K&K - Linköping Konsert & Kongress
SF - Scandic Frimurarehotellet

Displaying One Session

SF, Vintergatan 2-3 (150) Trafikteknik, planering och styrning
Date
Thu, 09.01.2020
Time
09:00 - 10:30
Room
SF, Vintergatan 2-3 (150)
Moderators
Data och modeller för transportplanering Trafikteknik, planering och styrning 

2.3.1 - Analys av mobilnätsdata ger nya insikter kring rörelsemönster och bättre beslutsunderlag för kollektivtrafiken

Room
SF, Vintergatan 2-3 (150)
Date
Thu, 09.01.2020
Time
09:00 - 10:30
Presentation Topic
Trafikteknik, planering och styrning 

Abstract

Bakgrund

Ett smart och hållbart samhälle kräver minskad andel resor med personbil till förmån för grönare alternativ som cykel eller kollektivtrafik. Men för att kollektivtrafiken ska väljas till förmån för bilen krävs mer anpassade tjänster och högre precision. En av de största utmaningarna är att utforma rutter och tidtabeller som matchar den efterfrågan och de behov hos resenärerna som finns. Vanliga tillvägagångssätt för att försöka ta reda på efterfrågan inkluderar resvaneundersökningar, kundundersökningar samt beräkning med hjälp av trafikprognosmodeller. Dagens uppkopplade livsstil, där majoriteten av alla människor bär med sig en mobiltelefon, erbjuder dock nya källor till kunskap om människors rörelsemönster.

Metod

Mobiltelefoner kopplar ständigt upp sig mot närmaste basstation. Genom att processa de enorma datamängder som skapas av dessa signaler kan förflyttningar mellan basstationer, det vill säga resor, identifieras. När de aggregeras över tid och skalas upp till att motsvara hela befolkningen kan de ge värdefulla data om rörelsemönster på makronivå.

All data anonymiseras och aggregeras per automatik innan användning för att skydda den personliga integriteten och kan aldrig ledas tillbaka till en enskild individ. Det enda som analyseras är rörelsemönster för grupper, frånkopplat från individ och person.

Mobilnätsdata kan användas av beslutsfattare som det är för att öka kunskapen om hur människor reser i den egna regionen. Men det kan även med fördel kombineras med och integreras i trafikmodeller för att öka modellernas träffsäkerhet.

Resultat och slutsats

Resultatet av databearbetningen inkluderar exempelvis OD-matriser och mått på hur många som passerar specifika platser. Datauttag kan antingen göras aggregerat över lång tid eller för specifika datum, veckodagar eller tider på dygnet. Eftersom data samlas passivt och kontinuerligt är mobilnätsdata särskilt värdefullt för att studera hur rörelsemönster förändras över tid, antingen cykliskt över dygn, vecka eller år, eller som en del av en långsiktig utveckling/trend. Vidare täcks en större andel resenärer in i datainsamlingen, jämfört med exempelvis resvaneundersökningar. Slutligen fås information om hela resan, inte bara den del som sker med exempelvis buss eller tunnelbana. Jämfört med trafikprognosmodeller visar mobilnätsdata vad som faktiskt skett, snarare på antaganden om resenärers beteende. I dagsläget kan inte färdsättet identifieras på ett tillförlitligt sätt utifrån mobilnätsdata. Men om mobilnätsdata kombineras med trafikmodeller kan den saknade informationen uppskattas mer precist.

Insikter från mobilnätsdata är ett värdefullt komplement till befintliga kunskapsunderlag och är ett stöd för beslutsfattare att utveckla kollektivtrafiken i sin region. Kombinerat med traditionell trafikanalys och modellering lämpar sig denna data mycket väl för bland annat planering av kollektivtrafik för särskilda händelser eller event, identifiera nya stråk eller förbindelser som idag inte finns och optimera tidtabeller för att möta de tider då människor mest reser. Mobilnätsdata ger ett snabbt och effektivt sätt att kontinuerligt studera hur rörelsemönster – inte bara exempelvis antal resenärer per linje – förändras över tid. Utvecklingsmöjligheter inkluderar integrering med trafikmodeller och att kunna göra skillnad mellan olika färdsätt i de uppmätta rörelsemönstren.

