Att dra nytta av nya datakällor för att modellera resebeteende

Vad handlar din doktorsavhandling om?

Min avhandling är inom transportsystemvetenskap, med fokus på att utnyttja nya datakällor, såsom GPS-data och mobilnätsdata, för att modellera resebeteenden. Den undersöker urbana mobilitetsmönster i en europeisk kontext, med fokus på policyimplikationer och hållbarhet.

Varför valde du det ämnet?

Under mina ingenjörsstudier utvecklades mitt intresse för hållbara och smarta städer. Det växte fram ur en vilja att förstå vår omgivning bättre och bidra till att forma framtiden. Det som lockade mig till detta fält är hur teoretiska modeller och data kopplas till verkliga tillämpningar – du kan se hur de påtagligt påverkar människors liv. Det är ett område där abstrakta koncept omvandlas till meningsfulla och synliga resultat.

Vilka är dina viktigaste resultat?

Jag har deltagit i tre projekt, som alla lett till viktiga fynd.

Det första projektet, ur ett metodologiskt perspektiv, visade hur en etablerad aktivitetsbaserad modell för efterfrågan på resor kan göras mer flexibel för att inkludera nya datakällor som mobilnätsdata, utan att behöva ersättas helt. Genom rätt förbättringar visade vi att befintliga modeller kan anpassas och utvecklas, snarare än kasseras.

Vi undersökte också hur modellen kan anpassas till den typ av data som finns tillgänglig, genom att justera dess struktur för att utvinna meningsfulla insikter. Genom detta nya ramverk kunde vi konkret observera hur covid-19-pandemin påverkade mobilitetsmönster i Stockholm, med särskilt fokus på inkomstbaserade skillnader mellan höginkomstområden (Täby-Danderyd) och låginkomstområden (Tensta-Rinkeby).

Resultaten visade att mobiliteten påverkades betydligt mer i låginkomstområden. Invånarna där hade mindre flexibilitet, gjorde färre resor, höll sig närmare hemmet och besökte centrala delar av staden mer sällan. Det visade den avgörande roll som socioekonomiska faktorer spelar för urban mobilitet under kriser.

Det andra projektet fokuserade på cykling och syftade till att förstå vilka faktorer som påverkar ruttval bland elcykelpendlare i Nijmegen, Nederländerna. Vi undersökte hur både effektivitet och estetisk upplevelse påverkar val av rutt. Arbetet gav värdefulla insikter i vad cyklister faktiskt värdesätter – kunskap som kan bidra till bättre cykelinfrastruktur. Exempelvis upptäckte vi att rutter längs vattendrag föredrogs, medan vägar genom täta stadsområden generellt var mindre attraktiva.

Stötte du på något oväntat under forskningen?

I det första projektet visade det sig att invånare i låginkomstområden reste till stadskärnan betydligt mindre än personer från höginkomstområden under pandemin. En möjlig förklaring är att många i låginkomstområden förlorade sina jobb och därför inte längre behövde pendla.

I det tredje projektet, där vi studerade Istanbul, såg vi att restid med cykel inte påverkades nämnvärt av kön – till skillnad från i Tallinn och Braga. En möjlig förklaring är att andelen kvinnliga cyklister i Istanbul var mycket låg, vilket kan ha gjort könsskillnader mindre synliga i datan.

Vem kan ha nytta av resultaten? Vilken påverkan kan de få på samhället?

Stads- och trafikplanerare kan ha stor nytta av detta arbete, eftersom det ger evidensbaserade insikter från nya datakällor. Dessa insikter kan stödja utformningen av infrastruktur som främjar cykling och hanterar viktiga frågor om systemresiliens och rättvisa. Även trafikmodellerare kan dra nytta av resultaten, särskilt från det första projektet, som visar hur nya data kan integreras i befintliga modeller och därmed öka flexibiliteten utan att förlora transparensen i välkända modeller.

Den bredare påverkan ligger i att bidra till utvecklingen av ett mer hållbart transportsystem och hjälpa beslutsfattare att nå sina mål genom riktade strategier.

Vad ska du göra härnäst och hur når man dig?

Jag har nyligen börjat arbeta som Data Scientist på Savantic, ett AI-konsultföretag baserat i Stockholm. Vi arbetar med en rad olika kundprojekt inom sektorer som trafik, detaljhandel, medicinteknik och finans, och deltar även i forsknings- och utvecklingsinitiativ. Rollen är en förlängning av mitt engagemang för att utvinna meningsfulla insikter ur data, samtidigt som jag håller mig uppdaterad om den snabba utvecklingen inom maskininlärning och AI-modeller.