I kollektivtrafiken uppstår det ofta förseningar. Det kan skapa frustration hos kollektivtrafikanvändarna som planerat en resa som innehåller byten och de missar anslutningen för att turen till bytespunkten ankom sent. Detta arbete har som syfte att skapa en ruttplaneringsalgoritm för kollektivtrafikanvändarna som löser det pålitliga ruttproblemet genom att planera pålitliga och attraktiva rutter i kollektivtrafiken. Denna ruttplaneringsalgoritm är intressant för användaren för att denne med viss säkerhet ska hinna med ett byte i hennes resrutt. Detta kan också vara användbart för en aktör inom kollektivtrafiken när denne vill sätta rätt priser, eller resegarantier för att kunna garantera deras kunder att de kan utföra sina resor som planerat. Algoritmen opererar på ett tidsexpanderande nätverk där noderna representerar både en tid och hållplats. Algoritmen undersöker pålitligheten av de k kortaste rutterna i nätverket. Om någon rutt har ett byte med för kort väntetid så att bytet klassas som opålitligt så genereras en ny väg från bytespunkten så att det finns mer väntetid. Ett byte klassas som opålitligt då den förväntade förseningen tillsammans med en minsta bytestid överstiger väntetiden på hållplatsen. Den kortaste av de pålitliga rutterna som algoritmen har hittat presenteras för användaren. Om restiden för en pålitlig rutt är för lång så blir den resan oattraktiv för en kollektivtrafikanvändare och då väljs den snabbaste av de opålitliga rutterna istället att presenteras för användaren. För att testa algoritmen så byggdes först ett nätverk av tidtabellsdata för kollektivtrafiken i Norrköping. Därefter valdes fyra testresor ut som algoritmen skulle få testas på. Start och sluthållplatserna för testresorna hade olika ankomst- och avgångsfrekvenser. Ett antal experiment konstruerades där olika parametrar och resor skulle variera för att kunna analysera hur algoritmen planerade resor därefter. Två olika lognormala fördelningsfunktioner på ankomstförsening testades, konfidensgrader, en parameter Y som anger hur mycket längre en pålitlig rutt får vara än den sabbaste opålitliga rutten. Samt en parameter K som anger hur många rutter algoritmen ska undersöka. Konfidensgraderna användes på de lognormala fördelningsfunktionerna för att få ut en förväntad försening till en bytespunkt. Den ena fördelningsfunktionen gav kortare förväntad försening än den andra vilket gjorde att restiderna blev kortare för den ena än för den andra. Med en högre konfidensgrad så blev restiderna i genomsnitt längre förutom några undantagsfall, vilket berodde på hur algoritmen söker resor i nätverket. Med ett högre värde på Y så accepterades högre restider för pålitliga rutter. I vissa fall spelade inte Y någon roll eftersom algoritmen lyckades hitta pålitliga rutter som hade samma restid som den snabbaste opålitliga rutten. Slutligen, i experimenten av K blev resultatet att de flesta pålitliga resor hittades bland de tio första resorna som algoritmen undersökte

Rapporten undersöker skillnaden mellan vägtransporter och intermodala transporter. Detta görs bland annat genom en totalkostnadsanalys vilket undersöker kostnader relaterade till transportprocessen och även miljöpåverkan genom utsläpp de olika transportmetoderna bidrar med och diskuterar även kringliggande faktorer som påverkar valet av transportmetod. Det visar sig att vägtransporter är det billigare alternativet men de bidrar även med mycket större miljöpåverkan än Intermodala transporter.

