Public transport plays a vital role in society as the economy, the degree of sustainability and the qualityof life of a city is directly affected by transportation. A shift in modal share towards public transport isassociated with many benefits such as increased air quality and improved space allocation within thecity. To further promote public transport, an appropriate measure of competitiveness is required toevaluate the impact of past and future transport policies. This study introduces the journeys per capitaratio as a new way of measuring public transport competitiveness. Firstly, the key factors affecting thepublic transportation usage rate expressed as the journeys per capita ratio are identified to evaluatethe impact of public transport provider efforts. For this purpose, data for a total of 32 explanatoryvariables and a scope of 218 regions for seven consecutive time frames are collected. Secondly,geographically weighted regression (GWR) – a local regression-based spatial analysis technique – isperformed to test if the journeys per capita ratio is a suitable target variable to predict the impact ofcertain transport supply changes. A traditional global ordinary least square (OLS) model is conductedas well to compare if a local model could be more beneficial. The GWR and the OLS model are trainedwith the data of previous years and tested with data from the consecutive following years. Thirdly,further temporal and socio-economic based cluster analyses are performed to assess the validity andthe explanatory power of the journeys per capita ratio. The conducted analyses reveal that thejourneys per capita ratio is a superior measure for assessing public transport competitiveness.Goodness of fit statistics and estimation results demonstrate that the GWR model has betterprediction accuracy and is more capable of retrospectively predicting the impact of previous transportpolicies. / Kollektivtrafiken har en avgörande roll i samhället då ekonomin, graden av hållbarhet och städerslivskvalité är direkt påverkad av transport. En förändring av transportanvändning från bil motkollektivtrafik är förknippad med flera fördelar, såsom ökad luftkvalitet och förbättrad rumsligallokering inom staden. För att ytterligare främja kollektivtrafik krävs ett lämpligt mått påkonkurrenskraft för att utvärdera effekterna av tidigare och framtida transportpolitik. Den här studienintroducerar resor per capita-förhållanden som ett nytt sätt att mäta kollektivtransportenskonkurrenskraft. För det första identifieras nyckelfaktorerna som påverkar användningsgraden förkollektivtrafik, uttryckt som förhållandet resor per capita för att utvärdera effekten avkollektivtrafikleverantörens insatser. För det här syftet har data för totalt 32 variabler och ett omfångav 218 regioner under sju, på varandra, följande tidsramar har samlats in. För det andra har Geografisktviktad regression (GWR), vilket är en lokal regressionsbaserad rumslig analysteknik, använts för atttesta om resor per capita-förhållanden är en lämplig målvariabel för att förutsäga effekterna av vissatransportförändringar. En traditionell Global ordinary least square model (OLS) har också använts föratt jämföra om en lokal modell är mer fördelaktig. GWR och OLS modellerna har tränats med data fråntidigare år och testats med data från följande år. För det tredje har ytterligare tidsmässigsocioekonomisk baserad klusteranalys utförts för att bedöma validiteten och förklaringsförmågan förresornas förhållande per capita. De genomförda analyserna pekar på att förhållandet resor per capitaär ett fördelaktigt mått för att bedöma kollektivtrafikens konkurrenskraft. Goodness of fit statistics ochde uppskattade resultaten visar att GWR-modellen har en bättre förmåga att göra noggrannaförutsägelser och är mer kapabel att i efterhand förutsäga effekterna av tidigare transportpolitik.

Efficient public transport planning, operations, and control rely on a deep understanding of human mobility in urban areas. The availability of extensive and diverse mobility data sources, such as smart card data and GPS data, provides opportunities to quantitatively study individual behavior and collective mobility patterns. However, analyzing and organizing these vast amounts of data is a challenging task. The Knowledge Graph (KG) is a graph-based method for knowledge representation and organization that has been successfully applied in various applications, yet the applications of KG in urban mobility are still limited. To further utilize the mobility data and explore human mobility patterns, the included papers constructed the Mobility Knowledge Graph (MKG), a general learning framework, and demonstrated its potential applications in public transport. Paper I introduces the concept of MKG and proposes a learning framework to construct MKG from smart card data in public transport networks. The framework captures the spatiotemporal travel pattern correlations between stations using both rule-based linear decomposition and neural network-based nonlinear decomposition methods. The paper validates the MKG construction framework and explores the value of MKG in predicting individual trip destinations using only tap-in records. Paper II proposes an application of user-station attention estimation to understand human mobility in urban areas, which facilitates downstream applications such as individual mobility prediction and location recommendation. To estimate the 'real' user-station attention from station visit counts data, the paper proposes a matrix decomposition method that captures both user similarity and station-station relations using the mobility knowledge graph (MKG). A neural network-based nonlinear decomposition approach was used to extract  MKG relations capturing the latent spatiotemporal travel dependencies. The proposed framework is validated using synthetic and real-world data, demonstrating its significant value in contributing to user-station attention inference. / Effektiv planering, drift och kontroll av kollektivtrafik är beroende av end jup förståelse för mänsklig rörlighet i stadsområden. Tillgången till omfattande och varierande källor av rörlighetsdata, såsom data från smarta kort och GPS-data, ger möjligheter att kvantitativt studera individuellt beteende och kollektiva rörlighetsmönster. Att analysera och organisera dessa stora mängder data är dock en utmanande uppgift. Kunskapsgrafen (KG) är en grafba serad metod för kunskapsrepresentation och organisering som har tillämpats framgångsrikt inom olika områden, men användningen av KG inom urbana rörlighetsområden är fortfarande begränsad. För att ytterligare utnyttja rörlighetsdata och utforska mänskliga rörlighetsmönster har de inkluderade artiklarna konstruerat Mobility Knowledge Graph (MKG), en allmän inlärningsram, och visat dess potentiella tillämpningar inom kollektivtrafiken. Artikel I introducerar begreppet MKG och föreslår en inlärningsram för att konstruera MKG från data från smarta kort i kollektivtrafiknätverk. Ramverket fångar de rumsligt-temporala resmönstersambanden mellan stationer genom att använda både regelbaserade linjära dekomponeringsmetoder och neurala nätverksbaserade icke-linjära dekomponeringsmetoder. Artikeln validerar MKG-konstruktionsramverket och utforskar värdet av MKG för att förutsäga enskilda resmål med endast tap-in-register. Artikel II föreslår en tillämpning av uppskattning av användar-stations uppmärksamhet för att förstå mänsklig rörlighet i stadsområden, vilket underlättar efterföljande tillämpningar såsom individuell rörlighetsförutsägelse och platsrekommendationer. För att uppskatta den ’verkliga’ användar-stations uppmärksamheten från data om besöksantal på stationer föreslår artikeln en matrisdekomponeringsmetod som fångar både användarlikhet och station-stationsrelationer med hjälp av Mobility Knowledge Graph (MKG). En neural nätverksbaserad icke-linjär dekomponeringsmetod användes för att extrahera MKG-relationer som fångar de latenta rumsligt-temporala resberoendena. Det föreslagna ramverket valideras med hjälp av syntetiska och verkliga data och visar på dess betydande värde för att bidra till inferens av användar-stationsuppmärksamhet. / <p>QC231116</p>

No description available.