Collapse
Data och modeller för transportplanering Trafikteknik, planering och styrning 

2.3.2 - Visar app-insamlad data på andra resvanor än traditionella rvuer? Exempel från bl a Gävle

Room
SF, Vintergatan 2-3 (150)
Date
Thu, 09.01.2020
Time
09:00 - 10:30
Presentation Topic
Trafikteknik, planering och styrning 

Abstract

Bakgrund

Kunskapen från resvaneundersökningar är, direkt eller indirekt, grund för många stora beslut inom trafikplanering och därför är det viktigt att data håller hög kvalitet. Resvaneundersökningar används bl a för att förstå mängden resor per person och dag, skatta färdmedelfördelning, sätta och följa upp mål, förstå hur olika grupper reser, förstå hur man reser till olika ärende, beräkna utsläpp, som underlag till modellering etc.

Tidigare mindre försök med insamling av data med hjälp av mobilapplikationer har indikerat att resultaten ser annorlunda ut jämfört med de resultat man får med traditionella undersökningar. Nu har flera kommuner genomfört stora undersökningar med den nya metoden bland sina invånare och det har givit väldigt spännande resultat.

Metod

Gävle lät hösten 2018 genomföra den första heltäckande kommunala resvaneundersökningen med enbart mobilapplikation i Sverige. Strax därpå genomförde också Gotland och Malmö heltäckande resvaneundersökningar i sina kommuner med hjälp av mobilapp. Eftersom Gävle genomfört en resvaneundersökning 2012 med hjälp av pappersenkät och man i Malmö samtidigt med insamlingen med mobilapp också samlande in resvanedata med pappersenkäter finns nu möjligheter att jämföra skillnader i resultat med de olika metoderna.

Undersökningarna i de tre kommunerna genomfördes med utskick av brev till 17 500-20 000 invånare i vardera kommunen där de erbjöds att delta i undersökningen genom att ladda ner Trivectors app TRavelVU (som loggar respektive användares resor med så liten manuell hantering som möjligt) och genom denna app låta registrera sina resor under en till ett par veckor hösten 2018. Även andra kommuninvånare har via traditionella och sociala medier uppmanats att delta i undersökningarna.

Resultat och slutsats

Resultaten från app-insamlingen med automatisk loggning av alla resor visar att vi gör betydligt fler resor per person och dag än vi tidigare trott och att framför allt att antalet resor till fots underskattas. Detta ger stor inverkan på färdmedelsfördelningen. Skillnader i resultat mellan pappersenkät och insamling via app gör att det inte enkelt går att jämföra data bakåt i tiden. Information på reseelementsnivå, tidsserier från samma person samt bättre kvalitet på data om tid och sträckor med insamling via app ger nya möjligheter för analyser. Geografisk information med tidsstämpel och individinformation ger nya möjligheter att förstå resvägar men också var i trafiksystemet det är problem och ge input till drift och underhåll. Med insamling via app fås lägre svarsfrekvenser än med pappersenkät men mer data per person eftersom varje person kan lämna data för många dagar och därmed alla veckans dagar.

Collapse
Data och modeller för transportplanering Trafikteknik, planering och styrning 

2.3.3 - Framkomlighetsanalys via kollektivtrafik

Room
SF, Vintergatan 2-3 (150)
Date
Thu, 09.01.2020
Time
09:00 - 10:30
Presentation Topic
Trafikteknik, planering och styrning 

Abstract

Bakgrund

Under våren år 2019 arbetade vi på Norrköpings kommun med ett nytt kollektivtrafikfält under samma period som ett projekt inom "Smarta Staden" bredrevs. Ord som open-source, big data och API:er flödade men alla inblandade visste in riktigt innerbörden för dessa ord.

Senare, samma månad lyftes frågan huruvida arbetet med en större detaljplan skulle fortsätta eller ej. En av de viktigaste aspekterna i detaljplanen var biltrafiken och dess påverkan på kollektivtrafiken i området. Vi visste att kollektivtrafiken påverkades negativt av alla de köer som uppstod under kvällsrusningen och att vidareutveckling av området med mer handel skulle troligtvis leda till ännu längre köer och därmed ännu större påverkan på kollektivtrafiken. Vid denna tidpunkt hade vi inga verktyg till hands för att kunna utreda hur belastningen på kollektivtrafiken såg ut.

Vidare valde jag därför att utveckla ett eget projekt där syftet var att påvisa hur kollektivtrafiken i Norrköpings Kommun påverkades av biltrafiken samtidigt som visade på hur kombinationen av API:er och Big Data kan nyttjas inom trafikplanering.

