Multimodal Traffic Management : Project Report

• Nya system för att kombinera transportsätt, till exempel Mobility as a Service (MaaS), ger nya möjligheter för trafikanter att växla mellan olika färdmedel. Samtidigt ger stora mängder data från såväl kollektivtrafiknätet som vägtrafiknätet samt multimodala data från mobilnäten i kombination med nya metoder för att uppskatta resmönster uppdelat på färdmedel möjligheter till en helt ny förståelse av multimodala resmönster i en stad. Att förstå hur multimodala resmönster utvecklas över tid ger nya möjligheter att utveckla effektiva verktyg för multimodal trafikledning.Det övergripande målet med projektet är att möjliggöra förbättrad tillgänglighet i transportsystemen genom effektivare trafikledning. Mer specifikt syftar projektet till att utveckla nya metoder för att uppskatta multimodal efterfrågan samt färdmedelsval och ruttval för multimodal trafikledning. Vidare har potentiella effekter av multimodal trafikledning analyserats.Projektet omfattar en litteraturstudie för analys av möjligheter och utmaningar med multimodal trafikledning. En explorativ analys baserad på oövervakat lärande har utförts för att identifiera typiska nätverksövergripande mobilitetsmönster. Val av rutt och färdmedel har predikterats med hjälp av statistiska modeller. Ett multimodalt dataset för fem veckor i Stockholm med storskalig mobilitetsdata för vägnätet och biljettdata för kollektivtrafiknätet har sammanställs för den explorativa analysen samt utvärderingen av rutt- och transportsättsmodellerna i samband med trafikledning.Baserat på litteraturstudien kan vi dra slutsatsen att koordinerad ledning av väg och kollektivtrafik har potential att minska trängseln och säkerställa effektiv förflyttning av resenärer i ett storstadsområde. Det finns flera motiv för multimodal trafikledning, där de viktigaste är potentiellt ökad efterfrågan för kollektivtrafik, förbättrad robusthet för transportsystemet och bättre prioritering av trafikledningsåtgärder. De största utmaningarna är samarbete mellan intressenter, informationsdelning och datafusion.Resultaten av den explorativa analysen baserad på oövervakad inlärning indikerar att klustring för att ta fram typdagar kan vara användbart vid scenarioutvärdering, men också fungera som input till korttidsprediktion, vilket ger en enkel och robust predikteringsmetod för länkflöden med ett MAPE-prediktionsfel på 10-15 %.Ruttvalsanalysen visar att en modell baserad på en ruttuppsättning med genererade rutter är mer responsiv för restidsförändringar än en modell baserad på endast observerade rutter, vilket är användbart för att förutspå effekten av olika trafikledningsåtgärder. En ruttvalsmodell med enbart restid är en vanlig förenkling att använda för att prediktera ruttval, men resultatet i denna studie visar att inkludering av fler attribut avsevärt förbättrar modellernas prestanda.Analysen av nätverksövergripande multimodala data för 5 veckor i Stockholm indikerar att det är möjligt att uppskatta hur transportsättsandelen mellan kollektivtrafik och andra transportslag varierar i tid och rum. En bättre förståelse för spatiotemporal variation av färdmedelsvalet är en viktig input till förbättrat beslutsstöd i multimodal trafikledning.

• New systems for combining modes of transport, for example Mobility as a Service (MaaS), provide new opportunities for road users to switch between different means of transport. At the same time, large amounts of data from both the public transport network and the road traffic network as well as multimodal data from mobile networks in combination with new methods for estimating travel patterns divided by means of transport provide opportunities for a completely new understanding of multimodal travel patterns in a city. Understanding how multimodal travel patterns develop over time provides new opportunities to develop effective tools for multimodal traffic management.The overall goal of the project is to enable improved accessibility in the transport systems through more efficient traffic management. More specifically, the project aims to develop new methods for estimating multimodal demand as well as mode of transport and route selection for multimodal traffic management. Furthermore, potential effects of multimodal traffic management should be analysed.The project includes a literature survey for analysis of potential and challenges of multimodal traffic management. An explorative analysis based on unsupervised learning is performed for identification of typical network-wide mobility patterns. Route and mode choice is predicted using statistical models. A five-week multimodal dataset for Stockholm including large-scale mobility data for the road network and smartcard data for the public transport network is compiled for the explorative analysis as well as evaluation of the route and mode choice models in the context of traffic management.Based on the literature survey, we can conclude that simultaneous management of road and public transport has the potential to reduce congestion and ensure efficient movement of travelers in an urban area. There are several motives for integrated management of multiple modes, where the most important are potential demand shifts to public transport, improved robustness for the transport system, and better prioritization of traffic management actions. The main challenges are collaboration between stakeholders, information sharing, and data fusion.The results of the explorative analysis based on unsupervised learning indicate that day clustering can be useful in scenario evaluation, but also serve as input to short-term prediction providing a simple and robust prediction method with a MAPE prediction error of 10-15%.The route choice analysis showed that a model based on a route set with generated routes is more responsive to travel time changes than a model based on only observed routes, which is useful for predicting the effect of traffic management actions. A route choice model with only travel time is a common simplification to use for prediction route choices. However, the result in this study shows that including more attributes significantly improves the performance of the models.The analysis of network-wide multimodal data for 5 weeks in Stockholm indicates that it is possible to estimate how mode share between public transport and other modes of transport varies in space and time. A better understanding of spatiotemporal variation of mode share is an important input to improved decision support in multimodal traffic management.

Ämnesord

TEKNIK OCH TEKNOLOGIER  -- Samhällsbyggnadsteknik -- Transportteknik och logistik (hsv//swe)

ENGINEERING AND TECHNOLOGY  -- Civil Engineering -- Transport Systems and Logistics (hsv//eng)

Publikations- och innehållstyp

vet (ämneskategori)

rap (ämneskategori)