Internal logistics is a combined performance of human resources, machines, transportation, and storage system. Thus, different elements and factors are involved in the internal transportation such as human factors and system functions. Moreover, Internal transportation is an important part of production activities because of its close cooperation with production processes. Since the largest portion of the logistics costs is related to transportation, improvements in transportation will lead to a significant increase in profits. The purpose of this thesis is to make improvements in the internal transportation of SSAB. Improvements here means identifying involved wastes in internal transportation, then give recommendations and suggestions to eliminate those wastes. This is a single case study at SSAB Oxelösund. SSAB stands for Svenskt Stål AB formed in 1978 and is well-known because of its special steel products. This company produces steel products for both standard and special orders and uses. All the underproduction plates have to go through a chain of operations to become the finished products. Different operation can be mentioned as cutting, painting, sorting, etc. Material movements in this chain of operations are done with the help of special cassettes and carriers. Cassettes are the main resources intheinternal transportation of SSAB and availability of empty cassettes plays a key role in the whole production process of the company. There are three departments that are involved with internal transportation at SSAB Oxelösund. Four research objectives are designed to cover the purpose of this study. In the following, several interviews and observations are done to collect the qualitative part of data gathering. The quantitative part of data collection is done with exporting data series from company’s database. Theoretical frame work ismainly based on Lean and logistics theories. Analysing the collected data and comparing the results with theoretical frame work lead to identifying the wastes in different areas related to defined research objectives. Different wastes are identified in carriers and drivers’ performances, treatment stations, etc. Therefore, specific recommendations are given based on the identified wastes in order to eliminate those wastes. The recommendations are presented to have faster and optimized material flow. Additionally, areas for further research and an Impact/Effort matrix are provided for future implementations and analysis.

Over the past nine years, the number of travelers traveling through Swedavia’s airports has increased significantly. The increase has placed a high demand on Stockholm Arlanda Airport’s infrastructural capacity. In order to avoid major expenses on the development of the terminal buildings Swedavia has developed a project called “Off Airport Bagdrop”, which gives the travelers the opportunity to leave their luggage at a location outside the airport. This way the number of passengers and luggage in the departure hall at Terminal 5 can be reduced. The thesis examines how the service can be developed, what is needed for it to work as well as which problems must be solved. A process map and a timeline have been created to visualize the luggage handling process and its lead times. With data gathered through interviews and observations, three solutions have been identified. The best solution, with Swedavia’s perspective in mind, has then been selected. The solutions identified in the report are as follows: • A permanent “Off Airport Bagdrop” at Stockholm Central station where travelers in the vicinity of central Stockholm have the possibility to check in their luggage and get it transferred to the airport to then be able to tour the city or run errands. • The long-term parking Alfa and Beta at Arlanda where the travelers who arrive with their cars have the possibility to check in their luggage at the parking lot. This way they can begin their journey more comfortably • A “Pop Up”-service targeting group bookings, events and sport holiday travelers by providing temporary “Drop Off Points” at selected locations. We conclude that the latter alternative, the “Pop Up”-service, solves the capacity problem in the best way. This alternative is also the easiest to implement and captures the large number of passengers and luggage that create the capacity problem at Arlanda.

