierzega SR4, BT 5406 ej i Enligt NorSIKT BT Comm v1.3 bluetooth kännedom ViaTraffic ViaCount II, bluetoot 10VZZ Enligt NorSIKT ViaGraph För de allmänna landsvägarnas del är den viktigaste trafikomgivningen enkörbaniga vägar med ÅMDT<8000 I Finland hör ca 96% av de ca homogena trafikräkningsavsnitten till denna trafikomgivning. I följande tabell ser man som sammandrag vilka räknare och med vilka mätningssätt de nuvarande kraven uppfylls. Tabell 16: Apparater och mätningssätt som uppfyller nuvarande krav.

32 32 För verksamhetsmiljöns del märktes att apparatens monteringsavstånd från vägens mittlinje inte kan vara så lång. I de nu testade monteringarna över 16 meter uppfyllde resultaten inte de nuvarande kraven. Däremot uppfylls kraven vid ca 9 meters monteringar, så monteringens maximumavstånd kunde uppskattas vara högst 12 meter. Mätning av körfiler (2) som går i samma riktning på tvåkörbaniga vägar uppfyller inte de nuvarande fordonsklassificeringskraven. Således bör räkning av två filer i samma körriktning göras med två räknare (en räknare/fil).

33 33 7 ANNAN GRANSKNING AV PARAMETRAR 7.1 Möjliga nya krav I det tidigare kapitlet granskades hur räkneapparaturen uppfyller nuvarande krav med olika monteringssätt i olika trafik- och verksamhetsmiljöer. De apparater och monteringssätt som uppfyller de nuvarande kraven granskas här utgående från andra parametrar. Utgångspunkten i denna granskning är att möjliga nya parameterkrav inte utestänger någon apparat, trafik- eller verksamhetsmiljö som uppfyller de nuvarande kraven. Figur 17: Principen för de möjliga nya kravgränserna. Granskningen har gjorts utgående från följande parametrar: - TE2_1PU Den antagna verkliga systemnoggranheten i PU-klassen - TE2_2B Den antagna vekliga noggrannheten i B.klassen - TE2_3LU Den antagna vekliga noggrannheten i LU-klassen - TMD Uppskattade sanningen medeltunga (B+LU) systemnoggrannhet - 0MC% Andelen motorcyklar i trafikströmmen - Nopeus Medeltal och standardavvikelse för körhastigheterna Kravsgränsen har definierats så att det för observationernas medeltal har sökts det största och minsta värdet, därefter kravsgränsen (toleransen) har definierats baserat på det största värdet, som sedan ännu har multiplicerats med säkerhetsfaktorn 1,1.

34 34 Tabell 20: Toleransgränsen beräknad för person- och paketbilarna samt deras släpkärror. För de olika fordonsklassernas del kan man se att toleransgränsen för personbilar (4 %) skulle vara nästan samma som totalantalets tolerans. Tabell 21: Beräknade toleransgränser för bussarnas, lastbilarnas klass och klassen kombinerad av dessa (medeltung). För bussarnas del, däremot, borde toleransgränsen vara (345%), så de är nästan självklart ett det inte lönar sig att sätta en sådan kravgräns. Man bör komma ihåg att analyseringen försvåras inte bara av räkneapparatens urskiljningsförmåga utan också av felaktigheter i LAM-punkternas klassificeringar, speciellt för buss-gruppen. Persontrafikmängdens bättre statistikföring skulle stöda bussarnas klassificering till egen grupp, även att observationstaket är nästan obefintlig. Det är också lättare att studera bussarnas antal och rutter på vägnätet, varvid det t.ex. är lättare att utföra utvecklingsgranskningar för vägnätet i en riktning som gynnar kollektivtrafik. Man bör komma ihåg att observation av busstrafik berör alla räkneapparater så troligtvis är observationsnoggrannheten för busstrafiken mera exakt med andra tekniker än mikrovågsräkneapparater. Och andra sidan leder nya krav på klassificering av någon ny fordonsklass samt räkneapparaternas

