Identifiera färdmedel för delresor - vid analys av rörelse med hjälp av mobildata
| Diarienummer | |
| Koordinator | Commuter Computing AB |
| Bidrag från Vinnova | 1 282 000 kronor |
| Projektets löptid | december 2023 - mars 2025 |
| Status | Avslutat |
| Utlysning | Strategiska innovationsprogrammet Drive Sweden |
Viktiga resultat som projektet gav
Projektet nådde inte målet att skapa en självlärande AI-modell för färdmedelsidentifiering. Modellhypotesen visade sig identifiera statistiska artefakter snarare än verkliga hastighetsprofiler. Dock utvecklades en alternativ metod med reseplanerare som stöd vid annotering, som används kommersiellt och utvärderas av Stockholms stad för Miljözon 3. Projektet ledde till ett fortsättningsprojekt initierat av Trafikverket och identifierade värdefulla insikter kring resekedjebaserad analys.
Långsiktiga effekter som förväntas
Insikter och nya samarbeten skapade i projektet förväntas långsiktigt bidra till förbättrad trafikplanering genom mer kostnadseffektiva och tillförlitliga metoder för färdmedelsidentifiering. Den utvecklade metoden med stöd från reseplanerare kan ersätta eller komplettera traditionella resvaneundersökningar som har sjunkande svarsfrekvenser. Insikterna kring resekedjebaserad analys möjliggör bättre förståelse för resemönster vilket är avgörande för att nå målen om hållbar mobilitet.
Upplägg och genomförande
Projektet följde i stort sett tidsplanen, men vid validering uppstod oväntade utmaningar när modellen visade sig skapa statistiska artefakter snarare än identifiera verkliga hastighetsprofiler. Detta ledde till en tremånaders förlängning för att utforska alternativa metoder med reseplanerare som träningsdata för en KNN-modell. Samarbetet mellan projektparterna fungerade väl trots utmaningarna, vilket gav värdefulla lärdomar och banade väg för fortsatt utveckling i nya projekt.