National Transport Library Research Database

Bayesian perspective on forecast uncertainty (BaPFU)

  • Habibi, Shiva
  • RISE Research Institutes of Sweden AB, Svenskt företag eller organisation, 556464-6874
Sponsors, duration, budget: Trafikverket ; 2024-09-09 -- 2026-02-28 Registration number:
  • Trafikverket 2024/31367
Subject(s): Abstract: Transportområdet genomgår snabba förändringar på grund av framväxande teknologier, digitalisering, förändrade sociala normer och nya miljöpolitiska åtgärder. Dessa förändringar medför ökad osäkerhet i policy- och investeringsbeslut. Traditionella transportmodeller, i stor utsträckning baserade på historiska data, har svårt att ta hänsyn till denna osäkerhet. Denna brist understryker behovet av en prognosmetod som inte endast baseras på historiska data. Denna studie syftar till att utveckla metoder som använder bayesianska metoder för att systematiskt och optimalt kombinera historiska data med expertomdömen och beslutsfattares förväntningar. Detta gör det möjligt att bättre hantera den inneboende osäkerheten om framtiden. Den valda fallstudien fokuserar på att prognostisera hur distansarbete påverkar bilägande - ett ämne som är högst relevant på grund av den accelererade digitala omvandlingen och de bestående effekterna av pandemin. De utvecklade metoderna förväntas kunna tillämpas bredare och förbättra kunskapsunderlaget för transportplanering, investeringar och policyframtagning inom den svenska transportsektorn. Sammanfattningsvis strävar denna forskning efter att ta fram en metod som förbättrar tillförlitligheten och skapar ett motståndskraftigt prognosramverk, vilket därigenom möjliggör bättre beslutsfattande inför nya förändringar. Abstract: The transportation domain is undergoing rapid changes due to emerging technologies, digitalization, shifting social norms, and new environmental policies. These changes introduce a significant amount of uncertainty on policy and investment decisions that traditional transport models, based heavily on historical data, struggle to account for. This gap underscores the necessity for a forecasting approach that integrates additional insights beyond historical data. This study aims to develop methods that incorporate Bayesian statistics to systematicallyand optimally combine historical data with expert judgments and policymakers' expectations. This approach addresses the ‘input uncertainty’ resulting from incomplete information about the future developments. The selected case study focuses on forecasting how remote work influences car ownership - a topic highly relevant due to the accelerated digital transformation and the enduring effects of the pandemic. However, the methodologies developed will have broader applications, providing critical insights for transport planning, investment and policy-making within the Swedish transport sector and beyond. In sum, this research seeks to pioneer an approach that enhances the reliability and resilient in forecasting framework, thereby supporting more informed decision-making in the face of unprecedented changes.
Item type: