National Transport Library Research Database

Framtidens prognosmodeller för Regionala resor - att kombinera olika Datakällor på bästa sätt (FRID) (Forecasts for regional trips using combined data sources)

  • Kristoffersson, Ida
  • Statens väg- och transportforskningsinstitut (VTI), Statligt forskningsinstitut, 202100-0704
Sponsors, duration, budget: Trafikverket ; 2024-10-01 -- 2026-10-31 Registration number:
  • Trafikverket 2024/63017
Subject(s): Abstract: För att utveckla och förbättra framtidens transportprognosmodeller behöver flera olika datakällor användas. Mobilnätsdata ger stora datamängder med från ett tvärsnitt av befolkningen eftersom de flesta resenärer idag bär med sig en mobiltelefon. Biljettdata ger också stora datamängder med potentiellt hög representativitet, men är begränsad till kollektivtrafik. GPS-spår från fordon på väg ger typiskt mycket detaljerade data, t. ex. om ruttval, men antalet observationer är ofta mindre än från mobilnäts- och biljettdata. Gemensamt för mobilnätsdata, biljettdata och GPS-spår är att dessa datakällor saknar information om ärende, resesällskapsstorlek och socioekonomi så som ålder, kön, bil- och körkortsinnehav. Resvanedata via enkätundersökningar innehåller å andra sidan detaljerade data om ärende, resesällskapsstorlek och socioekonomi. Nackdelen med resvanedata är dock av sjunkande svarsfrekvenser (år 2021 var svarsbortfallet i den nationella RVUn 72% enligt Trafikanalys) och det finns en stor risk för bias, bland annat på grund av att många av de som tillhör stora hushåll, reser mycket eller har tidsbrist väljer att inte svara på enkäten. I en tidigare studie visar vi för långväga resor (längre än 100km) hur enkätdata kan användas i kombination med mobilnätsdata för att estimera en färdmedelsvalmodell, och att det förbättrar skattningen jämfört med att bara estimera på en av datakällorna (mobilnätsdata eller enkätdata). I modeller för långväga resor är start- och slutzoner relativt stora vilket varit en fördel på grund av upplösningen hos mobilnätsdata. Mobilnätsdata kan användas för att estimera modeller även för resor kortare än 100 km, men kan då behöva kompletteras med andra datakällor., p.g.a. den detaljerade upplösning som behövs. Regionala resor utgör den största delen av persontransportarbetet och det är viktigt att säkerställa att vi kan göra bra prognoser för dessa även framöver. Därför syftar detta projekt till att kombinera olika datakällor om regionala resor i skattningen av en färdmedels- och destinationsvalsmodell.Abstract: To develop and improve future transport forecast models, several different data sources need to be used. Mobile network data provides large amounts of data with potentially high representativeness since most travelers today carry a mobile phone. Ticket data also provides large amounts of data with potentially high representativeness but is limited to public transport. GPS tracks typically provide very detailed data, such as route choices, but the number of observations is often smaller than from mobile network and ticket data. Common to mobile network data, ticket data, and GPS tracks is that these data sources lack information about trip purpose, travel party size, and socioeconomics such as age, gender, car and driver’s license ownership. Travel survey data via questionnaires have declining response rates in Sweden and there is a high risk of bias, partly because many of those who belong to large households, travel a lot, or have time constraints choose not to respond to the survey. In another study, we show for long-distance trips (>100 km) how survey data can be used in combination with mobile network data to estimate a mode choice model, and that it improves the estimation compared to only using mobile network data. In models for long-distance trips, the start and end zones are relatively large, which has been an advantage due to the resolution of mobile network data. Mobile network data can also be used to estimate models for trips shorter than 100 km but may need to be supplemented with other data sources. Regional trips constitute the largest part of personal transport work, and it is important to ensure that we can make good forecasts for these in the future as well. Therefore, this project aims to combine different data sources on regional trips in the estimation of a mode and destination choice model.
Item type: