Kako klasificirati (bez)brojne prometne podatke i transformirati ih u prometne veličine (informacije) od kojih stvaramo novo znanje – prometne pokazatelje (analitičke informacije).

U jednoj prijašnjoj temi komentirao sam kako se podatci o brojanju prometa mogu prezentirati na različite (ne)željene načine. Zadaća ove teme je otići korak dalje i pokazati kako klasificirati gomilu prometnih podataka, bolje rečeno gomilu brojeva kojima opisujemo neki prometni proces. Budući da (jako) puno prometnih inženjera/ki, i sebe ubrajam u najveće krivce, brzopleto i olako koristi izraze: podatak, informacija, veličina, (statistički) pokazatelj, …, stječe se dojam da se promet i/ili prometni proces može (uvijek) metafizički riješiti kroz: cjelovita brojenja/praćenja/snimanja, analize, istraživanja, (brojne) algoritme, optimizacije, modele, ITS aplikacije/implementacije, …, i još puno sličnih „popularnih“ izraza/fraza. Svi se ti izrazi se (gotovo) isključivo (ne)opravdano pripisuju mogućnostima IKT (informacijske i komunikacijske tehnologije; ICT – Information and Communications Technology) i došli smo do razine poimanja suvremenih (današnjih) prometnih problema kao da se radi o isključivo IKT problemima i rješenjima.

Korištenje računala u bilo kojem stručnom području nas je naučilo da dobivamo tri moguća rješenja. Dva su amaterska. Prvo je kad stručnjaci iz područja istraživanja (domensko znanje) slijedom svoje profesije i iskustva steknu određena (skromna) računalna znanja i cijeli posao upropaste nikakvim računalnim rješenjem; rezultat je nešto s nikakvim potencijalom. Drugo amatersko rješenje je kad računalni stručnjak nakon par razgovora s osobom domenskog znanja stekne sigurnost te samostalno nastavi i dovrši projekt; izvrsno računalno rješenje koje radi što ne bi trebalo.

U želji izbora trećeg (najboljeg) rješenja, svatko radi svoj posao i aktivno surađuje (bez fige u džepu), moramo uskladiti (harmonizirati) međusobne odnose. Lako reći, (pre)teško postići, ali u svakom prijeporu (sukobu taština) i/ili diskusiji treba uvijek krenuti od definicije pojmova, da se zna tko o čemu priča, tko što zastupa i tko je za što odgovoran.

Krenut ću od definicija iz hrvatskog jezika; koristim mrežno izdanje Hrvatske enciklopedije Leksikografskog zavoda Miroslav Krleža.
Podatak, poznata ili pretpostavljena činjenica na osnovi koje se oblikuje informacija. Sastoji se od skupa kvantitativnih parametara koji se mogu zapisati kao nizovi znakova ili nizovi brojeva.
Informacija ili obavijest (lat. informatio: nacrtak, predodžba, pojam, tumačenje), skup podataka s pripisanim značenjem, osnovni element komunikacije koji, primljen u određenoj situaciji, povećava čovjekovo znanje.

Analitička informacija je, recimo tako, noviji znanstvenostručni konstrukt, a u Republici Hrvatskoj službenu definiciju daje Ured vijeća za nacionalnu sigurnost.

Analitička informacija je analitički proizvod nastao prikupljanjem, procjenjivanjem i interpretacijom podataka. Analitička informacija je jedan podatak, niz ili skupina podataka s određenim značenjem koji su prikupljeni od nekog izvora (osobe ili sredstva) te kojima je na odgovarajući i pogodan način promijenjen oblik (format).

Čovjek svojim znanjem/iskustvom transformira (pretvara) podatke u (analitičke) informacije.
Postoji još jedan izraz kojeg često koristimo: metapodatak. Prema mrežnom izdanju Hrvatske enciklopedije Leksikografskog zavoda Miroslav Krleža definicija je:

metapodatci, podatci koji pomažu u identifikaciji, opisu i lociranju nekih podataka, napose umreženih elektroničkih izvora.

