{"id":2123,"date":"2026-04-20T16:09:58","date_gmt":"2026-04-20T13:09:58","guid":{"rendered":"https:\/\/marshallai.com\/?p=2123"},"modified":"2026-08-10T15:01:50","modified_gmt":"2026-08-10T12:01:50","slug":"ai4cities-alykas-risteyksien-liikenteenohjaus","status":"publish","type":"case-study","link":"https:\/\/marshallai.com\/fi\/case-study\/ai4cities-intelligent-traffic-intersection-management\/","title":{"rendered":"\u00c4lykk\u00e4\u00e4mm\u00e4t risteykset, v\u00e4hemm\u00e4n p\u00e4\u00e4st\u00f6j\u00e4: MarshallAI ja AI4Cities"},"content":{"rendered":"

Liikenteenohjaus on jo vuosikymmenten ajan perustunut aikav\u00e4lein toimiviin vaiheisiin ja yksinkertaisiin induktiosilmukoihin. MarshallAI ryhtyi yhteisty\u00f6ss\u00e4 Dynniq Finland Oy:n kanssa osoittamaan, ett\u00e4 syv\u00e4oppiminen ja visuaalinen tunnistus voisivat vied\u00e4 liikenteenohjauksen t\u00e4ysin autonomiselle ja optimoidulle tasolle \u2013 v\u00e4hent\u00e4en hiilidioksidip\u00e4\u00e4st\u00f6j\u00e4 ja poistamalla ruuhkakohtia turvallisuudesta tinkim\u00e4tt\u00e4.<\/p>\n\n\n\n

Kolmivuotisen, EU:n rahoittaman AI4Cities-hankkeen puitteissa MarshallAI otti k\u00e4ytt\u00f6\u00f6n Intelligent Interconnected Intersections (Ix3) -j\u00e4rjestelm\u00e4n useissa eurooppalaisissa kaupungeissa. Tavoitteena oli parantaa liikenteen sujuvuutta merkitt\u00e4v\u00e4sti ja v\u00e4hent\u00e4\u00e4 p\u00e4\u00e4st\u00f6j\u00e4 korvaamalla vanhentuneet anturit kattavalla reaaliaikaisella tilannetietoisuudella.<\/p>\n\n\n\n

Katso tapausvideo Vimeosta<\/strong><\/a><\/p>\n\n\n

\n
\"\"\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button>
Reaaliaikainen n\u00e4kym\u00e4 mahdollisesta ajans\u00e4\u00e4st\u00f6st\u00e4 ja p\u00e4\u00e4st\u00f6v\u00e4hennyksest\u00e4<\/figcaption><\/figure>\n<\/div>\n\n\n

Tavoitteet: Virtausanalyysi ja priorisointi<\/h2>\n\n\n\n

Skaalautuvan ja \u00e4lykk\u00e4\u00e4n virtausratkaisun toimittamiseksi projekti keskittyi seuraaviin:<\/p>\n\n\n\n

    \n
  • Kattava virtausanalyysi:<\/strong> Liikennem\u00e4\u00e4rien, odotusaikojen, suuntien ja tiettyjen ajoneuvotyyppien ymm\u00e4rt\u00e4minen risteyksen kysynn\u00e4n kokonaiskuvan muodostamiseksi.<\/li>\n\n\n\n
  • Liikenteen optimointi:<\/strong> Poistamalla \u201ckuolleet sekunnit\u201d siirt\u00e4m\u00e4ll\u00e4 valoja dynaamisesti tarpeettomien pys\u00e4hdysten ja joutok\u00e4ynnin poistamiseksi kaistojen ollessa tyhjin\u00e4.<\/li>\n\n\n\n
  • Liikenteen priorisointi<\/strong> Mahdollistetaan j\u00e4rjestelm\u00e4lle tiettyjen liikenteenk\u00e4ytt\u00e4jien (kuten joukkoliikenteen tai raskaiden ajoneuvojen) aktiivinen edist\u00e4minen virtaustehokkuuteen ja p\u00e4\u00e4st\u00f6v\u00e4hennystavoitteisiin perustuen.<\/li>\n<\/ul>\n\n\n\n

    Ratkaisu: Autonominen logiikka reuna- ja pilvilaskennan avulla<\/h2>\n\n\n\n

    Ix3-ratkaisu hy\u00f6dynt\u00e4\u00e4 tavallisia IP-kameroita visuaalisen datan v\u00e4litt\u00e4miseksi MarshallAI-konen\u00e4k\u00f6alustalle. T\u00e4t\u00e4 dataa k\u00e4sitell\u00e4\u00e4n reaaliajassa, ja se integroidaan suoraan Dynniqin liikennevalojen ohjauslaitteisiin, jotta nykyisen kysynn\u00e4n perusteella voidaan toteuttaa v\u00e4litt\u00f6mi\u00e4 fyysisi\u00e4 muutoksia.<\/p>\n\n\n\n

    Kunkin pilottivaiheen mukaan k\u00e4sittely toteutettiin onnistuneesti joko suojattujen pilvipalvelimien kautta (Helsinki) tai suoraan MarshallAI:n toimittamilla reunalaitteilla (Pariisin alue).<\/p>\n\n\n