Metod

Genom att nyttja Östgötatrafikens GPS:er i dess bussar och spårvagnar via Trafiklabs API till Östgötatrafiken, och inom tidsbestämda ramar kontinuerligt hämta dess nya positioner (med viss tid emellan) så lyckades jag beräkna den sträcka som fordonen färdats från att ena positionen hämtats till den andra. Den färdade sträckan, och den tid som det tog från föregående hämtade GPS-position till nästa så kan såväl tid som sträcka räknas ut, och därmed även hastighet.

Detta program satte jag igång i en loop och lät köra detta i två veckors tid för att samla på mig en del data.

Med 1,2 miljoner rader data om olika bussar och spårvagnars olika positioner och hastigheter inom Norrköpings kommun så kopplade jag sedan denna data enligt olika tider och dagar till dess linje i vårt kollektivtrafiknät och kan nu visa vår medelhastighet, inom 50-metersintervall på hela vårt kollektivtrafiknät. Vi vet nu exakt hur snabbt det går överallt i vår kommun under olika timmar under dygnet, baserat på medelhastigheter.

Vi har även nyttjat samma teknik för att påvisa realtids-tröghet på vårt vägnät för att visa om trafiken flyter på eller om det är tröghet, och därmed troligtvis köer.

Resultat och slutsats

Resultet är ett GIS-lager med medelhastigheter uppdelat i 50-meters intervaller av vårt kollektivtrafiknät. Detta lager är dessutom uppdelat på timmes-intervaller mellan 06 till 23 för att överskådligt kunna se på vilka platser som tröghet uppstår för vår kollektivtrafik och under vilka timmar det berörs. Exempelvis kan jag påvisa att medelhastigheten under nästan hela dygnet är cirka 33 km/h på en viss delsträcka, men mellan 16:00 till 17:00 då trafiken är som högst så är medelhastigheten nere på 8 km/h för vår kollektivtrafik.

Med samma data så kan vi även påvisa nuvarande flöden huruvida de följer hastighetsbegränsningen eller om tröghet uppstått i vägnätet med realtidsdata.

Då systemet bygger på GTFS som flera andra aktörer inom Sverige nyttjar så kan detta även implementeras på aktörer så som X-trafik, Skånetrafiken, Kalmar Länstrafik, Västtrafik med flera.

Collapse
Data och modeller för transportplanering Trafikteknik, planering och styrning 

2.3.4 - Parkeringsmodellering i strategiska transportmodeller

Room
SF, Vintergatan 2-3 (150)
Date
Thu, 09.01.2020
Time
09:00 - 10:30
Presentation Topic
Trafikteknik, planering och styrning 

Abstract

Bakgrund

För att göra noggranna prognoser och analyser i strategiska transportmodeller av framtidens trafik, behövs en större förståelse för effekten av parkering i stadsområden. Utbudet av och priset på parkering har en inverkan på den totala mängden av bilresor som görs i städer. Trots det modelleras parkeringens inverkan på antalet bilresor på ett förenklat sätt eller inte alls.

Vi har ett forskningsprojekt för Trafikverket som undersöker hur parkeringens inverkan på bilresor modelleras i strategiska transportmodeller på olika platser i världen. Projektets syfte är att hitta olika metoder för att modellera parkeringens inverkan på bilresor och som Trafikverket kan använda för att implementera i deras Sampersmodeller. Sampers är Trafikverkets modellsystem för trafikslagsövergripande analyser av persontransporter och används för att prognostisera framtida trafikflöden och för trafikanalyser.

Metod

För att modellera parkering, måste motståndet mot parkering beaktas. Parkeringsmotstånd är en term som beskriver besväret och ’kostnaden’ som bilresenären upplever när den ska hitta och betala för en parkering. Parkeringsmotstånd är den totala uppoffringen av att behöva betala för en parkering, tid för att hitta en plats och tid för att gå från parkeringsplatsen till slutdestinationen. Det finns flera sätt att modellera parkeringsmotstånd på, från enkla till mer komplexa metoder. De enkla metoderna tar endast hänsyn till parkeringskostnader, och de mest komplexa tar hänsyn till flera faktorer såsom kostnad, tid och effekten av att behöva hitta en ny parkering för att den första var full. För att kunna modellera parkeringsmotstånd på ett mer komplex sett, behövs en ”reskedjebaserad modell” istället för en vanlig ”resbaserad modell” (4-stegsmodell). Denna typ av modell är inte så vanlig, men modeller som använder reskedjor har blivit vanligare på senare tid. Om parkeringsmotstånd ska implementeras i nya versioner av Sampers behövs kanske ett speciellt tillval med olika grader av komplexitet. De olika valen har olika för- och nackdelar och i projektet undersöks dessa.