I dagens samhälle förs omfattande diskussioner kring matsvinn och hur vi bör äta hållbart. I denna studie har orsaken till att det produceras för mycket kyckling på Kronfågel AB undersökts. Syftet med studien var att minska andelen förädlade produkter som inte kan säljas i det ordinarie flödet och därmed registreras som ”gamla varor”. För att kunna genomföra studien identifierades orsakerna till att det produceras för mycket. I dagsläget säljs de produkter som registrerats som ”gamla varor” till reducerade priser till kund, personal eller i sista hand kasseras. Orsakerna till överprodukt kategoriseras i prognosfel, överproduktion samt plockfel. Utifrån de orsakerna föreslogs förändringar som minskar det matsvinn som uppstår när kycklingen inte kan säljas till butiker till ordinarie priser. Kronfågel arbetar i dagsläget med prognoser på de förädlade produkterna och anledningen till detta är att kundorderpunkten är placerad sent i försörjningskedjan. Det gör att de inte kan anpassa produktionen efter den faktiska ordervolymen. Intervjuer har genomförts med de anställda på Kronfågel och för att få allas tankar och åsikter kring orsaken till att ”gamla varor” uppstår intervjuades ansvariga personer i de olika processerna. Vidare genomfördes observationer för att skapa en uppfattning av verksamheten samt identifiera relevanta och realistiska orsaker till problemet. Slutligen sammanställdes data från Kronfågels interna system för att kunna bevisa de teorier personalen som intervjuades framförde. Denna data användes även för att identifiera vilken process som genererade flest ”gamla varor” samt att illustrera olika typer av problem som finns i verksamheten idag. Resultatet av studien var att det finns flera olika orsaker till att produkter registreras som ”gamla varor”. Den stora faktorn var prognosfel som beror på kundernas osäkra efterfrågan. Då de förädlade produkterna har en hållbarhet på 31 dagar finns det möjlighet för kund att köpa in och lagerhålla produkterna, vilket kan vara orsaken till att ordervolymen är ojämn. Det leder till att det är svårt att framställa optimala prognoser och oftast skiljer de sig från den verkliga efterfrågan. Andra resultat som studien visade är att produktionen ibland producerar mer än planerat, vilket leder till att batchen blir större än det förväntade behovet. Det förekommer även felplock vid utlastningen, vilket innebär att de plockar senare datum än det äldsta som finns på lager. Orsaken till detta är platsbrist kombinerat med dålig ordning vid utlastningen i dagsläget. Det presenteras både kortsiktiga och långsiktiga förändringsförslag, de långsiktiga förslagen gör att det kan krävas samarbete med externa parter som påverkar möjligheten att genomföra vissa förändringar. Rekommendationen var att i första hand påbörja förhandling med de stora kunderna, som är ICA, Coop and Axfood, kring att flytta kundorderpunkten. Detta för att i större utsträckning möjliggöra produktion mot order istället för prognos. Denna rekommendation grundar sig i att den överlägset största orsaken till gamla varor är prognosfel, vilket gör att även om förändringarna genomförs internt kommer problematiken kvarstå. Parallellt med arbetet kring de externa förändringarna bör Kronfågel förbättra den interna verksamheten genom att omorganisera utlastningen i syfte att skapa förutsättningar att plocka rätt datum. Vidare bör de installera en våg vid vattenskäraren för att minska tillfällena då produktionen producerar mer än planerat. Slutligen krävs det att kommunikationen förbättras inom verksamheten, för att skapa en förståelse för sina kollegors arbetsuppgifter och på så sätt kunna genomföra sitt arbete på ett bättre sätt. Detta minskar osämja samt skapar förståelse för var problemet finns och på så sätt kunna fokusera på förbättringsarbete.

En effektiv lagerstyrning handlar om att erbjuda god service till så låg kostnad som möjligt. Detta kan dock vara svårt att uppnå när olika typer av produkter med olika lageromsättningshastighet lagerhålls. Ett sätt att angripa detta problem är att styra olika produktgrupper på olika sätt genom att klassificera produkterna. Fiskeby Board AB är ett svenskt pappersbruk som tillverkar förpackningskartong av 100 % returfiber. Produktionen på Fiskeby är orderstyrd och kontinuerlig vilket innebär att inflödet av kundspecifik kartong till lagret är konstant. Kunderna tillåts lagerhålla godset under en viss tid utan avgift och lagerhållningen sker antingen i Fiskebys färdigvarulager Bruket eller i lagret som Fiskeby hyr i Hamnen. Problemet är att avsaknaden av konsekvent lagerstyrning mellan lagren. Fiskeby vill därför klassificera sina kunder för att bättre styra materialflödet från produktion till kund. För att göra detta behövde viktiga parametrar identifieras som är avgörande för var kartongen borde lagerhållas. Vidare behövde karaktäristiken på de två lagren utredas för att avgöra vilken klass som är bäst lämpad för respektive lager. Tre kriterier, vilka är av störst betydelse för var gods ska lagerhållas, identifierades; Kvantitet, Liggtid samt Arkformat. Kvantiteten har analyserats i två ABC-analyser baserat på total ordervolym under perioden samt genomsnittlig ordervikt. ABC-analyserna kombinerades sedan till ett underlag. Liggtiden analyserades i en XYZ-analys baserad på genomsnittlig liggtid med tillhörande variation. Arkformat är viktigt ur ett hanteringsperspektiv och analyserades som ett komplement till de andra analyserna för att kunna avgöra en gräns mellan små och stora arkformat. Vidare har de tre kriterierna använts i en flerkriterieanalys som även utgör en beslutsmodell för var gods är mest lämpat att lagras.