Budući je metapodatak tehnološki (informatički) proizvod rezultat ljudskog djelovanja, u daljnjoj razradi ove teme sporadično ću ga spomenuti.
Autori Robert Kopal i Darija Korkut u svojoj knjizi Obavještajna analitika na 23. stranici (izdanje rujan 2022. godini) daju sve definicije u duhu hrvatskog jezika u sažetom, inženjerski primjerenijem, obliku koje ću koristiti u nastavku teme.
Podatak jest fragmentirani formalizirani prikaz neke činjenice ili saznanja pogodan za interpretiranje ili obradu.
Informacija jest značenje koje se pridaje podatcima koristeći konvencije za njihovo tumačenje, odnosno značenje koje proizlazi iz razumijevanja odnosa među podatcima.
Analitička informacija je informacija s dodanom vrijednošću (znanje).

Cijela ova „filozofija“ se može jednostavno grafički prikazati. Podatci se grupiraju ili promatraju zasebno, možda ih ima puno ili ih treba grupirati identificirati kroz metapodatke. Ljudsko znanje procjenjuje vrijednost (validnost) grupe ili pojedinačnog podatka i transformira ih u informaciju. Čovjek isto odlučuje može li informacija (ili pojedinačni podatak) postati novo (sa)znanje, može li postati analitička informacija.

Živimo u doba rađanja i razvoja umjetne inteligencije, računarstvo je etablirano znanstveno polje, teorija i praksa prometa u potpunosti su prihvatili ta i mnoga druga postignuća industrijske revolucije 4.0, a ja laprdam o etimologiji, definiciji i odnosima pojmova: podatak i informacija. Je li glupo i bez veze pokazat će definicija umjetne inteligencije u usvojenom Aktu o umjetnoj inteligenciji u Europskom parlamentu (podebljao sam što je važno za obrazloženje):
‘UI sustav’ znači strojni sustav dizajniran za rad s promjenjivim razinama autonomije i koji nakon uvođenja može pokazati prilagodljivost te koji, za eksplicitne ili implicitne ciljeve, iz ulaznih vrijednosti koje prima, zaključuje kako generirati izlazne vrijednosti kao što su predviđanja, sadržaj, preporuke ili odluke koji mogu utjecati na fizička ili virtualna okruženja.

Koliko su u suvremenom društvu podatci i informacije važni pokazale su prethodne godine kada je je podatkovna znanost (Data Science) kao znanstvena grana postala jedno od najpopularnijih svjetskih zanimanja. Unutar diplomskog studija Računarstva zagrebački Fakultet elektrotehnike i računarstva definira specijalizaciju Znanosti o podatcima kao (podebljao samo važno za obrazloženje):
Znanost o podacima je grana računarstva koja se bavi problemom izlučivanja znanja iz strukturiranih i nestrukturiranih podataka, uključujući velike skupove podataka.

Ova tema nije glupa i bezvezna. Znati prikupljati (prave i potrebne) prometne podatke, strukturirati ih u prometne veličine (informacije) te stjecati nova iskustva i (sa)znanja kroz prometne pokazatelje (analitičke informacije) najvažniji je korak u promišljanju, stvaranju, kreiranju ili izgradnji ikakve nove prometnotehnološke teorije ili tvorevine.

Ovdje dolazimo do osnovnog prijepora, možda (pre)teška riječ, ali mislim da će čitatelj(ica) prihvatiti moju argumentaciju. Računarstvo u području tehničkih znanosti kao znanstveno polje ima posebnu znanstvenu granu o podatcima (data science). Znanost i tržište iznjedrili su mnoga nova zanimanja; meni pet najpoznatijih su:

• podatkovni znanstvenik (data scientist); traži novu vrijednost u podatcima, npr. za neki model strojnog učenja,
• analitičar podataka (data analyst); obradom podataka daje konkretne odgovore,
• arhitekt podataka (data architect); kreira strukture podataka za različite namjene,
• inženjer podataka (data engineer); gradi strukture podataka
• analitičar poslovnih procesa (BI analyst); analizira podatke s motrišta poslovanja.

Uzmite bilo koju ljudsku djelatnost/aktivnost i dodajte riječ data sigurno ćete na pronaći takvo (ili vrlo) slično) zanimanje. U nekim državama etablirano je zanimanje Sport Data Scientist.

