Text: Stina Hörtin, Fokusomårdesansvarig Trafikanalys och Astrid Michielsen, Fokusområdesansvarig Data Insights, Trivector Mobility

Hur rör sig människor egentligen i våra städer och regioner? Hur belastas vägnätet? Var uppstår trängsel? Hur förändras färdmedelsval över tid – och hur påverkar det klimatet? I takt med att nya datakällor och AI-baserade analysmetoder utvecklas förändras också förutsättningarna för transportplanering. Men tekniken i sig är inte lösningen. Den avgörande frågan är: vilka frågor vill vi kunna besvara – och vilken datagrund krävs för att göra det på ett tillförlitligt sätt?

Syftet med Trivector Mobilitys intervjuserie är att dela erfarenheter från ledande arbete inom datadriven utveckling och AI – och därigenom bidra till ökad förståelse och lärande i branschen. Vi har tidigare i serien skrivit om vikten av att ställa rätt frågor. Nästa steg är att säkerställa att vi har rätt data för att besvara dem.

Datakällor finns – men förståelse av helheten saknas

I många kommuner och regioner finns redan stora mängder trafikdata. Det kan handla om:

Trafikmätningar som registrerar fordonspassager

Kollektivtrafikdata om på- och avstigande

Parkeringsdata

Trafikmodeller som simulerar flöden i nätverket

Resvaneundersökningar som visar hur människor uppger att de reser

Utmaningen är sällan total avsaknad av data. Utmaningen är att datan är fragmenterad.

Nyligen arbetade vi med Eskilstuna kommun och analyserade hur befintliga datakällor kan kombineras för att skapa en mer sammanhängande bild av transportsystemet. Slutsatsen var tydlig, och speglar något vi har sett på många håll: biltrafiken är ofta relativt väl kartlagd, medan gång, cykel och godstransporter har betydligt svagare täckning. Det innebär att viktiga delar av transportsystemet riskerar att bli underrepresenterade i analyser och beslutsunderlag.

För att förstå helheten behöver vi kunna koppla samman tre nivåer:

Hur resandet fördelas mellan olika färdmedel

Hur trafiken rör sig i nätverket (flöden på länk)

Hur detta översätts till klimatpåverkan och andra effekter

Det är först när dessa perspektiv kombineras som vi kan gå från enskilda mätvärden till strategiska insikter.

Från punktmätning till systemförståelse

Traditionella trafikmätningar ger ofta en mycket exakt bild – men bara i en punkt. Radar, slingor och kameror registrerar passager och hastigheter med hög precision, men säger inte automatiskt hur trafiken fördelar sig i hela nätet eller hur olika delar av systemet hänger samman.

Resvaneundersökningar ger i sin tur en övergripande bild av färdmedelsval, reslängder och syften – men saknar detaljer om specifika stråk och länkar, och genomförs dessutom relativt sällan.

Mobilnätsdata erbjuder ytterligare ett perspektiv. Genom att analysera hur mobiltelefoner rör sig mellan olika områden kan man få en bred bild av flöden och rörelsemönster över större geografier. Det ger en värdefull överblick över exempelvis besöksströmmar eller regionala pendlingsmönster. Samtidigt är upplösningen grövre och datan mindre lämpad för detaljerad analys av enskilda gator eller parkeringsplatser.

Trafikmodeller kan fylla luckan genom att fördela resor i nätverket och skapa en sammanhängande bild av flöden på länk. Men även modeller är beroende av god kalibrering och uppdaterad mätdata – annars riskerar de att reproducera gamla antaganden snarare än verkliga förändringar.

Den centrala insikten är att olika datakällor svarar på olika typer av frågor. Punktmätningar ger precision, mobilnätsdata ger räckvidd, resvaneundersökningar ger beteendeförståelse och modeller ger systemstruktur. Att skapa en robust kunskapsgrund handlar därför inte om att välja en teknik – utan om att kombinera flera.

Parkeringsdata – en underskattad nyckel

I ett uppdrag för Visit Skåne och prognostjänsten Uncrowded analyserade vi olika tekniker för att mäta parkeringsbeläggning vid naturnära besöksmål. Syftet var att förbättra prognoser och ge besökare bättre förutsättningar att planera sina resor.

Här blev det tydligt att även AI-modeller är beroende av tillförlitlig indata. Utan stabil och representativ parkeringsdata blir prognoserna osäkra – oavsett hur avancerad modellen är.

Vi studerade flera tekniska lösningar – kameror, radar, WiFi-sensorer, mobilnätsdata och appar – och såg att de skiljer sig avsevärt i kostnad, precision, energibehov och juridiska förutsättningar.

Valet av teknik beror på flera faktorer, inte minst vilken fråga som ska besvaras. För stabil indata till en prognosmodell kan en enkel radarlösning vara fullt tillräcklig. Vill man däremot analysera besökarnas ursprung, fordonspark eller regelefterlevnad krävs mer avancerade system.

Parkeringsdata är därmed mer än en beläggningssiffra. Rätt använd kan den ge insikter om hela besöksresan – och bli ett verktyg för både kapacitetsplanering och hållbar styrning av besöksflöden.

AI börjar inte med teknik – den börjar med en fråga

AI och maskininlärning lyfts ofta fram som lösningen på transportsektorns komplexa utmaningar. Och visst finns en stor potential: bättre prognoser, snabbare analys och mer träffsäkra åtgärder.

Men i grunden är AI-modeller just det – modeller. De är matematiska representationer av verkligheten. De kan identifiera mönster, göra sannolikhetsbedömningar och föreslå samband. Men de kan inte själva avgöra vad som är relevant att analysera.

Allt börjar med frågan.

Vill vi veta hur trafikflöden förändras när en ny cykelbana byggs?
Vill vi förstå hur parkeringsmönster påverkar naturmiljöer?
Vill vi beräkna klimatpåverkan i stadskärnan över tid?

Olika frågor kräver olika data. Och AI kan bara arbeta med det som faktiskt finns strukturerat och tillgängligt.

Det innebär att modellernas kvalitet är direkt beroende av:

Hur väl datan speglar hela transportsystemet

Om olika trafikslag går att särskilja

Om definitioner är tydliga och konsekventa

Om mätserier är jämförbara över tid

Om gång- och cykeldata saknas, om godstrafiken inte kan identifieras, eller om historiska data inte är kompatibla med nya mätmetoder – då riskerar även avancerade AI-modeller att ge en skenbart exakt, men i grunden osäker, bild.

Framtidens modellering handlar därför inte i första hand om mer sofistikerade algoritmer. Den handlar om bättre strukturerad och mer genomtänkt datainfrastruktur.

Från beräkning till lärande system

Transportplaneringen rör sig gradvis från mer statiska analyser – där modeller uppdateras med några års mellanrum – mot mer dynamiska arbetssätt där data kan användas löpande för uppföljning och kalibrering.

Realtidsdata, sensorer och mobilnätsdata skapar nya möjligheter att förstå rörelsemönster och förändringar över tid. Men nya datakällor ersätter inte behovet av modellering. De kompletterar den.

Mobilnätsdata kan till exempel ge en bred bild av flöden mellan områden, men saknar ofta den detaljeringsgrad som krävs för analys på gatunivå. Punktmätningar är exakta, men lokala. (AI)-modeller behövs fortfarande för att strukturera informationen, knyta ihop nivåerna och sätta observationer i ett systemperspektiv.

Det är därför viktigt att inte låta teknikutvecklingen styra analysen – eller tro att en enskild datakälla kan lösa allt.