Tartu linnavalitsus otsustas minna kaugemale levinud seisukohast, et üritus linnas = külaliste rahalised kulutused ja tarbitud teenuseid = kasu linnale, ja küsida, kas on olemas andmeid, mille alusel hinnata ürituse erinevaid mõjusid. Lisaks külastajate poolt linna jäetud rahale tuleks arvesse võtta mitmeid teisi tegureid, näiteks mõju liiklusele ja keskkonnale. Pilootprojektiks sai Metallica kontsert.
Kas suurürituse võõrustamine on linnale kasulik ja kuidas seda kindlaks teha?
2019. aasta juulis toimus Tartus ligi 70 000 külastajaga Metallica kontsert, linna ajaloos seni suurima rahvahulga kokku meelitanud sündmus. Kuulajad kogunesid loetud tundideks kontserdipaika Eesti Rahva Muuseumi taha, endisele Raadi lennuväljale. Inimeste arv linnas suurenes sellel õhtul umbes 2/3 võrra.
Nagu iga massiürituse korraldamisel, kaasnesid sellega võõrustava linna jaoks praktilist lahendamist vajavad küsimused nagu liiklusvoogude juhtimine, ummikute vältimine, parkimine, ühistranspordi kohandamine, elanike ja külaliste teavitamine jne. Kaubandus, majutus ja toitlustus ning muud teenindavad ärid tegid omad ettevalmistused.
“Metallica kontsert oli Tartu jaoks suur väljakutse ja enneolematu võimalus. Aegsasti seadsime enda jaoks eesmärgiks kontserdipäeval linnas toimuvast õppida, et tulevaste suurürituste võõrustamiseks veelgi paremini valmis olla. Koostöös erinevate partneritega nii avalikust kui erasektorist sai põhjalik andmete kogumine, töötlemine, analüüs ning tõlgendamine ette võetud.”
Raimond Tamm, Tartu abilinnapea
Unikaalne mõõtmise pilootprojekt
Esmakordselt aga otsustati enne üritust, et eri osapoolte koostöös mõõdetakse võimalikult paljusid näitajaid, millele üritus oma mõju avaldab, et hiljem neid andmeid analüüsida, seoseid otsida ja teha järjäreldusi tuleviku tarbeks. Idee sai alguse Tartu Linnavalitsusest, Targa Linna juhi Lauri Soku käest.
Mõõdetavad näitajad hõlmasid võimalikult paljusid valdkondi, alates majandusnäitajatest nagu kaardimaksete käibed ja hotellide täituvus, liikluse eri tahkudest nagu ühistranspordi kasutamine ja sõidukite arv, kuni keskkonnaalaste parameetriteni nagu müratase või vee ja elektri tarbimine.
Kuna analoogi sellise ulatusliku mõõtmise kohta ei olnud kusagilt võtta, pandi näitajate nimekiri kokku kõigi osalejate ideede, võimaluste ja parima teadmise kohaselt. Kaasatud oli kokku 22 partnerit, kes andsid oma panuse andmete kogumise, kättesaadavaks tegemise või töötlemise kaudu.
Fujitsu ülesanne: liiklusvoogude videopildi analüüs
Liiklusvoogude jälgimiseks paigutati linna eri kohtadesse spetsiaalselt ajutised kaamerad, et filmida liiklust ristmikel ja teedel-tänavatel.
Fujitsu osaks projektis sai nende kaamerate poolt salvestatud videote töötlemine. Ülesanne oli salvestistelt ära tunda, kokku lugeda ja kategoriseerida liikuvad objektid.
Analüüsi lähtematerjaliks oli 487 tundi videopilti 12 kaamerast. Kaamerad Iga kaamera vaateväljas toimunud sõidukite ja jalakäijate liikumised muudeti unikaalseteks sündmusteks, millel on täpne kellaaeg ja asukoht. Edasi oli võimalik neid sündmusi loendada ja liigitada.
Selleks kasutati spetsiaalset objektituvastuse tarkvara, mille AI algoritmi treeniti videotel eristama jalakäijaid ja 5 eri liiki sõidukeid – jalgrattad, mootorrattad, sõiduautod, bussid, veoautod.
Masinõppel põhinev objektituvastustarkvara
Fujitsu kasutas selles analüüsis tarkvara, mille üks tüüpiline kasutusala ongi sõidukite tuvastamine ja eristamine liigi, värvi ja isegi üksikute automarkide kaupa. Antud ülesande jaoks nii täpne eristus küll vajalik ei olnud.