Osobe i/ili grupe ljudi (stručni timovi) koji se bave podatcima radeći u nekoj tvrtki stječu dodatne spoznaje, znanja i vještine iz osnovne djelatnosti tvrtke pa s vremenom samostalno obrađuju stručne podatke. Ako netko radi na obradi podataka u javnom prijevozu, onda će tijekom 3 – 5 godina steći dovoljno stručnih znanja da manipulirajući podatcima samostalno izračuna neke prometne veličine i pokazatelje (npr. voznog parka prijevoznika), steći će dovoljno znanja za prezentacije stanja i trendova svih vrsta troškova, poreza, prometa i profita, tarifnih politika, itd..
Sve navedeno vrijedi i u suprotnom smjeru. Motivirani i ambiciozni inženjer može steći dovoljno znanja za obradu i filtriranje podataka (SQL), za istraživanje i prezentaciju podataka (Power BI, Tableau), znanje nekog programskog jezika za obradu, analizu i prezentaciju podataka (Python, R, Java, C++, …), eventualno dopuniti znanja iz matematike (vjerojatnost, statistika, infinitezimalni račun i algebra) kako bi mogao stvarati potrebne analitičke i optimizacijske algoritme za rješavanja inženjerskih i poslovnih zadaća.
Na razini općih pokazatelja to je moguće, logično i (najčešće) opravdano. Na početku sam opisao uspješnost takvih „poduhvata“ ako se takav pristup nekontrolirano nastavi. U smislu preklapanja „nadležnosti“ baš je promet dosta „zafrknut“. Par stvari iz pretežito cestovnog prometa:

ponekad trebamo prometni tok s udjelom teretnih vozila, a ponekad ekvivalentni prometni tok (PAJ/EJA),

• ponekad trebamo tok u manjim vremenskim jedinicama, a ponekad PGDP/PLDP,
• ponekad nam treba brzina na presjeku (vremenska), a ponekad prostorna brzina,
• ponekad trebamo dinamičku ponudu javnog prijevoza pojedine linije ili koridora javnog prijevoza, a ponekad nam trebaju samostalni entiteti u vremenu i prostoru,
• u javnom prijevozu ponekad trebamo prometnu, a ponekad tehnički brzinu, analitičarima će trebati brzina obrta, a tehnolozima eksploatacijska brzina,
• ponekad trebamo podatke za (pr)ocjenu stanja cjelokupnog prometnog objekta, a ponekad je važno imati parcijalne pokazatelje dijelova prometne infrastrukture,
• ponekad nam treba broj vozila koja koriste parkirne kapacitete, a ponekad koeficijent izmjene ukupnog/pojedinog parkirnog mjesta ili cijelog objekta, …,

a sve to ovisi promatramo li prometni sustav/proces kao pojedinačni entitet (mikro), u dijelu prometne mreže (mezo) ili šire područje (makro). I naravno, o količini, obliku i mjestu prikupljanja prometnih podataka.

Jako dobra vijest, a nekima jako loša, je da se sve to dobiva iz istog skupa podataka koji se (statistički) manipuliraju u prometne veličine (informacije), a ovisno o predmetu istraživanja, informacije komponiramo u pokazatelje (analitičke informacije).
I to postaje problem. Budući se radi o istim skupovima podataka, prikupljenim iz istih senzora prometa, računalni stručnjaci predmnijevaju dostatna znanja o prometu. Prometni stručnjaci vide da se radi o istoj IKT opremi i jednom programskom paketu pa predmnijevaju da im je površno poznavanje IKT-a dovoljno za prikupljanje, čišćenje i grupiranje podataka.
Iskreno, svaka osoba iz područja prometa/računarstva koja bi se usudila uči samostalno u područje prikupljanja/obrade podataka bilo kojeg vida prometa, bila bi diplomatski rečeno vrlo hrabra osoba, a jasnim inženjerskim rječnikom bila bi vrlo neodgovorna osoba.

Idemo ovo teoretiziranje staviti u realnost prometnog inženjerstva. Koristit ću podatke (ulazne veličine) iz spomenute prijašnje teme. Brojila prometa danas mogu pružiti pregršt informacija, a greške su sve manje. Brojanja prometa se identificiraju mjestom (ID brojila) i vremenom brojenja (dd.mm.gggg, hh:mm:ss).
Što ćemo s podatcima? O tome odlučuje netko tko je osmislio sustav brojenja prometa prema zahtjevu (projektnom zadatku) vlasnika prometne infrastrukture (investitora).