35 35 behandlingsprogram till att själva räknetekniken också börjar utvecklas i en sådan riktning att man i framtiden kan detektera den nya fordonsklassen noggrannare än tidigare. För lastbilarnas del skulle toleransgränsen vara 70 %. Då man studerar både bussarnas och lastbilarnas fordonsgrupper tillsammans får man toleransen till 67 %. För att man ska kunna sätta ens ett indirekt gränsvärde för busstrafikens observation kan man för dessa två fordonsklassers kombinerade resultat (medeltunga) fastställa en kravgräns på %. Tabell 22: Granskning av parametrar för motorcyklar och mopeder. För motorcykelklassens del har granskningen gjorts på basen av trafikens sammansättning. Av resultaten ses att motorcyklarnas andel av hela trafikströmmen är av klassen cirka 1 % -enhet. Det är inte möjligt att presentera direkta kravgränser för denna grupp eftersom jämförelsematerial saknas. Indirekt är det möjligt att fastställa kravgränser genom totalantalet, eftersom det nuvarande totalantalskravet med +-3 procents beräkningsnoggrannhet har inkluderat också antalet observerade motorcyklar. Tidigare har dessa inte skiljts ur räkneapparatens observationsantal, så observationer av motorcyklar och mopeder samt eventuellt cyklar har funnits med i totalantalsberäkningarna. Man kan därför tänka sig att över 100 procents täckning av totala observationsantalen skulle betyda att den överskridande delen av observationer hör till motorcykelklassen. I praktiken kan man inte fastställa så här exakta gränsvärden eftersom de extra observationerna, både för räkneapparatens och referensapparatens del, innehåller en del felaktigheter. Då man studerar totalantalens resultat noggrannare märker man att i mätningarna som uppfyller de nuvarande kraven överskrider inte totalantalen 102 procents observationstäckning. Således genom att begränsa totalmängdens övre gräns till 102% i jämförelse till nuvarande 103%, läggs en indirekt gräns även till motorcykelklassen. Körhastigheterna har man granskat enbart på basen av fordonens medelhastighet (aritmetiska) och standardavvikelse. Medelhastigheterna har räknats ihop för alla fordon i hela tvärsnittet samt skilt för tunga fordon. Av tabellens värden kan man utläsa att - Toleransen för medelhastigheten är mellan +- 3 km/h - Standardavvikelsens tolerans är mellan +- 1 km/h Om man skulle studera resultaten skilt för var riktning borde framför allt medelhastighetens tolerans vara ca 2 km/h större är för studien av hela tvärsnittet.

36 36 Tabell 23: Granskning av hastighetsdatan (tvärsnittsdata) När man närmare studerar resultaten i tabellen, verkar det som att hastigheternas medelvärden är regelbundet lägre är LAM-punkternas jämförelsedata, då monteringarna är höga. Detta kan åtminstone delvis förklaras med att det är avsevärt svårare att rikta vinkeln rätt på hög höjd (från en stege) än det är på grundnivå (stående på marken), fastän man i båda fallen skulle använda laser som hjälpmedel för riktningen. Man bör komma ihåg att det inte är helt entydigt att jämföra hastighetsdatat med LAM-datat, eftersom inte heller LAM-materialet är helt exakt i fråga om hastighetsobservationer. Normalt gallrar man bort alla hastighetsobservationer under 10 km/h ur LAM-datat, men som man kan se ur figuren nedan finns det en del ytterst låga hastigheter (10-20 km/h) i stora material.

