4. Dinamikus térképfrissítés 82
4.1.3. Frontváltozások előrejelzése lokális meteorológiai adatokból
A fenti tesztszekvencia eredményeinek felhasználásával belátható tehát, hogy a „nincs front”→ „instabil hidegfront” átmenet az, amely esetében szignifikánsan megnövekszik a balesetek száma a közutakon mind lakott területen, mind azon kívül. Ebben a fejezetben a közösségi közreműködés által összegyűjthető, lokális meteorológiai adatok, illetve az
Az instabil hidegfront állapot esetén magasabb átlagérték→növekedés.
4.3. ábra. Középértékek összevetése. Vizsgált eset: lakott terü- leten kívüli balesetek száma, nincs átmenet instabil hi- degfrontról, illetve átmenet „nincs front” állapotról „in- stabil hidegfront” állapotra
A null hipotézis elutasítása→a minták eloszlása közötti különbség szignifikáns.
4.4. ábra. Eloszlások hasonlóságának vizsgálata. Vizsgált eset: la- kott területen kívüli balesetek száma, nincs átmenet in- stabil hidegfrontról, illetve átmenet „nincs front” álla- potról „instabil hidegfront” állapotra
időjárási frontátmenetek közötti kapcsolatok vizsgálatára végrehajtott kutatásomat írom le.
Módszertan
A 4.2. táblázatból leolvasható, hogy a vizsgált frontátmeneti esetek közül csak olyan esetben volt megállapítható szignifikáns növekedés a baleseti számokban, amikor az átme- net kezdő vagy végállapota instabil hidegfront volt. A közelgő fronttípusok javaslására itt definiált metódusban így ezen állapot előrejelzését tűztem ki célul.
A frontelőrejelző algoritmus mögött húzódó feltételezés a következő: az ország kü- lönböző részein – vagy esetemben különböző városaiban – tapasztalt lokális meteorológi- ai paraméterek változásának összevetésén keresztül valószínűsíthető az aktuális időjárási frontállapot. Kutatásomban 5 magyar város (Szombathely, Pécs, Budapest, Debrecen és Szeged) lokális időjárási paramétereit használtam fel. Ezek közül a „szomszédos” városok napi átlagos hőmérséklet-különbségének megfigyelése érdekében 7 további változót számí-
Vizsgálati eset Normalizált baleseti számok változása Frontátmenet Átmenet
nélküli eset (bázis)
Lakott területen kívül
Lakott területen belül
Adatpontok száma
NF→IH IH Növekedés (0,013) Növekedés (0,001) 295
NF→SH SH Növekedés (0,075) Növekedés (0,041) 74
NF→SM SM Csökkenés (0,167) Csökkenés (0,854) 234
NF→IM IM Növekedés (0,529) Növekedés (0,457) 174
IH→NF NF Növekedés (0,008) Csökkenés (0,180) 878
SM→IH IH Növekedés (0,804) Növekedés (0,049) 260
IM→IH IH Növekedés (0,002) Növekedés (0,518) 290
SH→IH IH Növekedés (0,191) Növekedés (0,698) 214
4.2. táblázat. Tesztszekvencia kimenetei a vizsgálati esetekre. Az aláhúzott változások szignifikáns növekedést jelölnek. Szignifikancia szintje: 5%. A tesztsta- tisztika értékei a változás iránya után zárójelben jelölve.
tottam ki, majd adtam hozzá a 4.1.1. fejezetben bemutatott adatbázishoz. A párba állított városok, amelyekre az adatokat kiszámítottam a következők voltak:
• Budapest — Debrecen;
• Budapest — Pécs;
• Budapest — Szeged;
• Budapest — Szombathely;
• Pécs — Szombathely;
• Pécs — Szeged;
• Szeged — Debrecen.
A különbségképzés irányát a városok relatív földrajzi pozíciója alapján határoztam meg. A Magyarországot érintő meteorológiai folyamatokra – különösen az időjárási fron- tokra – jellemző, hogy északnyugat felől közelítik meg az országot, illetve innen délkeleti irányban haladnak. Ezt figyelembe véve úgy állítottam a különbségképzés irányát, hogy amennyiben hideg időjárás közelíti meg az országot északnyugat-nyugat felől, akkor a hőmérséklet-különbségek negatívak legyenek az érintett városok között.
Több további változót is bevezettem a frontelőrejelzések robusztusságának növelése érdekében. Az egyik ilyen a hőmérséklet-csökkenés jelző, egy bináris jelző (egy flag), melynek értéke akkor igaz – vagyis 1 –, amennyiben abszolút értelemben a legnagyobb hőmérséklet-különbség negatív értéket jelent. Ellenkező esetben hamis – vagyis 0. Ezen túl definiáltam egy éves szintű változót is, mely a választott párosított városok közötti abszolút hőmérséklet-különbségek éves mintasorának felső percentiliseit tartalmazta. A kutatás során több értéket is teszteltem, végül a 80. percentilis bizonyult a leghatékonyabb választásnak. A kalkulált éves értékeket a 4.3. táblázat tartalmazza.