Flygbranschen besitter stora innovativa kunskaper och är dessutom en väsentlig bransch för framtidens tekniska utveckling. För att flygbolagen ska kunna bedriva sin verksamhet finns det tre huvudaspekter som måste planeras och övervakas för att uppnå en operativ effektivitet. De tre aspekterna är: flygbesättning, flygplan och passagerare. Den näst största kostnaden för majoriteten av flygbolagen är besättningen, därför är planering av effektiva och robusta scheman en viktig del för lönsamheten hos flygbolaget. Ett gynnsamt schema för flygbesättningen ska minimera kostnaden för personalen och samtidigt vara robust. Scandinavian Airlines (SAS) är ett skandinaviskt flygbolag som i nuläget använder sig av optimeringsverktyget Crew management system (CMS) för att schemalägga flygbesättningen på samtliga flygningar. Crew Planning-avdelningen är den övergripande avdelningen där all schemaläggning av flygbesättningen sker. Inom Crew Planning finns avdelningen Crew Optimization som skapar månatliga scheman för 5000 piloter och Cabin Crew som varje månad bemannar över 24 000 flygningar. Syftet med examensarbetet är att framställa en metodik för att jämföra flera nyckeltal samtidigt. Nyckeltalen utvärderar schemats prestanda och ger schemaläggaren en inblick i dess styrkor och svagheter. SAS intresserar sig av att veta vart trade-off punkterna ligger för dessa nyckeltal inklusive att finna punkten som är optimal. Punkten som anses vara optimal har en parameterinställning där samtliga nyckeltal har ett så förmånligt värde som möjligt. Resultatet av jämförelsen ska förevisa om modellen är optimalt inställd utefter dessa preferenser. I studien inkluderas en regressionsanalys och en nyckeltalsanalys som studerar de utvalda nyckeltalen Duty days som innefattar produktionsdagar, Absolute Fatigue Risk som innebär risken för utmattning och Aircraft changes som mäter antal flygplansbyten. För att möjliggöra analysen har parametrarna Fatigue penalty och Aircraft changes penalty valts ut för att studera effekten på de olika nyckeltalen när inställningen på parametrarna förändras. Varje nyckeltal är sammankopplat med en parameter i CMS. Schemaläggning är en komplex uppgift att genomföra då robusta scheman inte alltid är de mest kostnadseffektiva. Vad som då uppstår mellan de olika faktorerna är trade-off punkter. Trade-off punkt är den punkt där båda nyckeltalen har ett så gynnsamt värde som möjligt innan ett av nyckeltal börjar påverkas negativt av de andra nyckeltalets positiva utveckling. För att jämföra de tre nyckeltalen samtidigt har olika körningar i optimeringsverktyget CMS genomförts med olika inställningar på de utvalda parametrarna. Utdata från nyckeltalen har standardiserats och sedan tillämpades Pythagoras sats för att lokalisera den optimala punkten. Det rekommenderas att SAS framställer ett nyckeltal för robusthet och undersöker möjligheten att mäta nyckeltalen i en form av en kostnad.

Emergency services has a vital function in society, and except saving lifes a functioning emergency service system provides the inhabitants of any give society with a sence of feeling secure. Because of the delicate nature of the services provided there is always an interest in improvement with regards to the performance of the system. In order to have a good system there are a variety of models that can be used as decision making support. An important component in many of these models are the travel time of an emergency vehicle. In In this study the focus lies in travel time estimation for the emergency services and how it could be estimated by using a neural network, called a deep learning process in this report. The data used in the report is map matched GPS points that have been collected by the emergency services in two counties in Sweden, Östergötland and Västergötland. The map matched data has then been matched with NVDB, which is the the national road database, adding an extra layer of information, such as roadlink geometry, number of roundabouts etc. To find the most important features to use as input in the developed model a Pearson and Spearman correlation test was performed. Even if these two tests do not capture all possible relations between features they still give an indication of what features that can be included. The deep learning process developed within this study uses route length, average weighted speed limit, resource category, and road width. It is trained with 75% of the data leaving the remaining 25% for testing of the model. The DLP gives a mean absolute error of 51.39 when trained and 59.21 seconds when presented with new data. This in comparison a simpler model which calculates the travel time by dividing the route length with the weighted averag speed limt, which gives a mean absolute error of 227.48 seconds. According to the error metrics used in order to evaluate the models the DLP performs better than the current model. However there is a dimension of complexity with the DLP which makes it sort of a black box where something goes in and out comes an estimated travel time. If the aim is to have a more comprehensive model, then the current model has its benefits over a DLP. However the potential that lies in using a DLP is entruiging, and with a more in depth analysis of features and how to classify these in combination with more data there may be room for developing more complex DLPs.

