Abstract: MMTL är ett fortsättningsprojekt kopplat till det tidigare projektet POST - Prediktions- Och Scenariobaserad Trafikledning. Syftet är att utöka den dynamiska skattningen av OD-matris och ruttval för vägnätet till en dynamisk skattning av en multimodal OD matris inklusive ruttval för att möjliggöra multimodal trafikledning. Detta kan ge en större palett av alternativa åtgärder och bättre underlag vid valet av åtgärd för trafikledningscentraler som Trafik Stockholm. En dynamisk multimodal OD-matris i kombination med kunskap om ruttval möjliggör analys av korrelation mellan händelser i olika färdmedel. OD-matrisen kan även tillsammans med information om ruttval användas för att vid incidenter i något av färdmedlen identifiera grupper av trafikanter som 1) ger hög avlastning på kraftigt belastade länkar och 2) har bra alternativ att byta till andra färdmedel. Detta kan göras både innan avresa, men även under resa beroende på möjligheter till byte mellan olika färdmedel. För att möjliggöra scenarioanalyser av olika åtgärdsalternativ samt analysera effekterna av förändring av färdmedelsandelen kommer trafikmodeller att användas. Den datadrivna identifieringen av trafikantgrupper i kombination med modellsystem för att i realtid utföra scenarioanalyser utgör viktiga komponenter för att bygga nya effektiva och integrerade beslutsstöd för proaktiv trafikledning för flera färdmedel. För att skatta multimodal efterfrågan och ruttval kommer storskalig mobilitetsdata, exempelvis GPS-probe-data och mobilnätsdata, samt kollektivtrafikdata i form av passagerardata och busspositioner, i kombination med maskininlärning och trafikmodeller användas.
Abstract: MMTL is a continuation project linked to the previous project POST - Prediction and Scenario Based Traffic Management. The purpose is to extend the dynamic estimation of the OD matrix and route selection for the road network to a dynamic estimate of a multimodal OD matrix including route selection to enable multimodal traffic management. This can provide a wider range of alternative measures and a better basis for choosing measures for Traffic Management Centers such as Trafik Stockholm. A dynamic multimodal OD matrix in combination with knowledge of route selection enables analysis of correlation between events in different means of transport. The OD matrix can also together with information about route selection be used to, in case of incidents in any of the means of transport, identify groups of road users that 1) provide high relief on heavily congested links and 2) have good options to switch to other means of transport. This can be done both before departure, but also during travel depending on opportunities for switching between different means of transport. To enable scenario analyzes of different action alternatives and analyze the effects of change in the share of vehicles, traffic models will be used. The data-driven identification of road user groups in combination with model systems for performing real-time scenario analyzes constitute important components for building new effective and integrated decision support for proactive traffic management for several means of transport. To estimate multimodal demand and route selection, large-scale mobility data, for example GPS probe data and mobile network data, as well as public transport data in the form of passenger data and bus positions, in combination with machine learning and traffic models are used.