Kollektivtrafikresenärer väljer sina rutter baserat på preferenser för olika serviceattribut, såsom väntetid och bytestid med mera. Att förstå och kunna modellera dessa preferenser spelar en central roll i transportplaneringen, vid prioritering av åtgärder, och är avgörande för att få realistiska flödesfördelningar vid nätverksutläggning av kollektivtrafik och därmed vid skattning av tidsvärden. Under de senaste decennierna har det blivit allt vanligare att använda passivt genererade empiriska data, såsom GPS (Global Positioning System) och AFC-data (Automatic Fare Collection), för att modellera ruttval inom kollektivtrafiken. Traditionellt har experimentella stated preference-undersökningar nyttjats för att skatta preferenser för restidskomponenter i kollektivtrafiken, men sådana har visat sig ha vissa begränsningar.

Denna pilotstudie syftar till att undersöka både lämpliga datakällor och metodik för skattning av ruttvalsmodeller för kollektivtrafik. Studien kommer främst att använda två datakällor: GPS-data som har hämtats från resedagböcker i appen TRavelVU samt data från SL Accesskort. SL Accesskort-data har god representativitet men saknar information om anslutningsdelen av resan. TRavelVU-data, å andra sidan, är begränsad till ett mindre antal individer, men möjliggör fullständiga observationer av ruttval från zon-till-zon.

I denna pilotstudie utvecklas därför en metodik där anslutningsdelen av resan modelleras baserat på observationer från TRavelVU-data. Metoden genererar sedan anslutningsdelen för accesskortdata, vilket gör det möjligt att skapa syntetiska zon-till-zon-resor med kollektivtrafik. En Path-size Logit-modell skattas utifrån dessa syntetiska resor. Resultaten visar att modellen kan fånga effekter som anslutningsrestid, väntetid och bytestid, men skattade vikter för väntetid samt restid i fordon för tunnelbana är låga. Dock identifierades vissa begränsningar med denna metod, vilket öppnar upp för vidare forskning inom området.

Public transport passengers choose their routes based on preferences for different service attributes, such as waiting and transfer times. Understanding and modelling these preferences plays a central role in transport planning and is crucial for public transport network design and time value estimation. However, in recent decades, it has become increasingly common to use passively generated data, such as Global Positioning System (GPS) and Automatic Fare Collection (AFC) data, to model route choices in public transport.

This pilot study aims to investigate both suitable data sources and methodology for estimating route choice models for public transport. The study will mainly use two data sources: GPS data collected from travel diaries in the app TRavelVU and data from SL Accesskort. SL Accesskort data has good representativeness but lacks information on the access and egress parts of the trip. TRavelVU data, on the other hand, is limited to a smaller number of individuals but allows for complete observations of route choice from door-to-door.

In this pilot study, a methodology is therefore developed where the connection (access and egress) part of the trip is modelled based on observations from TRavelVU data. The methodology then generates the connection part of the access card data, making it possible to create synthetic zone-to-zone trips by public transport. A Path-size Logit model is estimated from these synthetic trips. The results show that the model can capture effects such as connection travel time, waiting time and transfer time but the estimated weights for waiting time and in-vehicle time for subway are generally low. Some limitations are identified with this method as well, which opens up for further research in the field.