Transportvanene våre er i rask endring. Vi trenger derfor smartere løsninger for å planlegge fremtidens bytransport. 

Nå har forskere utviklet avanserte modeller som kan simulere hverdagen til en hel bys befolkning. Modellene er basert på hvordan vi faktisk beveger oss fra morgen til kveld.

Maskinlæring og generativ kunstig intelligens kan forutsi reisemønstre. 

Den nye modellen er trent på store mengder data over reisevaner hentet fra kollektivselskapet Ruter. Dette gir innsikt i hvordan vi reiser til og fra jobb, skole, og andre daglige gjøremål. 

Dette kommer frem i en ny rapport fra Transportøkonomisk institutt (TØI). 

Datasimulert modell av virkeligheten

I stedet for kun å se på enkeltreiser kartlegger modellen hele hverdagen til individer – fra første reise om morgenen til den siste på kvelden.

– Dette er pågående arbeid. Vi må få testet mer konkrete problemstillinger og scenarier i felten. Inntil nå har vi brukt dagens situasjon og sett hvordan modellen treffer tilbake i tid, forklarer forskningsleder Stefan Flügel på TØI.

Forskerne går fra et begrenset utvalg av faktiske observasjoner til syntetiske data for hele befolkningen. Med denne metoden får de en mer detaljert og helhetlig fremstilling av hvordan transportbehov oppstår og endrer seg gjennom dagen.

Modellene kan også forutsi hva slags transportmiddel folk velger. Det kan være kollektivt, bil eller sykkel. Valg av transportmiddel blir analysert sammen med faktorer som bosted, sysselsetting, tilgang til bil og bruk av hjemmekontor og andre egenskaper ved reisen, som reisetidspunkt og hensikt for reise.

Skal kunne teste fremtidig transport i norske byer

– Vi har forsøkt å gjenskape adferden til individer under pandemien. Nå har vi lyst til å forutsi reiser for 2025 og se hvor godt våre modeller treffer, forklarer Flügel.

Arbeidet ansees som et viktig steg for norsk transportplanlegging. 

Forskerne jobber videre i år med å gjøre systemet mer brukervennlig. Målet er at systemet kan blir brukt av planleggere og beslutningstakere for å teste ulike scenarier. Resultatene kan føre til bedre valg for forbedring og videreutvikling av transport i norske byer. 

Rapporten er en del av PRELONG-prosjektet og finansiert av Norges Forskningsråd og Statens Vegvesen.

Referanse:

Stefan Flügel mfl.: Towards activity-based demand modelling for the Greater Oslo Area - Using machine learning to predict travel mode choice and activity plans. TØI rapport 2065/2024. 

Artikkelen er produsert og finansiert av Transportøkonomisk institutt

Transportøkonomisk institutt er én av over 80 eiere av forskning.no. Deres kommunikasjonsansatte leverer innhold til forskning.no. Vi merker dette innholdet for å tydelig skille formidling fra uavhengig redaksjonelt stoff. Her kan du lese mer om ordningen.

Les også disse sakene fra Transportøkonomisk institutt

• 

  Ny rapport: Halvparten av dødsulykkene i trafikken involverer sjåfører på jobb

• 

  Ny rapport: Én av fem som reiser med fly innenriks, er utenlandske

• 

  Ny rapport: Kollektivtilbudet har blitt dårligere flere steder

• 

  De som tjener mest, får best utbytte av Fornebubanen

• 

  Ny studie: Folk liker subsidier bedre enn avgifter

• 

  Forskere overrasket over hvor få ungdommer som kjøres til skolen

Se flere saker fra Transportøkonomisk institutt her

forskning.no vil gjerne høre fra deg!

Har du en tilbakemelding, spørsmål, ros eller kritikk? TA KONTAKT HER