Bakgrund Trafikverket är ansvarig förvaltare över Sveriges järnvägar. De hanterar den långsiktiga infrastrukturen samt byggandet och driften av järnvägarna. För att visualisera och hantera dessa järnvägar digitalt använder sig Trafikverket av ett system kallat Baninformationssystemet (BIS). Järnvägsnätet hanteras på två olika nivåer, makronivå och mikronivå. Makronivån visar driftplatser med dess kopplingar emellan dem och är den enklaste nivån av nätverket. Mikronivån är betydligt mer detaljerad och visar alla objekt och kopplingar som finns på en driftplats. Syfte Målet med studien är att implementera ett transportnätverk i form av en järnväg i en grafdatabas på mikronivå. I studien undersöks metoder för att hantera svängningsrestriktioner på transportnätverket. Utöver detta utför studien en rad kortaste vägen-sökningar för att validera transportnätverket. Metod Studien använder sig av forskningsstrategin design and creation där en IT-artefakt skapas. En litteraturundersökning görs för att finna tidigare forskning som kan hjälpa utvecklingen av IT-artefakten samt besvara forskningsfrågorna. Systematiska observationer utförs för att validera IT-artefakten, i form av kortaste vägen-sökningar som jämförs med samma sökning i Trafikverkets system BIS. Resultat Studien har resulterat i en implementation av ett transportnätverk med svängningsrestriktioner på mikronivå i en grafdatabas. En lösning i Neo4j vid namn Neomap används för visualisering och testning av transportnätverket. Studien presenterar också en jämförelse mellan Trafikverkets system BIS och studiens transportnätverk. Slutsatser Jämförelsen visar att den alternativa graf som föreslagits har implementerats som ett korrekt transportnätverk på mikronivå. Transportnätverket hanterar de flesta av de svängningsrestriktioner som Trafikverket använder då den använda data var begränsad. Neomap användes för både felsökning och validering av transportnätverket och visar att sökningarna från Neo4j är nästan identiska med BIS. / Background The Swedish Transport Administration is the responsible manager of Sweden’s railways. They handle the long-term infrastructure as well as the construction and operation of the railways. To visualize and manage these railways digitally, the Swedish Transport Administration uses a system called Baninformationssystemet (BIS). The railway network is managed at two different levels, macro-level and micro-level. The macro-level only shows operating sites with their connections between them and is the simplest level of the network. The micro-level is significantly more detailed showing all objects and connections located at an operating site. Aim The aim of the study is to implement a transportation network in the form of a railway in a graph database at micro-level. The study examines methods for managing turning restrictions on the transportation network. In addition, the study performs a series of shortest path searches to validate the transportation network. Method The study uses the research strategy design and creation where an IT artifact is created. A literature review is done to find previous research that can help the development of the IT artifact and answer the research questions. Systematic observations are performed to validate the IT artifact by doing various shortest road searches that are compared with the same searches in the Swedish Transport Administration’s system. Results The study has resulted in the implementation of a transportation network with turning restrictions on a micro-level in a graph database. A solution in Neo4j called Neomap is used for visualization and testing of the transportation network. A comparison is presented where the study’s transportation network was compared with the Swedish Transport Administration’s system BIS. Conclusions The comparison shows that the alternative graph proposed has been implemented as a correct transportation network on a micro-level. The transportation network handles most of the turning restrictions that Trafikverket uses due to limited data. Neomap is used for both troubleshooting and validation of the transportation network and shows that the searches from Neo4j are almost identical to the searches from BIS.

