Sataman informaatiokeskuksen mahdollisuudet ympäristövaikutusten vähentämisessä

Logistiikka ja etenkin kuljetukset aiheuttavat suuren määrän suoria päästöjä ilmaan sekä muita ympäristövaikutuksia ihmisille ja luonnolle. Suomessa ja muissa EU-maissa kuljetusten tuottamat päästöt muodostavat yli viidenneksen kaikista päästöistä, joten puhutaan merkittävästä päästöjen vähentämistarpeesta. Tietoteknisten ratkaisujen nopea kehittyminen on mahdollistanut tietotekniikan hyödyntämisen myös logistiikassa ja logistiikan tuottamien päästöjen vähentämisessä. Tietotekniset ratkaisut ovat mahdollistaneet muun muassa sähköisten kartta- ja paikannusohjelmistojen käytön, kuljetusreittien optimoinnin, lastien ja kuljetusten seurannan, sähköisten dokumenttien hyödyntämisen sekä päästöjen laskemisen erilaisten tietoteknisten sovellusten avulla. Tämän tutkimuksen tarkoituksena on selvittää Port Community System (PCS) -järjestelmän eli satamayhteisön informaatiokeskuksen mahdollisuuksia vähentää ympäristövaikutuksia Suomessa ja erityisesti Kymenlaaksossa. Tutkimuksessa on selvitetty yleisesti logistiikan ympäristövaikutuksia ja tutkittu EU:n ohjauskeinoja logistiikan ympäristökuormitusten vähentämiseksi. Kymenlaakson alueelta on kartoitettu tavaraliikenteen päästömäärien nykytilaa ja kehitystä laskemalla auto-, juna- ja laivaliikenteen ympäristövaikutuksia vuosilta 2001–2009. Lisäksi tutkimuksessa on selvitetty, millaisia logistiikkaan liittyviä älyliikenne- ja tietotekniikkahankkeita ja -visioita EU:n tasolla on vireillä sekä tutkittu ICT-ratkaisujen mahdollisuuksia ympäristöhaittojen vähentämisessä. Kirjallisuustutkimukseen perustuen on arvioitu ja pohdittu Suomeen soveltuvan PCS-järjestelmän ympäristöhyötyjä ja ympäristötyökaluja. Lisäksi tutkimuksessa on tarkasteltu kahden case-esimerkin avulla, minkälaisia logistisia toimintoja helpottavia ja ympäristöasioita parantavia tietojärjestelmiä logistiikkayrityksillä on käytössä. Tutkimuksen perusteella tavaraliikenteen päästöt Kymenlaakson alueella ovat vuosien 2001–2007 aikana kasvaneet merkittävästi, mutta talouden taantuman ja tavarakuljetusten vähenemisen seurauksena päästömäärät ovat olleet jyrkässä laskussa vuosina 2008 ja 2009. Merkittävin päästökomponentti on ollut hiilidioksidi ja eniten päästöjä on aiheutunut maantieliikenteestä. EU:n tasolla on vireillä useita erilaisia hankkeita ja visioita logistiikan päästöjen vähentämiseksi, mutta monessa tapauksessa niiden täytäntöönpano vaatii vielä vuosien työn. Kirjallisuustutkimuksen perusteella ICT-ratkaisujen avulla saavutettavissa olevat ympäristöhyödyt vaihtelevat pienistä parannuksista (esim. päästöjen simulointimallit) suuriin maailmanlaajuisiin ratkaisuihin (esim. kuljetusreittien optimointi ja rahdin seuranta globaaleissa toimitusketjuissa). Merkittävimmät PCS-järjestelmällä saavutettavissa olevat ympäristöhyödyt ovat kuljetusten ja logististen toimintojen yleinen tehostuminen ja sen myötä päästöjen vähentyminen sekä paperisten asiakirjojen ja tulostettavan paperimäärän väheneminen PCS-järjestelmän mahdollistaman sähköisiin dokumentteihin siirtymisen myötä. PCS-järjestelmän avulla voidaan vaikuttaa ympäristöasioihin myös epäsuorasti muun muassa reittien ja lastikapasiteetin optimoinnin, lastin seurannan, älykkään valaistuksen ja palvelinkeskusten kautta. Mahdollisista ympäristöhyödyistä huolimatta taloudellisen hyödyn tavoittelu ja palveluiden toiminnallinen parantaminen menevät valitettavan usein ympäristöasioiden edelle. Vihreiden arvojen korostaminen järjestelmiä suunniteltaessa voi kuitenkin tuoda suurta kilpailuetua ja edistää ympäristön suojelua laajemminkin.

Kernel-Based Ranking. Methods for Learning and Performance Estimation

Machine learning provides tools for automated construction of predictive models in data intensive areas of engineering and science. The family of regularized kernel methods have in the recent years become one of the mainstream approaches to machine learning, due to a number of advantages the methods share. The approach provides theoretically well-founded solutions to the problems of under- and overfitting, allows learning from structured data, and has been empirically demonstrated to yield high predictive performance on a wide range of application domains. Historically, the problems of classification and regression have gained the majority of attention in the field. In this thesis we focus on another type of learning problem, that of learning to rank. In learning to rank, the aim is from a set of past observations to learn a ranking function that can order new objects according to how well they match some underlying criterion of goodness. As an important special case of the setting, we can recover the bipartite ranking problem, corresponding to maximizing the area under the ROC curve (AUC) in binary classification. Ranking applications appear in a large variety of settings, examples encountered in this thesis include document retrieval in web search, recommender systems, information extraction and automated parsing of natural language. We consider the pairwise approach to learning to rank, where ranking models are learned by minimizing the expected probability of ranking any two randomly drawn test examples incorrectly. The development of computationally efficient kernel methods, based on this approach, has in the past proven to be challenging. Moreover, it is not clear what techniques for estimating the predictive performance of learned models are the most reliable in the ranking setting, and how the techniques can be implemented efficiently. The contributions of this thesis are as follows. First, we develop RankRLS, a computationally efficient kernel method for learning to rank, that is based on minimizing a regularized pairwise least-squares loss. In addition to training methods, we introduce a variety of algorithms for tasks such as model selection, multi-output learning, and cross-validation, based on computational shortcuts from matrix algebra. Second, we improve the fastest known training method for the linear version of the RankSVM algorithm, which is one of the most well established methods for learning to rank. Third, we study the combination of the empirical kernel map and reduced set approximation, which allows the large-scale training of kernel machines using linear solvers, and propose computationally efficient solutions to cross-validation when using the approach. Next, we explore the problem of reliable cross-validation when using AUC as a performance criterion, through an extensive simulation study. We demonstrate that the proposed leave-pair-out cross-validation approach leads to more reliable performance estimation than commonly used alternative approaches. Finally, we present a case study on applying machine learning to information extraction from biomedical literature, which combines several of the approaches considered in the thesis. The thesis is divided into two parts. Part I provides the background for the research work and summarizes the most central results, Part II consists of the five original research articles that are the main contribution of this thesis.

Pultavan taistelu venäläisestä näkökulmasta

Kirjallisuusarvostelu

Kirjallisuutta

Kirjallisuusarvostelu

Selviytyykö tietoisuus kuolemassa?

Kirjallisuusarvostelu