37 37 Figur 18: Hastighetsdata vid LAM-punkten. Figur 19: Hastighetsdata från mätningsapparaten (SDR) När man på motsvarande vis granskar material som räkneapparaten producerar finner man inte alls detta antal av ytterst små hastigheter. Skillnaderna i materialen torde främst påverka standardavvikelsen. Det är

38 38 diskutabelt om det lönar sig sätta kravgränser för standardavvikelsen. För medelhastighetens del är effekterna inte så stora, eftersom möjliga felobservationer delvis tar ut varandra och mängden möjligen felaktiga observationer är mycket liten. Fastän ett absolut hastighetsdata är svårtolkad ger följande exempel en bra bild av hastighetsdatats användbarhet. I den övre figuren ses den timmesspecifika informationens medeltal som räknarapparaten framställer samt medelvärdets konfidensintervall med 95 % konfidensintervall. I den nedre figuren ses motsvarande uppgifter från LAM-punkten. Datan kommer från körhastigheterna i ena riktningen och räkneapparaten är mycket nära LAM-punktens räkneslingor (LAM-punkt 529). Figur 20: Medelhastighet och 95 procents variationsintervall för olika timmar, räknat från mätninganläggningens (SDR) data. Figur 21: Medelhastighet och 95 procents veriationsintervall för olika timmar, baserat på LAM-punktens data.

39 39 Från figurerna kan man se att medelhastighetsdatan som räkneapparaten producerar är av nästan samma form som motsvarande data från LAM-punkten. Därmed kan man konstatera att man med datan från räkneapparaten kan mäta variationer i körhastigheter med relativt stor noggrannhet. När man utnyttjar hastighetsdata i olika studier och undersökningar är det ytterst viktigt att man känner till den exakta monteringsplatsen (t.ex. GPS-koordinater). Dessutom torde man också i analyseringen ha nytta av exakt dokumentation av monteringen till exempel i form av ett fotografi efter montaringen. 7.2 E1-parametrar I granskningen av E1-parametrarna jämför man observation för observation hur korrekt mätningsapparaten kan dela in fordonen i rätt klass. Granskningen är inte vettig i fråga om mikrovågsräknarna eftersom deras klassificering grundar sig på längddetektering och därför är det inte möjligt att bestämma exakt rätt fordonsgrupp för varje fordon. Att referensmaterialet inte heller motsvarar den verkliga fordonsklassificeringen till alla delar gör E1-granskningen ännu mera vag. Från figuren nedan ser man ändå att E1-parametrarna är ungefär 95 % i person- och paketbilsgruppen (E1_1PU). De näststörsta E1-värdena finns i kombinationsfordonsgruppen (E1_4LS) och de tredje största i lastbilsgruppen (E1_3LU). I bussgruppen (E1_2B) varierar mängden korrekt detekterade i denna granskning mellan 13 och 28 procent. Figur 22: E1-parametrarna. För bussgruppens (E1_2B) del är medeltalsresultatet beräknat på basen av endast de testresultatdär busstrafiken är större än 9 observationer.

40 40 Framför allt E1_PU parametrarna är på nästan samma nivå för olika apparater. Mellan andra fordonsgrupper förekommer små variationer för olika apparater. E1-felet beskriver hur mycket fel det finns i observations- och referensmaterialet sammanlagt. Ju större värde desto fler felklassificeringar finns det i materialet mellan jämförelsedatat och observationsdatat. Figur 23: E1-felens parametrar. För bussgruppens (E1F_2B) del är medelvärdesresultatet räknat enbart från de testresultat där busstrafiken är större än 9 observationer. Så som figuren ovan visar är räkneapparatens klassificeringsfel störst i bussgruppen (E1_2B) och lastbilsgruppen (E1F_3LU), där antalet fel är mellan 61 och 92 %. I person- och paketbilsgruppen (E1F_1PU) varierar antalet felaktiga detekteringar med 10 % åt båda hållen.