Resultat och slutsats

Den har presentationen ska beskriva de olika metoderna för att modellera parkering (och varför det är viktigt för att kunna modellera parkering bättre), nya rön om parkeringsmodellering, för-och-nackdelarna med olika metoder, och hur parkeringens inverkan på bilresor kan implementeras i Sveriges trafikmodeller.

Collapse
Data och modeller för transportplanering Trafikteknik, planering och styrning 

2.3.5 - Skattning av ruttvalsmodell baserat på resdata från undersökning i mobil applikation

Abstract

Bakgrund

Att kunna förutse fördelning av kollektivtrafikresenärer mellan linjer och turer är en viktig komponent för att korrekt kunna planera och dimensionera utbud och på så sätt maximera kollektivtrafikens attraktivitet till en rimlig kostnad. De modeller för ruttval som används regionalt och nationellt bygger på generella och/eller förenklade antaganden kring antingen resenärens avvägningar mellan väntetid vid första hållplats (ansätts vanligen till halva turintervallet) och total restid eller när det gäller marginella substitutionskvoter (”vikter”) mellan restidskomponenter såsom väntetid, bytestid, gångtid och åktid. Den förstnämnda förenklingen kan leda till felaktig fördelning av modellerat resande i system med stora skillnader i turtäthet eller där ojämna turintervall förekommer (exempelvis vanligt i tågsystem med exempelvis enkelspår och en blandning av gods och persontrafik) medan den andra förenklingen dessutom kan leda till felaktiga fördelningar mellan snabba linjer med få stopp med resulterande långa gångavstånd till hållplatser å ena sidan, och långsamma linjer med tätt mellan hållplatser med resulterande korta gångavstånd å andra sidan. Att skatta modeller som ger vederhäftiga substitutionskvoter i den lokala kontexten bör vara rätt väg för att komma åt dessa modellproblem. I föreliggande studie, som bygger på verkliga val i detaljerad resdata från en mobilbaserad resvaneundersökning i två omgångar i Malmö och Lund, har vi skattat ruttval från dörr till dörr utifrån fördefinierade ruttalternativ i kollektivtrafiknätet baserade på gällande tidtabell samt anslutningsalternativ framtagna genom en separat process. Studien syftade således till att ta fram och validera en metod för att kunna dra nytta av detaljrikedomen i datat från den mobilbaserade undersökningen, och samtidigt ta fram rutiner för att på ett så enkelt sätt som möjligt kunna skatta ruttval från lokalt insamlade data.

Metod

Totalt knappt 4 000 kollektivtrafikresor, kartlagda med resvaneappen TRavelVU ungefär lika fördelat mellan och i november 2016 respektive samma månad 2017, har legat till grund för modellskattningen av ruttval. För att kunna genomföra denna har fördefinierade ruttvalsalternativ genererats utifrån varje verklig start eller målpunkt från undersökningen. För de kollektivtrafikbaserade alternativen har metoden Branch-and-bound (Friedrich, 2001) tillämpats mellan möjliga start och målhållplatser, i syfte att erhålla en så realistisk alternativuppsättning som möjligt. För alternativ gällande anslutningsresor mellan de verkliga start och målpunkterna från undersökningen och möjliga påstignings respektive avstigningshållplatser har ett antal kriterier satts upp för att få fram en uppsättning möjliga hållplatser för anslutningsresor med gång, cykel respektive bil. I detta läge har hänsyn tagits till det empiriska faktum att resenärer är beredda att färdas längre för att nå en högkvalitativ förbindelse (t ex tåg eller expressbuss). Anslutningsalternativ och kollektivtrafikalternativ har länkats samman vid de möjliga start-/påstignings- och mål-/avstigningshållplatserna.

Resultat och slutsats

Modellskattningar pågår, men hittills framkomna resultat från en multinominal logitmodell med path size (Ben-Akiva och Bierlaire, 1999) och koefficientvärden för restidskomponenterna antyder att metoden visar på en framgångsrik väg framåt (korrekta tecken och realistiska värden samt god model fit). De preliminära resultaten ger, i linje med annan forskning, vid handen att rutter med många alternativ (linjer) är mer attraktiva än rutter med enbart fåtal alternativ. Dessutom finns indikationer på att buss premieras före regiontåg under de förutsättningar som råder i analysområdet.

