För att trafikplanerare ska kunna ta välgrundade beslut för att utveckla trafiksystemet krävs att de har en bra överblick över hur människors resmönster ser ut nu och hur det har sett ut historiskt. Resmönstren kan användas för att hitta typer av persontransporter som skulle kunna flyttas till mer energieffektiva trafikslag eller för att modellera vilka effekter en investering i infrastruktur skulle kunna få.
Idag använder trafikplanerare trafikmodeller som får sin data från undersökningar av personers resvanor och trafikmätningar. Nackdelarna med dessa datakällor är att det är dyrt att genomföra undersökningar och mätningar, det ger också ett mycket begränsat antal observationer och därför kan modellerna som byggs utifrån dessa data bara ge ungefärliga uppskattningar av människors resmönster.
Syftet med avhandlingen är att vidga förståelsen för vad som behövs för att processa storskaliga passiva datakällor såsom mobilnätsdata och data från reskort i kollektivtrafiken för att analysera resmönster. Det finns nämligen en del utmaningar med den här typen av datakällor. Exempelvis finns en risk att korta resor inte registreras på ett tillförlitligt sätt. Man kan dock förbättra resultaten med maskininlärningsmetoder och avhandlingen visar att det är möjligt även om ingen träningsdata finns tillgänglig.
– Nya storskaliga passiva datakällor som data från mobilnätet och data från reskort i kollektivtrafiken öppnar för nya möjligheter att observera resmönster på ett sätt som kan ge en mycket mer detaljerad förståelse av de faktiska resmönstren, säger Nils Breyer som nyligen disputerat inom forskarutbildningsämnet Infrainformatik vid Institutionen för teknik och naturvetenskap (ITN), avdelningen för Kommunikations- och transportsystem (KTS).
Idag använder trafikplanerare trafikmodeller som får sin data från undersökningar av personers resvanor och trafikmätningar. Nackdelarna med dessa datakällor är att det är dyrt att genomföra undersökningar och mätningar, det ger också ett mycket begränsat antal observationer och därför kan modellerna som byggs utifrån dessa data bara ge ungefärliga uppskattningar av människors resmönster.
Syftet med avhandlingen är att vidga förståelsen för vad som behövs för att processa storskaliga passiva datakällor såsom mobilnätsdata och data från reskort i kollektivtrafiken för att analysera resmönster. Det finns nämligen en del utmaningar med den här typen av datakällor. Exempelvis finns en risk att korta resor inte registreras på ett tillförlitligt sätt. Man kan dock förbättra resultaten med maskininlärningsmetoder och avhandlingen visar att det är möjligt även om ingen träningsdata finns tillgänglig.
– Nya storskaliga passiva datakällor som data från mobilnätet och data från reskort i kollektivtrafiken öppnar för nya möjligheter att observera resmönster på ett sätt som kan ge en mycket mer detaljerad förståelse av de faktiska resmönstren, säger Nils Breyer som nyligen disputerat inom forskarutbildningsämnet Infrainformatik vid Institutionen för teknik och naturvetenskap (ITN), avdelningen för Kommunikations- och transportsystem (KTS).