41 41 8 UNDERSÖKNINGENS KVALITET OCH FÖRBÄTTRING AV KVALITETEN I studien var man ofta tvungen att godkänna felkällor, vilka beskrivs härefter. Trots felkällor och gjorda val är testernas huvudresultat tillräckligt tillförlitliga. De största problemen när det gäller tolkning av undersökningens resultat orsakas av att den använda referensdatat, LAM-datat, inte är absolut sanning. Därmed är man tvungen att flytta tyngdpunkten från granskning av E1-värden (fordonsspecifika), vilket allmänt har varit tyngdpunkten i NorSIKT-projektet, till granskning av E2-värden (systemdata). I E2-granskningen bjöd också på en del utmaningar eftersom man var tvungen att manipulera LAM-datat på basis av riktighetsgranskningen. Synkronisering av datat genomfördes gjordes enkelt med en Excel-funktion. Detta ökade undersökningens oriktighet eftersom synkroniseringen inte gick att göra helt korrekt. Grovt uppskattat torde ungefär 5 % av materialet vara felaktigt synkroniserat eller helt osynkroniserad av en eller annan orsak. En del av synkroniseringsproblemet beror på skillnader i detektering av motorcykelklassen mellan referensapparaten och räkneapparaten. Ifall man fått en entydig sanning av referensapparaten, skulle synkroniseringen ha varit meningsfullt att göra mera detaljerat genom att programmera ett speciellt program, än hur det nu är gjort, och granska synkroniseringens riktighet mera utbrett. I studien satsades inte på synkroniseringens riktighet eftersom man visste att referensdatan som skulle synkroniseras var delvis fel och studiens huvudtyngdpunkt låg vid E2-granskningarna. För att monteringarna på olika ställen och med olika testkonstellationer skulle göras likadant utarbetades monteringsanvisningar i samband med förtestningarna. Trots det kan man inte helt hindra möjliga monteringsfel. Montering av apparaterna gjordes på uppdrag av NorSIKT-projektet både i södra och norra Finland. Man fick i bruk de olika räkneapparaterna i början av juli, varefter montörerna bekantade sig med för dem delvis nya monteringar, monteringsanvisningar och monteringsprogram samt anvisningarna som utarbetats för NorSIKT-projektet. I terrängarbetet förlorade man två testdata. Den ena förlusten berodde på mänskliga fel och den andra på att programmet hakat upp sig. När man i fortsättningen genomför motsvarande test bör monteringarna ske på uppdrag av apparaternas representanter/ producenter av service, så att ansvaret för att monteringen lyckas, monteringssätten och monteringsprogrammen är tydligt. Från Icoms fick man två apparater för testerna. Den ena användes i förtestningarna i Uleåborg och den andra i testerna som inleddes i mitten på juli i södra Finland. Apparaterna kom så sent till landet att man framför allt i södra Finland inte hann med funktionstestningar. Istället koncentrerade man sig främst på att lära sig hur apparaten fungerar under testningarna. Först när testerna började märkte man att apparaten inte kan ha fungerat korrekt eftersom observationsförmågan var svag för den yttra filens del (ifrågavarande riktnings observationstäckning är under 20 %). För Icoms apparats del konstaterades genomfördes i södra Finlands tester enbart de som gjordes på nära håll, varefter man beslöt att avbryta testningarna för denna apparats del och returnera den till tillverkaren. Då visade det sig att apparaten hade en funktionsstörning i den motoriserade vinkeljusteringen. Funktionsstörningen berodde på att vinkeljusteringsmotorns elkabel hade lossnat och gjorde så att apparatens lutningsvinkel inte fungerade som den skulle.