Collapse
Data och modeller för transportplanering Trafikteknik, planering och styrning 

2.3.6 - Modellering av trängsel i kollektivtrafiken – en förstudie

Room
SF, Vintergatan 2-3 (150)
Date
Thu, 09.01.2020
Time
09:00 - 10:30
Presentation Topic
Trafikteknik, planering och styrning 

Abstract

Bakgrund

Trängsel i kollektivtrafiken påverkar resenärens upplevelse av, och möjlighet att överhuvudtaget nyttja, kollektivtrafiken. Kraftig trängsel ombord kollektivtrafiksfordonen ger upphov till sänkt servicekvalitet, sänkt tillförlitlighet och i värsta fall till förlängd restid eller nekad ombordstigning. Trängseleffekter är också diskuterade inom samhällsekonomin, där åtgärder som idag beräknats olönsamma skulle kunna bli lönsamma om hänsyn tas till trängsel ombord.

Trängseln ombord på fordon i kollektivtrafiken och dess effekter är för närvarande inte inkluderade de prognosmodeller som används av Trafikverket eller trafikhuvudmännen. Då trängsel i kollektivtrafiken framförallt är en storstadsproblematik fokuserar analyserna i det här projektet på trängsel i Visum/Sampers i SLL Trafikförvaltningens kollektivtrafikmodell för Stockholms län. Visum har i det här projektet använts för nätutläggning, istället för Emme, då det är det verktyg Trafikförvaltningen i Stockholm använder.

Metod

Projektet syftar till att vara ett beslutsunderlag till kommande utveckling av modellsystemet Sampers. För att uppnå det syftet har projektet innefattat att:

· undersöka vilka data som behövs för att kunna utreda om hänsyn till trängsel i kollektivtrafiken behöver tas i Trafikverkets prognosmodeller

· inhämta relevant data

· föreslå hur modellering av trängsel i kollektivtrafiken skulle kunna se ut

· med hjälp av inhämtad data och vald modelleringsansats undersöka huruvida hänsyn bör tas till trängsel i kollektivtrafiken (på fordon såväl som på hållplatser/stationer) i Sampers

· undersöka relevansen och möjligheten att beakta trängsel vid hållplatser/stationer.

Arbetet har baserats på litteraturöversyn, erfarenheter i projektgruppen, initiala tester med Sampers och Visum, exempel på implementeringar av trängsel i trafikmodeller från länder med liknande modellstrukturer samt intervjuer.

I detta arbete har SLL Trafikförvaltningens och Hashims (2017) metod för att implementera trängseleffekt baserad på sittplatsbaserad trängselfunktion i en statisk nätverksmodell provats. I denna ansats är målet att komma ifrån den genomsnittliga passagerarbeläggning (ACM (Average crowding multiplier)) och istället använda en viktad trängselfunktion (WCM (Weighted crowding multiplier)) som en funktion av den genomsnittliga trängselfaktorn. Funktionen har implementerats i SLL Trafikförvaltningens Visum-modell för kollektivtrafik. Implementeringen har skett genom att använda Python-script och trängselfunktionen har lagts som ett tillägg till ombordtiden. Testerna visar att beläggningen ombord på bussar och tåg påverkas av trängselfunktionen.

Resultat och slutsats

Där det enligt modellen råder trängsel trycks resandet över på andra transportmedel som har ledig kapacitet. Det som upptäcktes var dock att det är inte alltid säkert att modellen har identifierat kapacitetsproblem där det i verkligheten uppstår kapacitetsproblem, vilket gör att trängselfunktionen justerar beläggningen där den egentligen inte borde justeras och omvänt. Generellt visar både modellen och den statistik vi tagit del av små tendenser till trängsel summerat över morgonens maxtimme. Det beror på att resandet aggregeras över en hel timme, där det under perioder eller vissa avgångar förekommer stor trängsel, men där det utslaget på en hel timme inte finns någon trängsel.

Utförda intervjustudier visar att det finns ett behov, inte minst pedagogiskt vid stora infrastrukturinvesteringar, av att inkludera trängsel ombord på fordonen i samhällsekonomiska kalkyler för kollektivtrafikinvesteringar, såväl som i modeller som används i planerings- och prognossyfte. Det behovet uttrycks även i den vetenskapliga litteraturen.

Collapse