Leveraging Novel Data Sources for Travel Behavior Modeling

QC 20250410

Abstract

Modeller för resebeteende är avgörande för transportplanering ochpolicyutveckling, eftersom de hanterar utmaningar som trafikstockningar,miljöpåverkan och rättvis tillgång till transporter. Genom att analyserahur individer fattar resebeslut stödjer dessa modeller beslut kringinfrastrukturinvesteringar och resursfördelning. Modeller för resebeteendeomfattar olika områden, inklusive aktivitetsplanering, ruttval och resetidenslängd. Dessa modeller förbättras i takt med att nya datakällor blirtillgängliga, vilket leder till en ökad förståelse för resebeteende. Dennaavhandling undersöker resebeteende med hjälp av nya datakällor för attge vägledning för policy som förbättrar mobilitet, stödjer hållbarhet ochtransportjämlikhet.

Artikel 1 fokuserar på att anpassa mobilnätsdata till Scaper, en dynamiskdiskret valmodell. Scaper-ramverket, som ursprungligen utvecklades föraktivitetsgenerering och schemaläggning baserat på resvaneundersökningar,anpassas här till denna typ av storskaliga data. Studien utvecklarsannolikhetsmodeller genom att integrera observerade och latenta tillståndför att härleda reseattribut från mobilmastobservationer. En bakåtrekursivmetod används för att beräkna den förväntade värdefunktionen, ochparametrarna estimeras med hjälp av stokastisk Expectation-Maximization.

Denna artikel bidrar metodologiskt genom att visa hur Scaper effektivtkan anpassas till nya datakällor. För att belysa ramverkets användbarhetlyfter vi fram dess tillämpning i Artikel 2, där den utvecklade modellenanvänds för att analysera mobilitetsjämlikhet och segregation före och underCOVID-19 i Stockholm. Studien visar hur dessa modeller och data kanivbidra till att undersöka mobilitetsmönster i kristider och ge insikter omhur ett mer motståndskraftigt transportsystem kan utformas för att främjajämlik tillgång till transporter.

I enlighet med avhandlingens syfte att integrera hållbarhet i forskningenanvänder vi GPS-spår för att främja aktiva transportmedel, särskilt cykling.Artikel 3 fokuserar främst på cyklisters ruttpreferenser i Nederländerna. Detär värt att notera att cyklister, inklusive pendlare, inte alltid väljer denkortaste vägen. I stället påverkar olika faktorer deras beslut, varvid vi kanställa frågan: hur kan vi utforma infrastruktur som överensstämmer medcyklisters preferenser och uppmuntrar till mer frekvent cykling?

Denna artikel använder två metoder för att besvara denna fråga. Den förstaär en teoridriven metod baserad på logitmodeller: Path Size Logit (PSL)och Pairwise Combinatorial Logit (PCL), båda grundade i principernaför slumpmässig nyttooptimering och utformade för att ta hänsyn tillruttöverlapp mellan valmöjligheter. Den andra är en datadriven metod somanvänder djupinlärning för att förutsäga ruttval genom ett endimensionelltkonvolutiskt neuronnätverk (Conv1D). Vi genomförde en känslighetsanalysför att identifiera viktiga mönster i djupinlärningsmodellen, vilket gerinsikter i de faktorer som påverkar ruttpreferenser.

Genom att jämföra dessa två metoder betonar vi deras styrkor ochbegränsningar samtidigt som vi visar hur GPS-data kan integreras med demför att identifiera nyckelfaktorer som påverkar cyklisters ruttval.

Artikel 4 utvidgar perspektivet genom att inkludera GPS-data tillsammansmed sociodemografisk information för att undersöka cykelbeteenden,särskilt i ett gränsöverskridande sammanhang. Data samlades in från trestäder: Braga, Istanbul och Tallinn. Fokus ligger på restid: Vad är dengenomsnittliga restiden och variationen i restid för cyklister i olika städer?Hur påverkar faktorer som ålder och kön restiden? Finns det skillnadermellan olika städer?

Restid är en avgörande variabel inom modeller för reseefterfrågan, men ännumer så för cyklister, eftersom de inte alltid prioriterar hastighet. En längreresa är inte nödvändigtvis sämre; den kan till och med föredras om detvkortare alternativet är mer ansträngande. Nya datakällor som GPS-spår,insamlade under flera månader i tre olika städer, ger möjligheten att förstådessa komplexa och jämförande beteendemönster.

Cykling understryker inte bara värdet av tid utan också kvaliteten påtiden som spenderas på aktiviteten. Det är i detta sammanhang sommodellering av restid blir särskilt viktig att undersöka. Genom att användaen överlevnadsanalytisk metod, specifikt Latent Class Accelerated FailureTime (LCAFT)-modellen, visar Artikel 4 hur distans, resans syfte ochcykeltyp påverkar cyklisters restid och identifierar potentiella latenta klasserinom olika åldersgrupper och kön.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-362077