Milliseid jaotusi kasutatakse.md 14 KB
Sissejuhatus
Transpordiplaneerimises kasutatakse statistilisi jaotusi peamiselt kahe eesmärgi jaoks:
- Kirjeldada (modelleerida) olemasolevaid andmeid – näiteks sõidukite arvu, reisi kestust või kiirusejaotust.
- Ennetada (ennustada) tulevasi olukordi, kasutades saadud jaotusparameetreid sisendiks demand‑modelitesse, võrgusimulaatoritesse vms.
Allpool on loetletud kõige levinumad jaotused, millel on kindlad rakendusvaldkonnad transpordiplaneerimises. Iga jaotuse juures on lühike teoreetiline kirjeldus, tüüpilised parameetrid ning konkreetne näide, kuidas seda praktikas kasutatakse.
1. Arvu‑jaotus (diskreetsete andmete modelleerimine)
| Jaotus | Peamised omadused | Tüüpiline kasutusvaldkond | Näiteparameetrid & illustratsioon |
|---|---|---|---|
| Poissoni jaotus | Sündmuste arv fikseeritud ajavahemikus, sündmused sõltumatud. Var(µ)=E(X)=µ. | - Liiklusevoogude loendamine (sõidukite/peatuste arv tunnis). ‑ Avariide või õnnetuste sagedus väikeste piirkondade kohta. |
Näide: Sõiduautode arvu mõõdetakse 1 km pikkusel teel ühe tunni jooksul. Keskmine voog on 12 sõidukit/tund → X ~ Poisson(µ=12). P(X≥20) = 1‑∑_{k=0}^{19} e^{-12}·12^k/k! ≈ 0,07 (7 % tõenäosus, et voog ületab 20 sõidukit). |
| Negatiivne binomiaaljaotus | Ülepoissoni dispersioon – var > keskmine. Sobib “üleküllastunud” loendandmetele. Parameetrid: r (edetabel), p (tõenäosus) või µ ja kappa. | - Sõiduautode arv tipptundidel, kus voog on väga muutlik. ‑ Avalike transpordiviiside kasutajate päevased reisijaarvud (sagedane “null‑inflatsioon”). |
Näide: Hooldus- või tööpäeva jooksul registreeritakse busside sõiduplaanist kõrvalekalded. Keskmine arv on 4, kuid var = 8 → sobib negatiivse binomiaaliga: X ~ NB(r=2, p=0,5). |
| Multinomi jaotus | Kategooriate (valikute) arvu >2; summeerub 1‑le. Parameetrid on tõenäosused p₁,…,p_k. | - Reisimooduste jaotumine (jalgsi, auto, ühistransport, jalgratas). ‑ Valitud marsruudi osakaal võrguanalüüsis. |
Näide: 1000 reisija valib igapäevaselt: auto – 600, bussi – 250, trammiga – 150 → (p_auto=0.6, p_buss=0.25, p_tramm=0.15). |
| Poissoni‑mixtuur | Kombineerib mitu Poissoni protsessi; sobib heterogeensetele voogudele (nt hommik ja õhtu eraldi). | - Sõidukite arv mitmes ajavahemikus, kus on selged tipptunnid. | Näide: Hommikul 7–9 h: λ₁=20; õhtul 16–18 h: λ₂=30 → X_total = X₁+X₂, kus X₁~Poisson(20), X₂~Poisson(30). |
2. Järjepikkuse‑ ja reisiaega modelleerivad kontinuumsjaotused
| Jaotus | Tüüpilised omadused (toetus- ja tihedusfunktsioon) | Transpordis kasutusvaldkond | Näide |
|---|---|---|---|
| Lognormaalne | X = exp(Y), Y~N(μ,σ²). Positiivne, paremal kaldu. Parameetrid: μ (log‑keskmine) ja σ (log‑hajutuse standardhälve). | - Reisipikkuste ja reisiaegade jaotus. - Sõidu- või veokite koormusjaotused (kaalu, mahtu). |
Näide: Uurimuses on 500 auto sõitnud keskmiselt 12 km (log‑keskmine μ=2.4) ning σ=0.5. Tõenäosus, et reis >20 km: P(X>20)=1-Φ[(ln 20–μ)/σ]≈0,18 (18 %). |
| Weibulli | f(x)=k/λ·(x/λ)^{k‑1}·exp[−(x/λ)^k], x≥0. Parameetrid: skaalafaktor λ ja vormikordaja k. Sobib eluea‑taolistele andmetele, kus hazard‑funktsioon muutub. | - Reisiajade (eriti tipptundide) usaldusvahemike modelleerimine. - Kiiruse- või tiirlemise ajavahemiku jaotus. |
Näide: Tippreisi kestus X~Weibull(k=1,5, λ=8 min). Tõenäosus, et reisi aeg >12 min: exp[−(12/8)^{1,5}]≈0,30 (30 %). |
| Gamma | f(x)=x^{α‑1} e^{-x/β}/[Γ(α) β^α], x>0. Parameetrid: kujundus α ja skaalafaktor β. | - Sõiduajate jaotused, kui andmed on paremini kirjeldatud parema vasaku kaldega. - Võimsuse‑tarbimise modelleerimine (nt elektriautode laadimisaja). |