The consequences of traffic congestion include increased travel time, fuel consumption, and the number of crashes. Studies suggest that most traffic delays are due to nonrecurring traffic congestion. Adaptive traffic control using real-time data is effective in dealing with nonrecurring traffic congestion. Many adaptive traffic control algorithms used today are deterministic and prone to human error and limitation. Reinforcement learning allows the development of an optimal traffic control policy in an unsupervised manner. We have implemented a reinforcement learning algorithm that only requires information about the number of vehicles and the mean speed of each incoming road to streamline traffic in a four-way intersection. The reinforcement learning algorithm is evaluated against a deterministic algorithm and a fixed-time control schedule. Furthermore, it was tested whether reinforcement learning can be trained to prioritize emergency vehicles while maintaining good traffic flow. The reinforcement learning algorithm obtains a lower average time in the system than the deterministic algorithm in eight out of nine experiments. Moreover, the reinforcement learning algorithm achieves a lower average time in the system than the fixed-time schedule in all experiments. At best, the reinforcement learning algorithm performs 13% better than the deterministic algorithm and 39% better than the fixed-time schedule. Moreover, the reinforcement learning algorithm could prioritize emergency vehicles while maintaining good traffic flow.

Stockholmsregionen växer sig allt större och efterfrågan på bostäder är hög. Järntorget är ett företag vars kärnverksamhet består av bostadsutveckling, speciellt i attraktiva storstadslägen. Att Järntorget väljer att bygga i attraktiva storstadslägen leder till att många av byggprojekten är lokaliserade i områden med redan tät bebyggelse. Den täta bebyggelsen leder till logistiska problem i form av begränsade utrymmen att leverera och lagra material på. Logistik handlar om att få rätt material på rätt plats, i rätt tid och till rätt kostnad. I den här studien studeras projektet Klarbäret. Klarbäret består av 131 studentlägenheter som ska byggas i centrala Stockholm. Detta leder till att utrymmet är begränsat och det kommer att ställas höga krav på logistiken. Syftet med studien var att identifiera en lämplig logistiklösning för att minska kostnaderna, underlätta byggprocessen och öka effektiviteten vid byggprocessen. Studiens resultat pekade på att Järntorget borde anlita en logistikansvarig som kan vara med under hela processen och ansvara för logistiken. Det rekommenderas att logistikansvarig använder sig av det framtagna logistikdokumentet. Ytterligare ett förslag om att Järntorget ska använda sig av ett bokningssystem för sina transporter. Bokningssystemet skulle göra det lättare för alla berörda på arbetsplatsen att se när under dagen leveranser är beräknade till platsen och för att få leveranserna bättre sprida över dagen. Gällande transporter till bygget kommer materialet för bland annat stommen att behöva omlastas för att få in mindre lastbilar till byggarbetsplatsen på grund av den rådande BK2 klassningen i Stockholms innerstad. För att kunna genomföra detta rekommenderas att ta in ett TPL företag för att kunna minska transporterna genom samlastning. Eftersom det inte finns lagringsmöjligheter på byggarbetsplatsen behöver så mycket material som möjligt lyftas in i själva huskroppen när stommen för det våningsplanet är färdigställt. Det rekommenderas även att anlita ett TPL företag som kan bära in inredningsmaterial utanför arbetstid för att minska kostnader och öka effektiviteten. Vissa saker kommer inte att kunna lagras och behöver därför levereras när det ska användas. Bland annat betongelementen. Detta leder till att det utmynnar i en typ av JIT-lösning men då enbart för stommaterialet.