Multimodal Reisemønsteranalyse

Bakgrunn Å lage gode og dynamiske mobilitetssystemer krever god statistikk over hvor folk ferdes og deres reisevaner. Det eksisterer ingen generelle, fullautomatiske og kostnadseffektive løsning for dette på verdensmarkedet i dag. Tradisjonelt har kollektivselskaper fått informasjon om påstigninger via billettsystem og sjåførtellinger. Etter hvert som mobil billettering og åpne systemer har fått økt utbredelse, har registreringer fra billettsystem fått stadig høyere usikkerhet. Mange selskaper har de senere år installert Automatic Passenger Counting-systemer (APC) i sine kjøretøy. Disse detekterer ganske nøyaktige antall på-/avstigninger på hver holdeplass. Reisemønster kan representeres med en såkalt "origin-destination" (OD) matrise. Denne angir hvor mange passasjerer som reiser fra en holdeplass og hvor de går av, men ingen av de ovenfor nevnte løsningene gir informasjon om fra og til, det vil si elementene i OD-matrisen. Å vite om overganger og bruk av forskjellige mobilitetsmodi kan heller ikke detekteres med dagens løsninger. F.eks. gir APC på kollektivtrafikk ikke gi data på om passasjeren benytter seg av andre mobilitetstilbud som f.eks. bysykkeltilbud kombinert med buss. De gir således ingen ende-til-ende informasjon for multimodale reiser. Målsetningen med MultiRA-prosjektet er å beregne elementene i OD-matrisen for reiser ink. bytter mellom forskjellige transportmodi. Løsningen baserer seg på innsamling og analyse av sensordata fra elektroniske enheter, i tillegg til data fra andre kilder som måtte være tilgjengelig, som APC-data og sanntidsdata. Statistiske algoritmer og maskinlæringsalgoritmer vil bli benyttet for å beregne og predikere reisemønster og passasjerflyt med høy nøyaktighet for hele det multimodale transportsystemet. Oppnådde resultater Løsningen utviklet baserer seg delvis på innsamling og anonymisering av WiFi-pakker fra mobile enheter. I de siste årene har det vært en utvikling mot økt randomisering av adresser for enheter ikke tilknyttet et WiFi-aksesspunkt, av personvernhensyn. Dermed viser det seg at det er mye mer utfordrende nå å benytte seg av WiFi-pakker sendt fra mobile enheter som eneste kilde til å estimere OD-matriser. Prosjektet konkluderer likevel med at slike data alene kan gi gode resultater for andre brukssituasjoner enn kun det å beregne OD-matrisen, som f.eks. statistikk på last og endring av last over tid. Prosjektets tilnærming i å benytte WiFi-pakker sammen med andre data som f.eks. APC-data viste seg å gi gode resultater på beregning av reisemønster, og man har derfor hatt stort fokus på dette. I prosjektet har man gjort et godt arbeid i å strømlinjeforme datainnsamlingen. En ny, robust WiFi-data "collector" som leverer data i en komprimert format er utviklet, noe som også reduserer mobildata fra kjøretøyene. Total er det samlet inn ca. 5,4 milliarder WiFi-events. Det er laget prosesser og algoritmer for å analysere data sett i sammenheng med APC, GNSS og WiFi-data, i tillegg til rutenettverksdata. Med disse algoritmene kan man altså generere en svært presis OD-matrise. Mye arbeid har gått med til å generalisere disse algoritmene og gjøre dem mer robuste mot feilaktige inputdata. Prosesserte data er så lagret i en database og tilgjengeliggjort via et API. På toppen av API-er det laget et GUI for presentasjon av ferdig analyserte data. Her vises reisemønster basert på hver lokasjon. Ved å velge en holdeplass får man antall inn, ut og antall som reiser videre, for hvert enkelt stopp. Interaksjonen med busstoppen i kartet viser hvor den avstigende passasjerene kom fra, hvor de reiser til, eller begge deler. En initiell algoritme for å estimere tohopps-reiser er utviklet: Først detekteres enkelthopp-reiser. Deretter estimeres tohopps basert på distanse og tidsintervall mellom avstignings- og påstigningsholdeplassene til de detekterte enkelthopp-reisene, samt retning på de to hoppene. Basert på de estimerte reisene kan ende-til-ende OD-matriser for hele rutenettet, inkludert overganger estimeres. Prosjektet har gitt anledning til å følge hvordan kommunikasjonsenheter som mobiltelefoner stadig utvikles for å bedre personvernet ved å gjøre det vanskeligere å følge enheter. Dette har mange positive konsekvenser, men har som alt annet også noen mindre heldige. Økt innsikt i hvordan man kan benytte mobile enheter til å innhente nyttig informasjon og statistikk knyttet til mobilitet, samtidig som at man ivaretar personvernet fullt ut, innenfor rammene av en teknologi som er i stadig endring har vært verdifullt. Denne kompetansen kan også nyttiggjøres innen andre domener enn mobilitet. Den tekniske løsningen blir videreutviklet i det Innovasjon Norge-støttede prosjektet Digital Destinasjon, der teknologien utvides til å inkludere "fri flyt"-reisemønster i et område (i prosjektet er det Geilo) for å måle flyt av folk og turister uten å være bundet til faste lokasjoner som i et transportnettverk.

Prosjektet har vist at løsningen kan brukes til å generere en antatt svært korrekt O/D-matrise. Med tilgang til denne kan brukerne av løsningen oppnå de mål virkninger og effekter som er beskrevet i søknaden.

Prosjektets overordnete mål er å utvikle og pilotere et system som frembringer ny og forbedret statistikk over folks reisemønster. Systemet baserer seg på innsamling av Wi-Fi trafikkdata ved hjelp av Wi-Fi monitorer installert i busser, på ferjer og ved stativer for bysykler, i tillegg til informasjon fra andre kilder som måtte være tilgjengelig som APC data og sanntidsdata. Statistiske algoritmer og maskinlæringsalgoritmer vil bli benyttet for å beregne og prediktere reisemønster og passasjerflyt. En storskala pilot som skal implementeres i Stavanger vil være sentral i prosjektet, og prosjektet vil adressere flere forskningsutfordringer. 1) Innsamling, anonymisering og kvalitetssikring av store datamengder må gjøres på en effektiv måte og tilpasset integrering med data fra andre kilder og videre statistisk prosessering. 2) Statistiske algoritmer må utvikles for å beregne statistikk for reiser med overganger, der ulike typer kollektivtransport benyttes, og der kollektivtrafikk benyttes sammen med tilbud om leie av bysykler. 3) Maskinlæringsalgoritmer vil benyttes for å prediktere reisemønster basert på trening med innsamlete data. 4) Applikasjoner som benytter seg av statistikken skal utvikles. 5) Hvordan eierskap til den type data og statistikk som dette prosjektet generer kan inngå i ulike aktørers forretningsmodell vil utredes. Informasjonen som frembringes av prosjektet vil ha stor nytteverdi for å kunne tilpasse transportløsninger til tilgjengelig kapasitet og etterspørsel gjennom optimalisering av rutenett, forbedrete informasjonstjenester for passasjerer og utvikling av fremtidsrettete transporttjenester.