Za potrebe upravljanja, predikcije (prognoze) te taktičke (moguće i operativne) odluke stvara se vremenski niz brojenja prometa za određeni datum (dan u tjednu, dio godine) po satima. To je podatak o satnom toku motornog prometa – transformirali smo (pod)skup podataka u informaciju. Vizualna prezentacija te informacije pokazuje kada ima/nema puno/malo prometa, u kojem dijela dana najviše/najmanje, je li vršni dnevni sat ujutro ili poslijepodne, kada promet odjednom „skoči“ nakon noćnih sati i kada odjednom „padne“ tijekom večeri/noći, itd..
Za izravno upravljanje prometom putem prometnih planova i/ili donošenje nekih (manje ili više) važnih odluka potrebno je primijeniti određena znanja prometnog inženjerstva. Slika pokazuje da se za potrebe upravljanja prometom prvo primjenjujemo eksponencijalno izglađivanje, a onda definiramo pragove prometa. Model eksponencijalnog izglađivanja i pragovi se definiraju primjenom inženjerskih prometnih znanja (propusna moć kritičnih objekata primjenom teorije prometnog toka) sukladno tehnološkim mogućnostima i potrebama apliciranog prometnog sustava. U primjeru imamo četiri stanja s tri praga prometa.
Imamo još jednu (vrlo vrijednu) analitičku informaciju. U dnevnom periodu 6:00 – 22:00 sata prometna potražnja motornog prometa, po klasama 15 voz/10 min, ponašala se prema normalnoj razdiobi pa znamo određene kvantifikacije prometne potražnje. Primjerice:

• 68 % dnevnog prometnog opterećenja nalazilo se u intervalu 62 – 110 voz/10 min (372 – 660 voz/h),
• 95 % dnevnog prometnog opterećenja nalazilo se u intervalu 39 – 133 voz/10 min (234 – 798 voz/h),
• 99 % dnevnog prometnog opterećenja nalazilo se u intervalu 15 – 157 voz/10 min (90 – 942 voz/h).

Što kažu brojevi? Sve. Kažu da se 95 % dnevnog prometa odvijalo u održivim granicama 234 – 798 voz/h. Preostalih 5 % dnevnog vremena se nalazi na „krajevima“ krivulje normalne razdiobe; 2,5 % vremena je promet jako mali, a 2,5 % vremena promet uzrokuje probleme. U tom danu su bile 24 minute (više ili manje) s prometom koji izaziva povećane repove čekanja; promet je bio 942 voz/h ili veći.

Opisani primjer pokazuje provedene transformacije podataka s brojila prometa u dnevni pregled satnog prometa (informaciju), a za operativne zadaće novu transformaciju u 10-minutnu prometnu potražnju za dobivanje potrebnih prometnih i statističkih pokazatelja (analitičkih informacija). Prometni inženjeri koriste iste/slične metodologije kada se radi o potražnji motornog prometu za sve tri razine upravljanja/odlučivanja: strategija, taktika, operativa.

Čitatelj(ica) ove teme može si lako predstaviti primjer iz javnog prijevoza. Za neki koridor/presjek prometne mreže kojim prolazi jedna ili više linija javnog prijevoza:

• podatak; vozni red svake linije, kapacitet voznih jedinica svake linije,
• informacija; prosječan slijed svake linije ili vozila svih linija,
• analitička informacija; dinamički kapacitet svake linije i svih linija ukupno, kvaliteta ponude javnog prijevoza obzirom na slijed i dinamički kapacitet pojedine i/ili svih linija.
  Ako su, kojim slučajem, poznati i podatci o broju putnika, onda se podatci mogu transformirati u (zaista) brojne informacije i pokazatelje (analitičke informacije) javnog prijevoza.

Isto tako, za neko parkiralište/garažu:

• podatak; kapacitet objekta (broj parkirnih mjesta); vrijeme dolaska i odlaska vozila, rep i vrijeme čekanja na ulasku, vrijeme potrebno za prolazak kontrolne brklje,
• informacija; koeficijent izmjene parkirnih mjesta, broj (postotak) zauzeća parkirnih mjesta, prosječno vrijeme posluživanja (ulaska u garažu),
• analitička informacija; vjerojatnost nalaženja slobodnog mjesta; vjerojatnost formiranja i duljine repa čekanja u određenom vremenu tijekom dana; predikcija stanja garaže (podatak za uputni parkirni sustav).

