<p>Arenaprojektet startades som följd av EU-direktiv och svenska myndigheters påtryckningar att införa kilometerskatt för tunga fordon i Sverige, vilket är tänkt ersätta dagens tidsbaserade vägavgiftssystem. En grundtanke med ett införande är att en stor andel transporter sker på väg och av utlandsregistrerade fordon, det är då mer rättvist och samhällsekonomiskt att de som använder vägarna också betalar för det. Idag finns kilometerskattesystem i drift i Tyskland, Schweiz, Österrike och Tjeckien. Kilometerskatten differentieras bland annat efter antal axlar, miljöklass eller vikt och är mellan 0,12-0,67 EUR/kilometer. Förslag till ett svenskt kilometerskattesystem har arbetats fram av SWECO VBB, genom Arenaprojektet, och inkluderar fyra aktörer Användare, vgiftsförmedlare, Avgiftsupptagare och Blåljusenhet. Kilometerskattesystemet kräver att efterlevnadskontroller genomförs för att skapa ett rättvist och fungerande system.</p><p>Examensarbetet syftar till att skapa ett tillvägagångssätt för visualisering av transportflöde på ett tillförlitligt sätt. En grundlig kartläggning över hur transporterna fördelas på det svenska vägnätet har utförts och utfaller i en transportmodell. Transportmodellen ska användas som indata i ett tillvägagångssätt vid placering av mobila kontrollstationer för efterlevnadskontroll.</p><p>De fem stegen i tillvägagångssättet representerar delar som bör ingå för att på ett tillförlitligt sätt kunna placera ut kontrollerna. Steg 1 - Skapa en OD-matris bestämmer detaljeringsnivån på OD-matrisen, det vill säga antal OD-par, länkar och noder. En kostnadsparameter för varje länk krävs för att bestämma vilka länkar som är mest lämpliga att användas för de olika rutterna. I steg 2 - Implementering av data sker inmatning av insamlad data i transportmodellen, här krävs att indata är i form av rutt- och länkflöde. Steg 3 - Kalibrering utförs med hjälp av ytterligare data för att uppnå en mer tillförlitlig transportmodell. Insamlad data bör vara av hög precision. I steg 4 - Jämför resultat hämtas utdata från transportmodellen, vilka jämförs med inrapporterad data från Avgiftsförmedlaren för att identifiera stora avvikelser. Sista steget - Rikta kontroll innebär att mobila kontroller utplaceras i områden med stora avvikelser.</p><p>Indata till transportmodellen kan vara information ifrån till exempel slangmätningar, resvaneundersökningar, trafiksäkerhetskameror eller färdskrivare. Idag finns dock bara data för implementering i form av slangmätningar och resvaneundersökningar. Ett avgränsat exempelområde valde att studeras på grund av saknad indata och den stora rbetsbelastningen över att skapa en transportmodell för hela Sverige. Vid en verifiering erhölls de svar och beteenden som väntades, vilket tyder på att modellen uppför sig korrekt.</p>

Arenaprojektet startades som följd av EU-direktiv och svenska myndigheters påtryckningar att införa kilometerskatt för tunga fordon i Sverige, vilket är tänkt ersätta dagens tidsbaserade vägavgiftssystem. En grundtanke med ett införande är att en stor andel transporter sker på väg och av utlandsregistrerade fordon, det är då mer rättvist och samhällsekonomiskt att de som använder vägarna också betalar för det. Idag finns kilometerskattesystem i drift i Tyskland, Schweiz, Österrike och Tjeckien. Kilometerskatten differentieras bland annat efter antal axlar, miljöklass eller vikt och är mellan 0,12-0,67 EUR/kilometer. Förslag till ett svenskt kilometerskattesystem har arbetats fram av SWECO VBB, genom Arenaprojektet, och inkluderar fyra aktörer Användare, vgiftsförmedlare, Avgiftsupptagare och Blåljusenhet. Kilometerskattesystemet kräver att efterlevnadskontroller genomförs för att skapa ett rättvist och fungerande system. Examensarbetet syftar till att skapa ett tillvägagångssätt för visualisering av transportflöde på ett tillförlitligt sätt. En grundlig kartläggning över hur transporterna fördelas på det svenska vägnätet har utförts och utfaller i en transportmodell. Transportmodellen ska användas som indata i ett tillvägagångssätt vid placering av mobila kontrollstationer för efterlevnadskontroll. De fem stegen i tillvägagångssättet representerar delar som bör ingå för att på ett tillförlitligt sätt kunna placera ut kontrollerna. Steg 1 - Skapa en OD-matris bestämmer detaljeringsnivån på OD-matrisen, det vill säga antal OD-par, länkar och noder. En kostnadsparameter för varje länk krävs för att bestämma vilka länkar som är mest lämpliga att användas för de olika rutterna. I steg 2 - Implementering av data sker inmatning av insamlad data i