The purpose of our thesis was to examine citizens' attitude in a smaller city to new digital innovations, specifically autonomous vehicles and carpools, as well as opinions about citizens' participation. Through a web-based questionnaire, which was distributed on social media, as well as a discussion group on Facebook, an understanding was formed about the human acceptance, motivation factors, views and mobility habits. This was then analyzed to create an understanding of how a citizen dialogue should be conducted in social media. In line with this, we examined whether connections regarding human acceptance of new digital innovations can be affected, depending on how the dialogue is conducted and how much information the citizens are provided with. The result showed a clear relationship between knowledge and attitude, where a little knowledge created a more negative opinion. Other interesting discoveries that were identified, were that people see both problem areas and opportunities with a more digitized society. We also found how the respondents wanted increased participation, and that citizens' views are taken into account and have a clear impact on urban development. Finally, we conclude that the degree of citizens' participation and how the dialogue is conducted, shape their acceptance and understanding of changes in society and mobility solutions. The research area on human acceptance, participation and dialogue on autonomous vehicles and carpools is an emerging area of research. This means that the essay is exploratory which can enable further and more in-depth research. / Syftet med vår uppsats var att undersöka medborgare i en mindre stads inställning till nya digitala innovationer, specifikt autonoma fordon och bilpooler, samt åsikter kring medborgares delaktighet. Genom ett webbaserat frågeformulär, som distribuerades på sociala medier, samt en diskussionsgrupp på Facebook, bildades uppfattning kring människans acceptans, motivationsfaktorer, synpunkter och mobilitetsvanor. Sedan analyserades detta för att skapa en förståelse kring hur en medborgardialog bör föras i sociala medier. I linje med det undersöktes även samband om människans acceptans till nya digitala innovationer påverkas, beroende på hur dialogen förs och hur mycket information medborgarna tillhandahålls. Resultatet visade en tydlig relation mellan kännedom och inställning, där en liten kännedom skapade en mer negativ åsikt. Andra intressanta upptäckter som identifierades var att människor ser både problemområden och möjligheter med ett mer digitaliserat samhälle. Vi fann även att respondenterna önskade en ökad inkludering, samt att medborgares synpunkter beaktas och har en tydlig påverkan inom stadsutveckling. Avslutningsvis drar vi slutsatsen att graden av medborgarnas delaktighet och hur dialogen förs, formar deras acceptans samt förståelse för samhällsomställningar och mobilitetslösningar. Forskningsområdet kring människans acceptans, delaktighet och dialog kring autonoma fordon och bilpooler är ett växande undersökningsområde. Det gör att uppsatsen är explorativ vilket kan möjliggöra ytterligare och en mer djupgående forskning.

Researchers have estimated a 20-percentage point increase in the world’s population residing in urban areas between 2011 and 2050. The increase in denser cities results in opportunities and challenges. Two of the challenges concern sustainability and mobility. With the advancement in technology, smart mobility and car-sharing have emerged as a part of the solution. It has been estimated by research that car-sharing reduces toxic emissions and reduces car ownership, thus decreasing the need for private cars to some extent. Despite being a possible solution to the future’s mobility challenges in urban areas, car-sharing providers suffer from profitability issues. To keep assisting society in the transformation to sustainable mobility alternatives in the future, profitability needs to be reached. Two central challenges to address to reach profitability are user segmentation and demand forecasting. This study focuses on the latter problem and the aim is to understand the demand of different car types and car-sharing users’ individual demands. Quantitative research was conducted, namely, time series analysis and binary classification were selected to answer the research questions. It was concluded that there are a trend, seasonality and residual patterns in the time series capturing bookings per car type per week. However, the patterns were not extensive. Subsequently, a random forest was trained on a data set utilizing moving average feature engineering and consisting of weekly bookings of users having at least 33 journeys during an observation period over 66 weeks (N = 1335705). The final model predicted who is likely to use the service in the upcoming week in an attempt to predict individual demand. In terms of metrics, the random forest achieved a score of .89 in accuracy (both classes), .91 in precision (positive class), .73 in recall (positive class) and .82 in F1-score (positive class). We, therefore, concluded that a machine learning model can predict weekly individual demand fairly well. Future research involves further feature engineering and mapping the predictions to business actions. / Forskare har estimerat att världens befolkning som kommer bo i stadsområden kommer öka med 20 procentenheter. Ökningen av mer tätbeboliga städer medför såväl möjligheter som utmaningar. Två av utmaningarna berör hållbarhet och mobilitet. Med teknologiska framsteg har så kallad smart mobilitet och bildelning blivit en del av lösningen. Annan forskning har visat att bildelning minskar utsläpp av skadliga ämnen och minskar ägandet av bilar, vilket därmed till viss del minskar behovet av privata bilar. Trots att det är en möjlig lösning på framtidens mobilitetsutmaningar och behov i stadsområden, lider bildelningstjänster av lönsamhetsproblem. För att fortsätta bidra till samhället i omställningen till hållbara mobilitetsalternativ i framtiden, så måste lönsamhet nås. Två centrala utmaningar för att uppnå lönsamhet är användarsegmentering och efterfrågeprognoser. Denna studie fokuserar på det sistnämnda problemet. Syftet med studien är att förstå efterfrågan på olika typer av bilar samt individuell efterfrågan hos bildelninganvändare. Kvantitativ forskning genomfördes, nämligen tidsserieanalys och binär klassificering för att besvara studiens forskningsfrågor. Efter att ha genomfört statistiska tidsserietester konstaterades det att det finns trender, säsongsvariationer och residualmönster i tidsserier som beskriver bokningar per biltyp per vecka. Dessa mönster var dock inte omfattande. Därefter tränades ett så kallat random forest på en datamängd med hjälp av rörliga medelvärden (eng. moving average). Denna datamängd bestod av veckovisa bokningar från användare som hade minst 33 resor under en observationsperiod på 66 veckor (N = 1335705). Den slutliga modellen förutsade vilka som sannolikt skulle använda tjänsten kommande vecka i ett försök att prognostisera individuell efterfrågan. Med avseende på metriker uppnådde modellen ett resultat på 0,89 i noggrannhet (för båda klasserna), 0,91 i precision (positiva klassen), 0,73 i recall (positiva klassen) och 0,82 i F1-poäng (positiv klass). Vi drog därför slutsatsen att en maskininlärningsmodell kan förutsäga veckovis individuell efterfrågan relativt bra med avseende på dess slutgiltiga användning. Framtida forskning innefattar ytterligare dataselektion, samt kartläggning av prognosen till affärsåtgärder