    \n
    \"\"\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button>
    Optimoitua pys\u00e4htymissuhdetta ja lyhentyneit\u00e4 joutok\u00e4yntiaikoja havainnollistava data.<\/figcaption><\/figure>\n<\/div>\n\n\n

    Todistetut tulokset: Valtavat v\u00e4hennykset j\u00e4tteess\u00e4<\/h2>\n\n\n\n

    Pilottikokeissa osoitettiin, ett\u00e4 MarshallAI:n j\u00e4rjestelm\u00e4 pystyy hallitsemaan itsen\u00e4isesti suuria virtaamia ja poistamaan j\u00e4rjestelm\u00e4nlaajuisen h\u00e4vikin. Kolmessa eri vaiheessa j\u00e4rjestelm\u00e4 tuotti huomattavia tehokkuusparannuksia:<\/p>\n\n\n\n

      \n
    • Vaihe 1 (Kalasatama, Helsinki):<\/strong> J\u00e4rjestelm\u00e4n ansiosta vuosittain v\u00e4ltettiin 162 944 henkil\u00f6auton pys\u00e4hdyst\u00e4, 17 822 raskaan ajoneuvon pys\u00e4hdyst\u00e4 ja 654 tuntia tarpeetonta odotusaikaa, mik\u00e4 vastaa risteyksess\u00e4 4%:n kokonaisp\u00e4\u00e4st\u00f6v\u00e4hennyst\u00e4.<\/li>\n\n\n\n
    • Vaihe 2 (Helsinki ja Pariisin alue):<\/strong> Laajentamalla hanketta Suutarilan risteysalueelle saavutettiin jopa 81 TP4T:n p\u00e4\u00e4st\u00f6v\u00e4hennyspotentiaali. Samaan aikaan Saint-Maur-des-Foss\u00e9sissa toteutettu reuna-alueella k\u00e4sitelty pilottihanke tuotti 31 TP4T:n v\u00e4hennyksen.<\/li>\n\n\n\n
    • Vaihe 3 (Meudon ja Helsinki):<\/strong> K\u00e4yt\u00e4nn\u00f6n kokeilut osoittivat hankkeen pitk\u00e4n aikav\u00e4lin kannattavuuden: ajoneuvojen pys\u00e4hdyksi\u00e4 v\u00e4heni keskim\u00e4\u00e4rin 55 509 vuodessa ja j\u00e4rjet\u00f6nt\u00e4 odotusaikaa 360 tuntia, mink\u00e4 seurauksena kokonaisp\u00e4\u00e4st\u00f6t laskivat eritt\u00e4in johdonmukaisesti 2%-mallin mukaisesti.<\/li>\n<\/ul>\n\n\n\n

      Huomaamaton, k\u00e4ytt\u00f6valmis k\u00e4ytt\u00f6\u00f6notto<\/h2>\n\n\n\n

      Kehittyneen teko\u00e4lyn k\u00e4ytt\u00f6\u00f6notto kriittisen infrastruktuurin hallintaan ei v\u00e4ltt\u00e4m\u00e4tt\u00e4 vaadi laajaa IT-hanketta. Ix3-pilottihankkeet osoittivat, ett\u00e4 MarshallAI voidaan ottaa k\u00e4ytt\u00f6\u00f6n avaimet k\u00e4teen -ratkaisuna l\u00e4hes ilman h\u00e4iri\u00f6it\u00e4 nykyiselle toiminnalle. Asiakkaan osallistuminen rajoittui yksinomaan kohderisteyksen m\u00e4\u00e4ritt\u00e4miseen, asennuksen peruslupien j\u00e4rjest\u00e4miseen sek\u00e4 liikenteenohjausj\u00e4rjestelm\u00e4n ohjelmoinnin koordinointiin tiimin kanssa.<\/p>","protected":false},"excerpt":{"rendered":"

      MarshallAI on osoittanut toimivuutensa kriittisiss\u00e4 j\u00e4rjestelmiss\u00e4 ja jatkuvassa k\u00e4yt\u00f6ss\u00e4. Helsingiss\u00e4 ja Pariisissa k\u00e4ytt\u00f6\u00f6notettu syv\u00e4oppimisalustamme ohjasi itsen\u00e4isesti reaaliaikaista infrastruktuuria, mink\u00e4 ansiosta p\u00e4\u00e4st\u00f6j\u00e4 saatiin v\u00e4hennetty\u00e4 jopa 8%. <\/p>","protected":false},"featured_media":2133,"template":"","meta":{"content-type":"","footnotes":""},"categories":[44,26],"tags":[23,76,24,22,25,21,20,19],"class_list":["post-2123","case-study","type-case-study","status-publish","has-post-thumbnail","hentry","category-smart-cities","category-traffic-management","tag-ai-vision","tag-case-study","tag-computer-vision","tag-emission-reduction","tag-machine-vision","tag-traffic-control","tag-traffic-counting","tag-traffic-management"],"_links":{"self":[{"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/case-study\/2123","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/case-study"}],"about":[{"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/types\/case-study"}],"version-history":[{"count":9,"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/case-study\/2123\/revisions"}],"predecessor-version":[{"id":2210,"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/case-study\/2123\/revisions\/2210"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/media\/2133"}],"wp:attachment":[{"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/media?parent=2123"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/categories?post=2123"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/tags?post=2123"}],"curies":[{"name":"Hyvin pelattu","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}