transportmodellen, här krävs att indata är i form av rutt- och länkflöde. Steg 3 - Kalibrering utförs med hjälp av ytterligare data för att uppnå en mer tillförlitlig transportmodell. Insamlad data bör vara av hög precision. I steg 4 - Jämför resultat hämtas utdata från transportmodellen, vilka jämförs med inrapporterad data från Avgiftsförmedlaren för att identifiera stora avvikelser. Sista steget - Rikta kontroll innebär att mobila kontroller utplaceras i områden med stora avvikelser. Indata till transportmodellen kan vara information ifrån till exempel slangmätningar, resvaneundersökningar, trafiksäkerhetskameror eller färdskrivare. Idag finns dock bara data för implementering i form av slangmätningar och resvaneundersökningar. Ett avgränsat exempelområde valde att studeras på grund av saknad indata och den stora rbetsbelastningen över att skapa en transportmodell för hela Sverige. Vid en verifiering erhölls de svar och beteenden som väntades, vilket tyder på att modellen uppför sig korrekt.

Transport models are key in predicting travel behaviour and planning transport systems. Transport models can be either aggregated or disaggregated. Disaggregation means that travel behaviour is represented on an individual level, which can be beneficial because it offers a higher detail level and reduces aggregation bias. Input data for transport models can be both expensive and inaccessible, especially comprehensive data. Thus, it is advantageous to explore the utilisation of open data, which is free and accessible. The objective of the thesis was to evaluate how OpenStreetMap and other Open Data can be utilised in disaggregated transport modelling. The scope of the study was Uppsala, Sweden. In the thesis, a disaggregate transport model was designed, which only considered commuting trips made by public transport. Destinations and a synthetic population were estimated based on OpenStreetMap map features, SCB census data, and LuTRANS land use data. A travel survey was utilised in model calibration, and UL boarding data was used for model validation. The results showed that OpenStreetMap provided sufficient data for estimating a synthetic population and destinations for a disaggregate transport model when combined with other open data sources. Population and land usecensus data were essential for calibrating the model. However, the model came with limitations caused by assumptions, generalisation, technical constraints, and the partial incompleteness of open data. The thesis concludes that Open Data, such as OpenStreetMap, can be utilised sufficiently for transport modelling, with proper assumptions and processing. The openness of the data also increases the replicability of such a model. / Transportmodeller är viktiga i att förutspå resvanemönster och för att kunna planera transportsystemet. Transportmodeller kan vara antingen aggregeradeeller disaggregerade. Disaggregering betyder att resvanor är representerade påindividuell nivå, vilket kan vara fördelaktigt då det innebär en högre detalj nivå och mindre partiskhet orsakad av aggregering (aggregation bias). Indata förtransportmodeller kan vara både dyrt och svåråtkomligt, speciellt för mer omfattande data. Därav kan det vara till stor nytta att utforska möjligheten att använda öppnadata (Open Data), som är gratis och lättåtkomligt. Syftet med examensarbetetvar att utvärdera hur OpenStreetMap och annan Open Data kan användas idisaggregerad transportmodellering. Den geografiska omfattningen av studien är Uppsala tätort. En disaggregerad transportmodell togs fram i examensarbetet, sombara tog hänsyn till jobbresor med kollektivtrafik. Destinationer och en syntetiskbefolkning uppskattades utifrån OpenStreetMap objekt, befolkningsdata från SCB, samt markanvändningsdata från LuTRANS. En resvaneundersökning utnyttjadesför modellkalibrering och påstigningsdata från UL användes för modellvalidering.Resultaten visade att OpenStreetMap erbjöd tillräckligt med data för att ta framoch uppskatta en syntetisk befolkning och destinationer för en disaggregeradtransportmodell, om den kombineras med andra öppna datakällor. Befolkning- ochmarkanvändningsdata var avgörande i att kalibrera modellen. Dock så innefattar modellen vissa begränsningar som är orsakada av antaganden, generalisering, tekniskabegränsningar, samt ofullständigheten av Open Data. Slutsatsen är att Open Data, så som OpenStreetMap, kan utnyttjas för transportmodellering, om det kombineras med välformulerade antaganden och processering av datan. Datans öppenheten medför även en ökad replikerbarhet för en sådan modell.

