Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

Analysis of Public Transport Data: Building an Open-Source Library in R

Alternativ tittel: Analyser av kollektivdata: Utvikling av et åpent kodebibliotek i R

Tildelt: kr 12,0 mill.

I forskningsprosjektet APT-R skal vi utvikle nye metoder og verktøy som gjør det enklere for kollektivselskap å hente innsikt fra sensordata. Kollektivkjøretøy samler daglig inn store mengder automatiske data. Det er disse automatiske kollektivdataene som gjør det mulig å gi passasjerene sanntidsinformasjon. Dataene lagres også av kollektivselskapene, og dette åpner opp for å bruke maskinlæring til å bygge kunnskap og gjøre prediksjoner. Kollektivtrafikken er en viktig brikke i et bærekraftig transportsystem. For å redusere klimagassutslipp og lokal luftforurensing er det derfor ønskelig at flere reiser kollektivt. En virkning av covid-19 pandemien er derimot at færre reiser kollektivt, samtidig som biltrafikken har økt til et høyere nivå enn før pandemien. Hvordan blir utviklingen videre? For å kunne planlegge bedre, tilpasse seg endringer, og sørge for at kollektivtilbudet er både attraktivt og effektivt, er det viktig for kollektivselskapene å kunne utnytte potensialet som ligger i de store automatiske sensordatasettene. Gjennom et samarbeid mellom forskere innen statistikk, maskinlæring og transport, og aktører fra kollektivsektoren, skal vi forske fram metoder som gir kollektivselskap ny innsikt i reisemønstre og egenskaper ved kollektivsystemet. Vi skal utvikle et verktøy, et åpent kodebibliotek i programmeringsspråket R, som har metoder spesielt utviklet for automatiske kollektivdata. Slike datasett har både en romlig dimensjon og en tidsdimensjon. Hvert stopp med buss (eller trikk, t-bane, tog, etc.) genererer én ny dataregistrering med antall passasjerer som går av og på, og den faktiske ankomst- og avgangstiden. Dette gir mulighet for en rekke detaljerte analyser og med moderne statistiske metoder for rom-tid data vil vi modellere både passasjerstrømmer, trafikkflyt og forsinkelse. APT-R er et samarbeid mellom Transportøkonomisk institutt, NTNU, Norsk Regnesentral, og kollektivpartnerne Entur, Kolumbus og AtB.

The key role of public transport in a sustainable transport system is explicitly acknowledged in UN SDG 11.2 and in the National Climate Plan. The national zero-growth goal state that all growth in urban passenger transport should be by the modes walking, cycling and public transport. Last year, the COVID-19 pandemic put an abrupt stop to the steady increase in public transport trips seen over the past decade. This has been inevitable when the recommendation has been to avoid public transport if possible. The pertinent question, however, is whether people will fully return to the public transport system after the pandemic, and if, and in what ways, mobility demand and travel behaviour have changed. In the years to come, data-driven learning, monitoring, planning, and prediction will be important for the public transport sector to balance supply with demand and operate efficient and attractive services for the citizens. Today, most public transport authorities (PTAs) collect large-scale automated passenger counts and vehicle location data. APC-AVL data enables real-time information to the passengers, but the detailed sensor data also provide insights into actual travel behaviour and system performance. Archived APC-AVL data has a great and untapped potential to help PTAs build evidence-based grounds for their planning and operation decisions. The APT-R project will bring together researchers focusing on the development of machine learning methods, with applied transport researchers and practitioners from the domain of public transport to explore new methods and models for leveraging insights from APC-AVL data. The project will develop novel machine learning methods for large-scale space-time network data and build an open-source R-package tailored for APC-AVL data. The R-package will serve as a toolkit for professionals from the public transport sector and be a platform for research and innovation in the fields of transport, statistics, and machine learning.

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon

Temaer og emner

GrunnforskningPortefølje Energi, transport og lavutslippDelportefølje Samfunnssikkerhet, sårbarhet og risikoPolitikk- og forvaltningsområderDigitaliseringIKT forskningsområdeKunstig intelligens, maskinlæring og dataanalyseIKT forskningsområdeProgramvarer og tjenesterIKT forskningsområdeVisualisering og brukergrensesnittDigitalisering og bruk av IKTPrivat sektorFornyelse og innovasjon i offentlig sektorPolitikk- og forvaltningsområderAnvendt forskningInternasjonaliseringInternasjonalt prosjektsamarbeidLTP2 Samfunnsikkerhet, sårbarhet og konfliktLTP2 Utvikle fagmiljøer av fremragende kvalitetPortefølje Muliggjørende teknologierSamfunnssikkerhetLTP2 Styrket konkurransekraft og innovasjonsevneByPolitikk- og forvaltningsområderSamferdsel og kommunikasjonTransport og mobilitetPortefølje Industri og tjenestenæringerDigitalisering og bruk av IKTOffentlig sektorFornyelse og innovasjon i offentlig sektorInnovasjonsprosjekter og prosjekter med forpliktende brukermedvirkningPolitikk- og forvaltningsområderForskningFNs BærekraftsmålBransjer og næringerTransport og samferdselLTP2 Innovasjon i stat og kommuneDigitalisering og bruk av IKTIKT forskningsområdeBransjer og næringerIKT-næringenLTP2 Bærekraftige byregioner og transportsystemerPortefølje Demokrati, styring og fornyelsePortefølje Naturvitenskap og teknologiLTP2 Et kunnskapsintensivt næringsliv i hele landetLTP2 Samfunnssikkerhet og samhørighetCovid19InternasjonaliseringLTP2 Klima, miljø og miljøvennlig energiLTP2 Fagmiljøer og talenterLTP2 Muliggjørende og industrielle teknologierLTP2 IKT og digital transformasjonBransjer og næringerFNs BærekraftsmålMål 11 Bærekraftig byer og samfunnTjenesterettet FoU