STAVBY A TECHNOLOGIE 38 Data jsou víc než pocit. Bez kvalitní dopravní analýzy hrozí miliardové omyly „Každá dopravní stavba nebo jakýkoliv projekt by měl být navržený na základě analýz a rozhodnutí, které pomohou posoudit vhodnost dané stavby. Jedním z těch klíčových podkladů je dopravní analýza postavená na kvalitních datech,“ říká vedoucí Mobilní laboratoře pro dopravní analýzy na Fakultě dopravní ČVUT v Praze Petr Kumpošt, který se dopravním průzkumům a analýzám věnuje téměř dvě desetiletí. Mobilní laboratoř pro dopravní analýzy ČVUT dnes disponuje více než 100 kamerovými sety, které fungují na baterie a lze je rychle rozmístit v terénu. Záznamy dokáží pořizovat i několik dní v kuse. Například pro Prahu každoročně analyzují dvě až tři stovky lokalit a celkově pořizují přibližně 25 tisíc hodin videozáznamů ročně. Právě kvalita dat je pro dopravní anaText: Redakce Foto: Fakulta dopravní ČVUT v Praze Když se řekne dopravní průzkum, většina lidí si ještě dnes představí člověka sedícího u silnice s papírem a tužkou, který dělá čárky za každé projíždějící auto. Realita moderních dopravních analýz je ale úplně jinde. Špičkové kamery, automatické rozpoznávání registračních značek, dlouhodobé videozáznamy a datové modely městské dopravy dnes rozhodují o tom, kde například vznikne nová dálnice, obchvat nebo parkovací dům za stovky milionů korun. lýzy zásadní. Nejde totiž jen o to spočítat auta. Důležité je zjistit, odkud a kam jezdí, kdy a proč, jak dlouho vozidla parkují nebo kterou alternativní trasu volí při uzavírce. Stále víc se ke slovu dostává umělá inteligence při strojovém zpracování obrazu, Petr Kumpošt ale upozorňuje, že zatím není možné se na ni ve všech situacích spolehnout. „Vyhodnotit počet aut už dnes AI zvládá poměrně dobře. Problém nastává ve chvíli, kdy potřebujete podrobněji rozlišovat jednotlivé kategorie vozidel nebo specifické skupiny aut, například když potřebujete rozlišit linkové autobusy a vozy MHD. Nebo když je pořízený záznam v nočních hodinách nebo zhoršené viditelnosti“ vysvětluje a rovnou přidává příklad. „V jednom průzkumu bylo například nutné spočítat auta konkrétních stavebních společností, protože investor se na základě toho vypořádával se správcem komunikace za průjezdy stavební techniky. Člověku to zadání vysvětlím poměrně jednoduše. Naučit to umělou inteligenci je složitější,“ říká Kumpošt. Problém podle něj spočívá mimo jiné v tom, že programátoři většinou potřebují vyvinout globální produkt, aby se jim jeho vývoj vyplatil. Při dopravních průzkumech se mohou lišit požadavky jednotlivých zadavatelů a zhotovitelé pak realizují sběr dat dle specifických požadavků v dané lokalitě. To platí nejen v rámci ČR ale i v zahraničí. „Software vyvinutý pro sčítání dopravy v Česku musí být proto jiný než pro Indii. I tak ale myslím, že v horizontu dvou až tří let to bude už na mnohem vyšší úrovni a já vždy říkám, že budu první, kdo to bude ve velkém používat, jakmile to bude dostatečně přesné a konzistentní.“ Minimální chybovost I proto dnes laboratoř stále využívá kombinaci technologií a lidského vyhodnocování. Analytici sledují videozáznamy a data zaznamenávají do specializovaných aplikací. Díky tomu se podle Kumpošta daří držet chybovost na úrovni dvou až tří procent, což je velmi kvalitní výsledek. Výraznou pomocí je software na automatizované rozpoznávání registračních značek. „Dříve bylo běžné, že při ručním sběru dat a vysoké intenzitě dopravy se zapisovaly
RkJQdWJsaXNoZXIy NTc1ODM=