During 2018, the Public Transport Administration (Trafikförvaltningen) in the Stockholm region spent approximately 2.2 billion SEK on new infrastructure investments related to the public transport system, many of which were based on their public transport models. The previously used method for validating these models has lacked scientific rigour, efficiency and a systematic approach, which has led to uncertainty in decision making. Furthermore, few scientific studies have been conducted to develop validation methodologies for large-scale models, such as public transport models. For these reasons, a scientific validation methodology for public transport models has been developed in this thesis. This validation methodology has been applied on the 2014 route assignment model used by Trafikförvaltningen, for the transport modes bus, commuter train and local tram. In the developed validation methodology, the selected validation metrics called MAPE, %RMSE and R^2 are used to compare link loads from a route assignment model with observed link loads from an Automatic Passenger Counting (APC) system. To obtain an overview of the performance of the route assignment model, eight different scenarios are set, based on whether the validation metrics meet acceptable thresholds or not. In the application of the developed validation methodology, the average link loads for the morning rush have been validated. To adjust the developed validation methodology to system-specific factors and to set acceptable metric thresholds, discussions with model practitioners have taken place. The validation has been performed on both lines and links, and for bus entire line number series have been validated as well. The validation results show that commuter train meets the set threshold values in a higher proportion than bus and local tram do. However, Trafikförvaltningen is recommended to further calibrate the route assignment model in order to achieve a better model performance. The developed validation methodology can be used for validation of public transport models, and can in combination with model calibration be used in an iterative process to fine-tune model parameters for optimising validation results. Finally, a number of recommendations are proposed for Trafikförvaltningen to increase the efficiency and quality of the validation process, such as synchronising model data with the observed data. / Under 2018 spenderade Trafikförvaltningen ungefär 2,2 miljarder kronor på nya infrastrukturinvesteringar för kollektivtrafiksystemet i Stockholm, varav många av dessa baserades på deras kollektivtrafikmodeller. Den tidigare metoden för att valideras dessa modeller har saknat gedigen vetenskaplig grund, effektivitet och ett systematiskt tillvägagångssätt, vilket lett till osäkerhet gällande investeringsbeslut. Dessutom har få vetenskapliga studier genomförts för att ta fram valideringsmetodologier för storskaliga modeller, såsom kollektivtrafikmodeller. Av dessa skäl har en vetenskaplig valideringsmetodologi för kollektivtrafikmodeller tagits fram i detta examensarbete. Denna valideringsmetodologi har tillämpats på Trafikförvaltningens 2014 års nätutläggningsmodell, för trafikslagen buss, pendeltåg och spårväg. I den framtagna valideringsmetodologin har de valda valideringsmåtten vid namn MAPE, %RMSE och R^2 använts för att jämföra länkbelastningar från en nätutläggningsmodell med observerade länkbelastningar från ett Automatisk Trafikanträkning-system (ATR). För att ge en översikt över modellens precision har åtta scenarios satts baserat på om valideringsmåtten godkänns eller inte enligt tröskelvärden. I tillämpningen av den framtagna valideringsmetodologin har de genomsnittliga länkbelastningarna för morgonens rusningstrafik validerats. För att justera den framtagna valideringsmetodologin efter systemspecifika faktorer och för att sätta godkända tröskelvärden för valideringsmåtten, har diskussioner med trafikanalytiker hållits. Valideringen har utförts både på linjer och länkar, och för buss har även hela linjeserier validerats. Valideringsresultaten för pendeltåg har en högre andel godkända mätningar än buss och spårväg. Trafikförvaltningen rekommenderas dock att kalibrera nätutläggningsmodellen ytterligare för att uppnå ett bättre resultat. Den framtagna valideringsmetodologin kan användas för valideringar av kollektivtrafikmodeller, och kan i kombination med modellkalibrering användas i en iterativ process för att finjustera modellparametrar och därmed optimera valideringsresultaten. Slutligen föreslås ett antal rekommendationer för Trafikförvaltningen för att öka effektiviteten och kvaliteten på valideringsprocessen, till exempel att synkronisera modelldata med observerad data.