Tako bi mogli unedogled za svaki prometni proces i/ili fenomen formirati slijed: podatak – informacija – analitička informacija (pokazatelj). Zašto je ovo važno? Odgovor je vrlo jednostavan. Ako znamo što je podatak, kako se iz podatka formiraju (ne)potrebne informacije, a iz informacija stvaraju prometni pokazatelji (analitičke informacije) onda znamo tko je za što odgovoran i nadležan.

Mislim da je jasno (na razini aksioma, očigledne istine) da analitiku potrebnih podataka za prometno rješenje može isključivo voditi i obaviti (koordinirati) prometna struka. Naravno da postoje i druge struke koje (ne)izravno sudjeluju u analitici prometnih podataka. Arhitektonska struka u određenim situacijama ima (puno) više (sa)znanja o pješačkim tokovima (u urbanim područjima), poglavito o prirodi i namjeri njihovih kretanja. Pametni dionici prometne struke će saslušati iskustva, ideje, namjere i prognoze arhitektonske struke te aplicirati ta znanja u funkcionalno prometno rješenje.

Podatci postaju elektronički zapis i tu dolazimo u područje kada stručne osobe iz područja računarstva moraju obaviti svoj posao: istražiti i „očistiti“ dostupne zapise podataka, dopuniti nedostajuće podatke po nekom načelu (algoritmu) te izvršiti transformaciju podataka u formate prikladne za stvaranje prometnih informacija. Procedure i postupci (primjerice dopuna nedostajućih podataka i transformacija podataka) isto moraju biti napravljeni u suradnji s prometnom strukom, jer inače transformirani podatci neće biti uporabljivi (korisni).
Svako IKT (ICT) rješenje, kojeg kao prometni proizvod zovemo ITS rješenje, produkt je cijelog niza osoba IKT struke. To je isto jasno razini aksioma (očigledne istine). Razvoj računalnog rješenja, stvaranje različitih sučelja i API-ja, dizajn sustava, stalna komunikacija s korisnikom koji će realizirano HW/SW rješenje koristiti i niz drugih zadaća, sve je to obveza i nadležnost računarske struke.

Prometni stručnjaci su osmislili kako će izgraditi prometni sustav temeljem zahtjeva (projektnog zadatka) naručitelja (investitora), a računalni stručnjaci su ideju (projekt) materijalizirali u neko ITS/IKT rješenje. U prometu aktivno sudjeluju gotovo sve struke, ovisno o konkretnoj zadaći/problemu:

• arhitektonska projektira zgrade i prostore za upravljanje prometom i smještaj opreme,
• građevinska radi potrebne rekonstrukcije i dorade prometne infrastrukture,
• elektrotehnička se brine o (strukturnom) kabliranju i elektroenergetici,
• strojarska (ili građevinska) projektira različite nosače i konstrukcije,
• hortikulturna oplemenjuje (humanizira) prostor čuvajući elemente sigurnosti prometa,
• stručnjaci iz područja zaštite od buke brinu se o buci,
• a po potrebi sudjeluju i druge struke.

Funkcijske specifikacije za transformaciju prometnih informacija u pokazatelje/naredbe prometnog sustava/rješenja, jednom riječju transformaciju prometnih informacija (prometnih veličina) u analitičke prometne informacije (prometne pokazatelje) mora voditi i za njih biti odgovorna prometna struka.

Što donosi takav multidisciplinaran pristup natuknuo sam u ovoj temi.

Ono što nam (pre)često olako prelazi preko usta, ono što (pre)često površno ili olako zapažamo, ima itekako svoj slijed (hijerarhiju) i važnost, a time i jasnu odgovornost i stručnu distinkciju. Ako znamo koji nam podatci trebaju da bi opisali neki prometni proces/sustav, ako znamo transformirati podatke u potrebne prometne veličine (informacije) da bi se prometni proces/sustav opisao i identificiralo njegovo stanje (status), ako znamo iz prometnih veličina kreirati prometne pokazatelje (analitičke informacije) za analizu/upravljanje/procjenu prometnog procesa/sustava, onda znamo ulogu, zadaće i odgovornosti prometne struke u konkretnom prometnom problemu/projektu: kada se moramo nametnuti, kada smo podrška, a kada šutimo, slušamo i učimo.