National Transport Library Research Database

KAJT - Uppföljning, återkoppling och prediktion för bättre punktlighet - UppPunkt (KAJT - Follow-up, feedback, and predictions for improved punctuality - UppPunkt)

  • Joborn, Martin
  • RISE Research Institutes of Sweden AB, Svenskt företag eller organisation, 556464-6874
Sponsors, duration, budget: Trafikverket ; 2025-02-01 -- 2026-11-30 Registration number:
  • Trafikverket 2024/94255
Subject(s): Abstract: Projektet syftar till att förbättra punktligheten inom järnvägstrafik genom utveckling av analysverktyg och förbättrad återkoppling. Målen inkluderar att öka kunskapen om hur specifik infrastruktur påverkar punktlighet, utveckla nya punktlighetsindikatorer för mellanliggande stationer, förbättra återkopplingen till trafikplanerare, samt skapa en bättre situationsmedvetenhet om systemets punktlighet. Projektet vill också snabbt omsätta resultaten i praktiken genom att vidareutveckla RISE:s punktlighetsuppföljnings-demonstrator (FBKS-demonstratorn). Huvuddelarna i projektet omfattar att inkludera mer data om infrastrukturproblem, förbättra information om stations- och undervägspunktlighet, ge bättre återkoppling till trafikplanerare samt utforska möjligheter för korttidsprognoser av punktlighet med hjälp av AI och machine learning.Abstract: The project aims to improve punctuality in railway traffic through enhanced analysis tools and feedback mechanisms. The objectives include increasing knowledge of how specific infrastructure affects punctuality, developing new punctuality indicators for intermediate stations, improving feedback to traffic planners, and creating better situational awareness of the system’s punctuality. The project aims to quickly apply the results by further developing RISE’s punctuality monitoring demonstrator (FBKS demonstrator). The main components of the project include: integrating more data on infrastructure issues, improving information about station and en-route punctuality, providing enhanced feedback to traffic planners, and exploring the potential for short-term punctuality forecasting using AI and machine learning.
Item type: