Sampers är en efterfrågemodell för att göra analyser och prognoser för persontransporter i Sverige. Systemet används för att göra trafikslagsövergripande analyser och prognoser vid olika förändringar i infrastruktur, markanvändning, befolkning eller ekonomi. I Sampers ingår en modell för att beräkna resor på nationell nivå samt fem regionala modeller. I systemet finns möjligheten att beräkna anslutningar till långväga resor med tåg och flyg, en modell som är sparsamt använd. I detta projekt har en kartläggning av litteratur kring trafikprognoser i allmänhet, och Sampersmodellen i synnerhet gjorts för att utgöra en teoretisk grund för projektet. För att utvärdera och jämföra de resultat som prognostiseras har data inhämtats från ett antal källor (i urval): Resvanedata för anslutningsresor till Arlanda (Swedavia) Trafikstatistik över antal resenärer vid Arlanda (Swedavia) Trafikflödeskartor (Trafikverket) Statistik över antal tågresor (SJ) Den befintliga anslutningsmodellen har exekverats för att beräkna anslutningsresor i området Stockholm/Mälardalen. De utdata som modellen ger har jämförts med avseende på flöden i det terminalnära området samt längs med närliggande E4:an. Färdmedelsfördelningen för de prognostiserade anslutningsresorna har jämförts med de resultat som kan tas fram ur Swedavias resvaneundersökning vid Arlanda. För att kunna beskriva resandet till Arlanda med en alternativ metod har en logitmodell för val mellan anslutningsresor med bil eller kollektivtrafik skattats. Denna modell är utformad för att prognostisera färdmedelsandelar givet områdesspecifika variabler, antalet resor som ska fördelas i nätverket beräknas dock inte i detta steg. / Sampers is a national travel demand forecasting tool designed for analysis and forecasts of passenger transport in Sweden. The system is used in intermodal analysis and forecasting for various changes in the infrastructure, land use, population or economy. Sampers includes one model to forecast travel demand on the national level as well as five regional models. It is possible to calculate connecting trips to long-distance journeys by train and air, this model is however very sparsely used. In this project, a literature survey on traffic demand modeling in general, and the Sampers model in particular, has been made to provide a theoretical foundation for the project. To evaluate and compare the results being predicted, data has been collected from several sources (in selection): Travel survey on connecting flights to Arlanda (Swedavia) Traffic statistics on number of passengers at Arlanda (Swedavia) Traffic flow charts (Swedish Transport Administration) Statistics on number of train trips (SJ) The current version of the model for connecting trips has been executed to calculate the connecting trips in the Stockholm/Mälardalen region. The outputs that the model provides have been compared in terms of flow in the near terminal area and along the nearby highway E4. The shares for the different transport modes have been compared with the results that can be found in Swedavias travel survey at Arlanda. In order to describe travelling to the airport with an alternative method, a logit model for the choice between car and public transport has been estimated. This model is designed to forecast modal shares given area-specific variables, the number of trips to be spread out in the network is however not calculated in this step.

Forecasting of highway traffic is a common practice for real traffic information system, and is of vital importance to traffic management and control on highways. As a typical time-series forecasting task, we want to propose a deep learning model to map the historical sensory traffic values (e.g., speed, flow) to future traffic forecasts. Prevailing traffic forecasting methods focus on the graph representation of the urban road. However, compared to the dense connectivity of urban road networks, highway traffic flows normally run on road segments of serial topology. This indicates that the highway traffic flows do not have the same type of spatial interaction, therefore motivating us to resort to a new forecasting paradigm. While traffic patterns can be intuitively represented by spatial-temporal (ST) images, this study transforms the traffic forecasting task into the conditional image generation task. Our approach explores the inherent properties of ST-images from the perspectives of physical meaning and traffic dynamics. An innovative deep learning based architecture is designed to process the ST-image, and a diffusion model is trained to obtain traffic forecasts by generating future ST-image based on the historical STimages. We demonstrate the effectiveness of the architecture in processing ST-image through ablation studies and the effectiveness of the model through comparison with popular baseline models, i.e., LSTM and T-GCN. / Prognos av vägtrafik är en vanlig praxis för riktiga trafikinformationssystem och är av vital betydelse för trafikhantering och kontroll på motorvägar. Som en typisk tidsserieförutsägelseuppgift vill vi föreslå en djupinlärningsmodell för att kartlägga historiska sensoriska trafikvärden (t.ex. hastighet, flöde) till framtida trafikprognoser. Rådande trafikprognosmetoder fokuserar på grafrepresentationen av stadsvägar. Jämfört med den täta anslutningen av stadsvägnät, löper motorvägstrafik normalt på vägsegment med seriell topologi. Detta indikerar att motorvägstrafikflöden inte har samma typ av rumslig interaktion, vilket motiverar oss att använda en ny prognosparadigm. Medan trafikmönster intuitivt kan representeras av spatial-temporala (ST) bilder, omvandlar denna studie trafikprognosuppgiften till en uppgift för betingad bildgenerering. Vår metod utforskar de inneboende egenskaperna hos ST-bilder från perspektiven fysisk betydelse och trafikdynamik. En innovativ djupinlärningsbaserad arkitektur är utformad för att behandla STbilden, och en diffusionsmodell tränas för att erhålla trafikprognoser genom att generera framtida ST-bilder baserat på historiska ST-bilder. Vi demonstrerar effektiviteten hos arkitekturen genom avbränningsstudier och modellens effektivitet genom jämförelse med populära baslinjemodeller, dvs. LSTM och T-GCN.

Real-time prediction of taxi demand in a discrete geographical space is useful as it can minimise service disequilibrium by informing idle drivers of the imbalance, incentivising them to reduce it. This, in turn, can lead to improved efficiency, more stimulating work conditions, and a better customer experience. This study aims to investigate the possibility of utilising an artificial neural network model to make such a prediction for Stockholm. The model was trained on historical demand data and - uniquely - crowd flow data from a cellular provider (aggregated and anonymised). Results showed that the final model could generate very helpful predictions (only off by less than 1 booking on average). External factors - including crowd flow data - had a minor positive impact on performance, but limitations regarding the setup of the zones lead to the study being unable to make a definitive conclusion about whether crowd flow data is effective in improving taxi demand predictors or not. / Prognos av taxiefterfrågan i ett diskret geografiskt utrymme är användbart då det kan minimera obalans mellan utbud och efterfrågan genom att informera lediga taxiförare om obalansen och därmed utjämna den. Detta kan i sin tur leda till förbättrad effektivitet, mer stimulerande arbetsförhållanden och en bättre kundupplevelse. Denna studie ämnar att undersöka möjligheten att använda artificiella neurala nätverk för att göra en sådan prognos för Stockholm. Modellen tränades på historisk data om efterfrågan och - unikt för studien - folkströmsdata (aggregerad och anonymiserad) från en mobiloperatör. Resultaten visade att den slutgiltiga modellen kunde generera användbara prognoser (med ett genomsnittligt prognosfel med mindre än 1 bil per tidsenhet). Externa faktorer – inklusive folkströmsdata – hade en märkbar positiv inverkan på prestandan, men begränsningar rörande framställningen av zonerna ledde till att studien inte kunde dra en definitiv slutsats om huruvida folkströmsdata är effektiva för att förbättra prognoser för taxiefterfrågan eller ej.