Näide: Laadimisaeg Y~Gamma(α=3, β=10 min) → E(Y)=30 min. P(Y>45 min)=1–F_{Γ}(45;3,10)≈0,19 (19 %). |
| Normaalne | Sümmeetriline, toetub keskmisele μ ja standardhälbele σ. Sobib hästi “keskmist” käitumist kirjeldavatele andmetele. | - Reisiaegade keskväärtuse modelleerimine (pärast log‑muundamist). - Trafikuliikluste kiiruse keskmine, kui variatsioon on väike. |
Näide: Keskmine sõiduauto kiirus 50 km/h, σ=5 km/h → P(kiirus <40)≈Φ[(40–50)/5]=Φ(-2)=0,0228 (≈2,3 %). |
| Beta | Toetus [0,1]; kujundus sõltub α ja β. Sobib piiratud muutujatele (nt kasutuse osakaal). | - Reisi‑ajastandardi usaldusvahemikud (normeeritud 0–1). - Transpordivõrgu koormustaseme skoorid. |
Näide: Koormustase Z~Beta(α=2, β=5) → keskmine 0,285. Tõenäosus, et koormus >0,6: 1‑F_{β}(0,6;2,5)=≈0,03 (3 %). |
3. Valikute ja marsruutide modelleerimine – logit‑jaotused
| Jaotus / mudel | Põhimõte | Parameetrid | Transpordis kasutusnäited |
|---|---|---|---|
| Multinomi-Logit (MNL) | Valiku tõenäosus: $\displaystyle P_i =\frac{e^{V_i}}{\sum_j e^{V_j}}$ , kus $V_i=\beta'X_i + ε_i$. Eraldiseisvad Gumbeli‑jaotusega vead. | Vektor β (kasutajate omadused, hind, aeg jne.). | - Reisimooduste prognoos: auto vs bussi vs jalgratas. - Reisija valik erinevate parkimisvõimaluste vahel. |
| Nested Logit | Grupi sees on korrelatsioon; sisemine Gumbeli‑jaotus (nest). Parameeter λ mõõdab seose tugevust. | β, λ (0<λ≤1) igas “nests”. | - Valik auto → parkimisvõimalus (tasuline/ tasuta), seejärel valik konkreetne parklapaik. - Ühistranspordi reisi‑valiku hierarhia: liin > sõiduauto. |
| Mixed Logit (Random Parameters Logit) | Parameetrid β on juhuslikud jaotusega, võimaldab individuaalset heterogeensust. | Keskmine β̄, dispersioon Σ. | - Personaalse taseme reisimooduste prognoos, kus iga reisija hindab hinda erinevalt. - Sõidu‑ja jalgrattareisijate hinnanguline väärtus (väärtuse variatsioon). |
| Probit | Valikuvead on normaaljaotusega. Sobib olukordadesse, kus valikuvigade korrelatsioon on tugev ja sümmeetriline. | β, Σ (korrelatsiooni maatriks). | - Reisi‑valikud, millel on sarnased alternatiivid (nt mitu bussi liini sama suunaga). |
Illustratiivne näide MNL-st:
Reisija valib kolme reisimooduse vahel. Kasutades järgmisi omadusi: hind H (EUR), reisiaeg T (min) ja keskkonnamõju E (CO₂ kg). Utility funktsioon:
$$ V{\text{auto}} = -0,25\,H - 0,10\,T - 0,05\,E\ V{\text{buss}} = -0,15\,H - 0,12\,T - 0,02\,E\ V_{\text{jalgratas}} = -0,08\,H - 0,20\,T + 0,00\,E $$
Arvutades $P_i=e^{V_i}/\sum e^{V_j}$ saame näiteks: P_auto=0,45; P_buss=0,35; P_jalgratas=0,20. Need tõenäosused sisestatakse demand‑modelli järgmise aasta reisijate prognoosi.
4. Reisi- ja liiklususaldusväärsuse (travel‑time reliability)
Usaldusväärsusanalüüs kasutab sageli:
| Jaotus | Miks? | Tüüpilised meetmed |
|---|---|---|
| Lognormaalne | Reisiaeg on positiivne ja tihti paremal kaldu (pikad “kõrvalekalded”). | 95‑% usaldusvahemik, koefitsient of variation (CV). |
| Weibulli / Gamma | Paindlikku vormi tõttu sobivad nii “varased” kui ka “aeglised” reisimudelid. | Skewness, reliability index (RBI). |
| Beta (normeeritud) | Kiiruse‑ või takistustaseme suhteline muutuvus 0–1 skaalal. | BRT (Bottleneck Reliability), Travel Time Index (TTI). |
Näide:
Tunnisõidu keskmine reisi aeg on 30 min, σ=6 min, lognormaalse jaotusega. 95‑% usaldusvahemik:
$$ L{0.025}=e^{\mu-1{,}96\sigma{\ln}} \approx 22\,\text{min},\qquad U{0.975}=e^{\mu+1{,}96\sigma{\ln}} \approx 41\,\text{min}. $$
See annab planeerijale teavet, milliseid infrastruktuurimuutusi (nt lisarada) on vaja “tipptundide” usaldusväärsuse parandamiseks.