Évszám 80. percentilis (◦C)
2001 3,3258
2002 3,1604
2003 3,3850
2004 3,2433
2005 3,1242
2006 3,2575
2007 3,2658
2008 2,8896
2009 3,2208
2010 3,1158
4.3. táblázat. A kiválasztott városok közötti abszolút hőmérséklet-különbségek összesí- tett éves mintasorának 80. percentilis értékei
A 4.1.1. fejezetben bemutatott adatbázisból kinyerhető értékek alapján a vizsgált időszakban a két leggyakrabban előforduló fronttípus a „nincs front” és az „instabil hideg- front” voltak. A paraméterek empirikus behangolását követően a szűrésre legalkalmasabb feltételeknek a következők bizonyultak:
• a napi középhőmérséklet Szombathelyen alacsonyabb, mint Budapesten;
• a hőmérséklet-csökkenés bináris jelző értékeigaz;
• a párosított városok közötti hőmérséklet-különbség abszolút értékeinek maximuma a 80. percentilisben van.
Eredmények
Egy viszonylag hatásosnak mondható instabil hidegfrontot előrejelző megoldást sike- rült definiálnom az adatbázis fenti feltételek mentén megvalósított szűrése eredményeként, melyet a 4.5. ábra mutat.
(a)Szűrés előtt (b) Szűrés után
4.5. ábra. 2009-es fronttípusok relatív gyakoriságának hisztogram- jai
A szűrőalgoritmust a 2000. és 2010. közötti periódus minden évére lefutattam az adat- bázisban tárolt adatokra. A kiértékelés eredményeit a 4.4. táblázat mutatja; a táblázatban ηaz algoritmus hatékonysága, mely százalékpontban adja meg az instabil hidegfronti na- pok részarányának változását:
η=αf −αpf, (4.1)
aholαpf ésαf az instabil hidegfronti állapotok részaránya rendre a szűrés előtt és a szűrés után. A részarány az alábbi egyenlet szerint határozható meg:
αi= IHi N Fi+IHi
(4.2) A 4.2. egyenletben az N Fi a vizsgált periódus „nincs front” állapotú, IHi pedig ugyanezen periódus „instabil hidegfront” állapotú napjainak száma. iértéke jelzi, hogy a szűrés előtti, vagy az azutáni állapotok összesítését veszem figyelembe: i∈ {pf,f}.
Évszám
Szűrés előtt Szűrés után
η Nincs
front
Instabil hideg-
front
Részarány (αpf)
Nincs front
Instabil hideg-
front
Részarány (αf)
2001 35,6% 23,1% 39,35% 36,8% 42,1% 53,36% 14,01
2002 34,1% 22,9% 40,18% 34,6% 26,9% 43,74% 3,56
2003 51,9% 17,7% 25,43% 30,4% 17,4% 36,40% 10,97
2004 37,3% 22,5% 37,63% 45,5% 27,3% 37,50% -0,13
2005 42,1% 21,8% 34,12% 20,0% 24,0% 54,55% 20,43
2006 42,0% 23,1% 35,48% 56,3% 15,6% 21,70% -13,79
2007 42,3% 22,2% 34,42% 25,0% 32,1% 56,22% 21,80
2008 43,5% 25,5% 36,96% 33,3% 44,4% 57,14% 20,19
2009 43,5% 20,8% 32,35% 23,5% 41,2% 63,68% 31,33
2010 45,4% 26,3% 36,68% 29,7% 32,4% 52,17% 15,49
4.4. táblázat. A fronttípusok szűrésére ajánlott algoritmus eredménye
A teljes vizsgált időtartományon az általam javasolt előrejelző-algoritmus 12,39 szá- zalékpontos átlagos hatékonyságot tudott elérni, vagyis mérsékelten képes lokális meteoro- lógiai adatok alapján a frontmentes állapot helyett megjelenő instabil hidegfronti állapot megjóslására. A 4.4. táblázatban megjelenő kiugróη értékek egyik magyarázata az időjá- rási frontváltozások kaotikus jellege.
Egy másik fontos szempont, amit feljebb röviden érintettem, hogy az itt leírt algo- ritmus paramétereinek behangolása empirikus módon, az adatbázis ismeretében, kézileg történt. Az ilyen osztályozás jellegű feladatok robusztus megoldására kiváló módszert
jelentenek a neurális hálók, melyek elegendő tanító adat elérhetősége esetén a paraméter- optimalizációs tanítási folyamat során képesek jóval túlszárnyalni az itt leírtakhoz hasonló, emberi heurisztikán alapuló algoritmusokat.
Azonban az itt bemutatott eredményekből is látszik, hogy képes lehet egy lokális idő- járási adatokat alapul vevő előrejelző rendszer a baleseti statisztikákat szignifikánsan befo- lyásoló időjárási frontok változására bizonyos konfidenciával figyelmeztetni. Amennyiben egy ilyen rendszer bemenetén az adatok elérhetősége közösségi közreműködés révén biz- tosított, akkor az eredményként előálló veszélyattribútumok hozzárendelhetők a felhőben tárolt térképekhez (lásd LDM modell – 1.2. ábra – átmeneti réteg). Ezzel egy CrowdMap- ping jellegű rendszer adatait felhasználó autonóm jármű trajektóriatervező, navigációs, illetve ADAS algoritmusai jelentőségteljes, balesetek megelőzésére alkalmas információhoz férhetnek hozzá.