Dedicating less transport resources by grouping goods to be shipped together, or pooling as we name it, has a very crucial role in saving costs in transport networks. Nonetheless, it is not so easy to estimate pooling among different groups of shipments or understand why these groups are poolable. The typical solution would be to consider all shipments of both groups as one and use some Vehicle Routing Problem (VRP) software to estimate costs of the new combined group. However, this brings with it some drawbacks, such as high computational costs and no pooling explainability. On this work we build a tool that estimates the different types of pooling using demand data. This solution includes mapping shipment data to a lower dimension, where each poolability trait corresponds to a latent dimension. We tested different dimensionality reduction techniques and found that the best performing are the autoencoder models based on neural networks. Nevertheless, comparing shipments on the latent space turns out to be more challenging than expected, because distances in these latent dimensions are sometimes uncorrelated to the distances in the real shipment features. Although this limits the use cases of this approach, we still manage to build the full poolability tool that incorporates the autoencoders and uses metrics we designed to measure each poolability trait. This tool is then compared to a VRP software and proves to have close accuracy, while being much faster and explainable. / Att optimera transportresurser genom att gruppera varor som ska skickas tillsammans, även kallat poolning, spelar en avgörande roll för att spara kostnader i transportnätverk. Trots detta är det inte så enkelt att uppskatta poolning mellan olika grupper av försändelser eller förstå varför dessa grupper kan poolas. Den vanliga lösningen skulle vara att betrakta alla försändelser från båda grupperna som en enda enhet och använda mjukvara för att lösa problemet med fordonsschemaläggning (Vehicle Routing Problem, VRP) för att uppskatta kostnaderna för den nya sammanslagna gruppen. Detta medför dock vissa nackdelar, såsom höga beräkningskostnader och bristande förklarbarhet när det kommer till poolning. I detta arbete bygger vi ett verktyg som med hjälp av efterfrågedata uppskattar olika typer av poolning. Lösningen innefattar kartläggning av försändelsedata till en lägre dimension där varje egenskap för poolbarhet motsvarar en dold dimension. Vi testade olika tekniker för att minska dimensionerna och fann att de bäst presterande är autoencoder-modeller baserade på neurala nätverk. Trots detta visade det sig vara mer utmanande än förväntat att jämföra försändelser i det dolda rummet eftersom avstånden i dessa dolda dimensioner ibland inte korrelerar med avstånden i de faktiska försändelseegenskaperna. Trots att detta begränsar användningsområdena för denna metod lyckades vi ändå bygga ett komplett verktyg för poolbarhet som inkluderar autoencoders och använder metriker som vi har utformat för att mäta varje egenskap för poolbarhet. Detta verktyg jämförs sedan med en VRP-mjukvara och visar sig ha liknande noggrannhet samtidigt som det är betydligt snabbare och mer förklarligt. / Dedicare meno risorse di trasporto raggruppando insieme le merci da spedire, o creando un pool come lo chiamiamo noi, svolge un ruolo cruciale nel risparmio dei costi nelle reti di trasporto. Tuttavia, non è facile stimare il grado di aggregazione tra diversi gruppi di spedizioni o comprendere perché tali gruppi siano aggregabili. La soluzione tipica consisterebbe nel considerare tutte le spedizioni di entrambi i gruppi come una sola entità e utilizzare un software di Problema di Routing dei Veicoli (VRP) per stimare i costi del nuovo gruppo combinato. Tuttavia, ciò comporta alcuni svantaggi, come elevati costi computazionali e la mancanza di spiegazioni riguardo all'aggregazione. In questo lavoro abbiamo sviluppato uno strumento che stima i diversi tipi di aggregabilità utilizzando i dati di domanda. Questa soluzione prevede la mappatura dei dati delle spedizioni in una dimensione inferiore, in cui ciascuna caratteristica di aggregabilità corrisponde a una dimensione. Abbiamo testato diverse tecniche di riduzione dimensionale e abbiamo constatato che i modelli autoencoder basati su reti neurali sono i più efficaci. Tuttavia, confrontare le spedizioni nello spazio latente si è rivelato più complesso del previsto, poiché le distanze in queste dimensioni latenti talvolta non sono correlate alle distanze nelle caratteristiche reali delle spedizioni. Sebbene ciò limiti le applicazioni di questo approccio, siamo comunque riusciti a sviluppare uno strumento completo per l'aggregabilità che incorpora gli autoencoder e utilizza metriche da noi progettate per misurare ciascuna caratteristica di aggregabilità. Successivamente, abbiamo confrontato questo strumento con un software VRP e dimostrato che presenta un'accuratezza simile, pur essendo più veloce e fornendo spiegazioni chiare.