5. Joonte ja võrkude simulatsioonid – Queuing‑jaotused
| Jaotus | Rakendus | Parameetrid |
|---|---|---|
| Eksponentsiaalne (Interarrival times) | Sõiduautode saabumise aeg ühelt sensorilt. | λ = keskmine saabumissagedus (s⁻¹). |
| Erlangi / Gamma (Teenindusaeg) | Valgustussignaali või ristmikute läbimise aeg, kui teenindus on mitme etapi kombinatsioon. | k (etappide arv), θ (iga etapi keskmine kestus). |
| M/M/1 ja M/G/1 jooned | Liiklusvoogude võimekuse hindamine; ooteaeg, süsteemi koormus ρ = λ·E(S). | λ, µ (=1/E(S)), variatsioon. |
Illustratiivne arvutus:
Ristmikul on keskmine saabumissagedus λ=0,9 sõidukit/s (54 sõidukit/min) ja teenindusaeg eksponentsiaalselt jaotatud µ=1,2 s⁻¹. Süsteemi koormus ρ = λ/µ = 0,75 → stabiilne. Keskmine ooteaeg:
$$ W_q=\frac{ρ}{µ(1-ρ)}=\frac{0,75}{1,2·0,25}=2,5 s. $$
Kui koormus tõuseb ρ=0,95 (tipp), siis W_q≈31 s – sellega saab hinnata vajadust valgustussignaali optimeerimiseks.
6. Õnnetuste ja turvalisuse modelleerimine
| Jaotus | Põhjus | Tüüpilised rakendused |
|---|---|---|
| Poissoni | Õnnetusi loetakse harvade, sõltumatute sündmustena fikseeritud ajavahemikus. | - Avariide arv teatud km‑pikkusel või aja jooksul. - Sõidukite õnnetusjuhtude sageduse hindamine. |
| Negatiivne binomiaal (ülepoissoni) | Kui var > keskmine, nt “kollaps” tipptundidel. | - Ristmikute või tunnelite kriitilised punktid. - Kaug- ja kohalike õnnetuste võrdlus. |
| Zero‑inflated Poisson / NB | Paljudes piirkondades ei esine ühtegi õnnetust (null‑mass). | - Väikeste asulate või madala liiklusega teede analüüs. |
Näide:
Kohalikus linnas on 12 väikest ristmikku, igaüks näitab keskmiselt 0,8 õnnetust/aasta. Poissoni mudel annab var=0,8; aga tegelik variatsioon on 1,6 → NB parameetrid r≈2, p≈0,71. See võimaldab planeerijal suunata ohutustegevusi just neile ristmikutele, kus õnnetusriski ületab Poissoni‑ootust.
7. Kokkuvõte – Jaotuste valik ja parameetriseerimine
| Andmetüüp | Parimad kandidaatid jaotus(t) | Kuidas valida? |
|---|---|---|
| Arv (loendus) | Poisson → NB → mixtuur | Kontrolli var‑keskmine suhet; kui var≫µ, kasuta NB. |
| Järjepikkus / reisiaeg | Lognormaalne, Weibull, Gamma | Visualiseeri histogrammi ja Q‑Q plot’i; vali see, mis annab parima sobivuse (AIC/BIC). |
| Valikud | MNL → Nested/ Mixed logit | Hinnake alternatiivide korrelatsiooni – kui on hierarhiline struktuur, kasuta nested. |
| Usaldusväärsus / reliabiliteet | Lognormaalne, Weibull, Beta (normeeritud) | Kontrolli sümmeetriat; lognormaalsus sobib paremini “kõrvale” suunatud andmetele. |
| Jooned & ooteajad | Eksponentsiaalne / Gamma (M/M/1, M/G/1) | Kas teenindusaeg on konstant või varieeruv? |
| Õnnetused | Poisson → NB → zero‑inflated mudelid | Analüüsi nullide osakaalu ja dispersiooni. |
Parameetriseerimise tööriistad:
- Maximum Likelihood Estimation (MLE) – enamikus statistika‑pakettides (R, Python
statsmodels, Stata). - Metoodiline momentid – kiire hinnang esialgseteks väärtusteks.
- Bayesi lähenemine (MCMC) – eriti segamudelite ja hierarhiliste logitide puhul.
8. Lõppsõna
Statistilised jaotused on transpordiplaneerimise “keel”, millega kirjeldame olemasolevaid nähtusi ning loome usaldusväärseid prognoose tulevikuks. Õige jaotus valib andmete tüüp, hajuvuse taseme ja analüüsi eesmärgi järgi. Praktikas kasutatakse sageli mitme jaotuse kombinatsiooni (näiteks segatud Poissoni + NB või lognormaalse reisi‑aja + multinomi‑logit reisijate modeeli sisendina).
Kui sul on konkreetne andmekogum (nt liiklusvood, reisimooduste küsitlused vms) ja vajad abi parimajaotusliku mudeli valimisel või koodi näitel, anna julgelt teada – aitan koostada täpsema analüüsi!