Andmetöötluse käigus ilmnes vajadus esialgset algoritmi kohandada ja treenida vastavalt algmaterjali ja ülesande eripärale. Kaamera asukoht, salvestuse kvaliteet ja ilmaolud mõjutavad tulemuse täpsust ja nendega tuleb arvestada täpsuse osas eesmärgi seadmisel. Antud ülesandes puutusime kokku järgmiste dilemmadega:
Üksteise taha varjunud objektide tuvastamine
Analüüsil ilmnes, unikaalsete objektide loendamise täpsust vähendas olukord, kui videol üks objekt kaob teise taha ja ilmub siis uuesti välja – oli vaja määratleda, kas see objekt on uus või juba eelnevalt loendatud ja tuvastatud. Selliste vigade vältimiseks õpetati algoritmi objekte tuvastama ja loendama vaid siis, kui need on piisavalt selgelt nähtaval. Samas mõjutab see kohandus loendamise täpsust kaadrites, kus on korraga palju inimesi üksteise taga.
Kaamera rakurss
Objektide tuvastamine osutus keerukamaks, kui kaamera on filminud liiklust ebatavalise nurga alt, näiteks ülalt alla, nii et nähtaval on vaid sõiduki katus või inimesed kasutavad vihmavarje. Mõlemal juhul ei ole objekti iseloomulik kuju nähtav ja äratuntav ning algoritm vajas kohandamist.
Liikumine suure kiirusega
Sõiduki liikumine suure kiirusega muudab kujutise hägusaks ja seetõttu ka selle tuvastamise algoritmile keerukamaks. Kiire liikumise pealt sõidukite tuvastamisel hakkab olulist rolli mängima salvestuse kvaliteet.
Valgusolud
Videomaterjali hulgas oli hämaras salvestatud lõike, kus kujutis on hägus ja taustaga ühtesulav. Selliste objektide täpne tuvastamine nõuab nende ükshaaval käsitsi märgistamist ja AI mudeli uuesti treenimist. Siin tuleb kaaluda, kui suur täpsus on vajalik konkreetse ülesande lahendamiseks ja kas täpsuse suurendamine on põhjendatud selleks vajaliku lisatööga võrreldes. See asjaolu vajab kindlasti läbimõtlemist, kui pildituvastuse eesmärgil on vaja filmida kehvetames ilmaoludes – vihma või lumesajuga, uduga, pimedas.
„Et mõista liikluskoormuse jaotumist linnas kontserdipäeval, paigaldasime linna eri kohtadesse spetsiaalsed ajutised kaamerad, ja salvestasime nende abil liiklusvoogusid. Selle materjali analüüsimiseks vajasime partnerit, kellel on oskused ja kogemused pildituvastuse alal. Eesmärk oli teada saada erinevat liiki sõidukite ning jalgratturite ja jalakäijate arvu ja nende liikumise suunda kõigi kaamerate asukohtades. Fujitsu poolt tehtud videote analüüs andis meile soovitud andmed, mida saame nüüd edasi töödelda ja mõtestada.“
Kaspar Alev, Tartu Linnavalitsuse linnavarade osakonna analüütik
Tulemused
Fujitsu käsutusse anti 487 tundi videopilti.
Vaadeldav ajavahemik hõlmas kontserdipäeva õhtupoolikut ja ööd ning võrdlusaega nädal hiljem.
Analüüsi tulemusena tuvastati Tartu linnas 12 eri asukohas kokku 1,7 miljonit objekti, neist umbes
1 nädal hilisema kontrollajaga võrreldes oli liiklus keskmiselt 55% intensiivsem. Liigiti oli muutus järgmine:
Objektide tuvastustäpsuseks jäi 90%, mis on käesoleva ülesandepüstituse jaoks piisav. Analüüsi täpsust oleks võimalik suurendada algoritmi edasise treenimise teel, mis aga nõuab lisatööd ja –aega ning ei oleks olnud antud juhul otstarbekas.
Liikumise suund
Lisaks loendamisele määrasime igas vaatluspunktis ka objektide liikumise suunad. Iga kaamera alas sai kokku lepitud 1-3 huvipakkuvat suunda ning kõik nendes suundades liikuvad tuvastatud sõidukid ja jalakäijad said juurde ka suunda kirjeldava tunnuse. See annab algmaterjali analüüsiks, et lisaks objektide liigile ja arvule tuvastada ka liikluse kulgemise suundasid eri ajahetkedel.
Kokkuvõttes loodi Metallica kontserdipäeva liiklusvoo videopildist andmebaas, mis ütleb kus ja mis kell millised objektid mis suunas liikusid.
Ilma AI ja masinõppe mudelita ei oleks aluseks olnud ligi 500 tunni videopildi analüüsimine ja sellelt 1,7 miljoni objekti määratlemine reaalselt teostatav.
Saadud andmete mõtestamine ja tõlgendamine linna üldises kontekstis seisab veel ees.