42 42 Till testerna i norra Finland kom en ny Icoms-apparat från tillverkaren. Apparaten provades i Uleåborg i en mätning på en väg med två körbanor och då märkte man genast att apparaten inte kan detektera i den yttersta filen (över 10 meter bort). Således avbröt man också i Uleåborg testerna efter långa monteringar. Felet i den motorstyrda regleringen av lutningsvinkeln torde till största delen förklara varför monteringar gjorda på kort avstånd hade så dålig observationstäckning för den yttersta filen vid mätningarna i södra Finland. I norra Finland förklaras den svaga detekteringen i den yttersta filen av vägens bredd, då apparatens avstånd till yttersta filens huvudkörlinje var över 10 m, pga. vägens breda filer. När man i fortsättningen genomför dylika tester bör monteringarna genomföras med minst två olika apparater så att eventuella avvikelser eller funktionsstörningar uppdagas i ett tidigare skede. Dessutom kan man genom att använda två apparater försäkra sig om att testprogrammet genomförs. I samband med behandlingen av NorSIKT-datat märkte man att man kan granska kvaliteten mångsidigare och noggrannare på basen av mätningsdatat. Genom att granska mätningsdatat kan man upptäcka s.k. saknad mätdata, vilket aldrig skulle framkomma på basen av tidigare presenterade tvärsnittsgranskning. Dessutom kan man från mätdatat uppskatta mätningens kvalitet och därmed resultatets riktighet. Dåliga mätresultat indikeras av bland annat: - ojämn riktningsfördelning - stors hastighetsskillnader eller skillnader i hastighetens standardavvikelse då man studerar riktningarna - avvikande trafiksammansättning i olika riktningar och - stort antal fordon som passerat under samma sekund. Figur 24: I figuren ses den ena riktningens trafikmängds andel av hela tvärsnittets trafik. Lm1-mätingens riktningsfördelning är klart avvikande, vilket indikerar svagheter i apparatens detekteringsförmåga för den motsatta riktningens del. Den verkliga observationstäckningen vid Lm1-mätningen är 76,6 % i jämförelse med LAM-datan.

43 43 9 SAMMANDRAG OCH SLUTSATSER I Finland genomfördes radarräknarnas NorSIKT-testningar på sommaren Testernas mål var att undersöka ifall den i Finland använda treklassiga fordonsklassificeringen kan utvidgas till fem. Dessutom var testernas mål att undersöka de nya radarräknarnas användbarhet och lämplighet i Finlands förhållanden. För planeringen av testningarna har gjorts ett dokument, Radar preliminary testing in Finland, och ett annat dokument för montering av radarräknarna Radarräknarnas montering - teknisk beskrivning och ett dokument för LAMpunkternas slingbyggning Finlands trafikräkningsslingor -teknisk beskrivning. I denna rapport har testresultaten publicerats och på basis av undersökningens slutsatser definierar Trafikverket kravsbestämmelser för Finlands räknarapparater samt bestämmer godkänningsprosessen förknippad till apparattestningen. Trafikberäkningens kvalitet påverkas utöver apparaten och apparatprogrammet av monteringens kvalité samt databehandlingsprogrammets intelligens. Bild 25: Faktorer som påverkar datats kvalité och dataproduceringens pris. NorSIKT testerna planerades till mycket utmanande och mångsidiga, så att man med olika testinstallationer kunde söka praktikens funktions- och trafikmängdsgränser. På basis av NorSIKT -testernas resultat är det meningen att definiera nya klassificerings- och kravsdefinitioner. Testernas centrala sammandrag och slutsatser är följande: - De nuvarande kravsgränserna har bestämts för helhetsmängden (+- 3%), för tunga trafikens och kombinationsfordonens del (+- 8 %). Kravsgranskningen för den tunga fordonsklassen gjordes med %:s gränsvärden eftersom de nuvarande gränserna inte är fullt entydiga. Toleransgränsen som används i fortsättningen bör klarläggas. - De nuvarande kravsgränserna uppfylls fullständigt för två räknarapparaters del vid ÅMDT under 12000, då apparaterna monteras nära vägens kant och på bashöjd samt så att apparatens vinkel justeras med hjälpredskap. För en apparats del uppfylls de nuvarande kraven även vid högmonteringar (nära vägkanten och vinkelns justering med hjälpredskap). - För en apparats del uppfylls de nuvarande kraven endast för den närmast liggande filens del då räknaren monteras nära vägens kant, på bashöjd och vinklen justeras med hjälp av hjälpredskap. Trafikmänden (ÅMDT) får ifrågavarande fall vara högst 8000.