Efficient traffic management requires an understanding of mobility patterns in the road network, where one important component is route choice. This study aims to analyze how route choice models can be adapted to efficient urban traffic management and intelligent transport systems (ITS), by constructing route sets and attributes from GPS and network data. With a route choice model that is responsive to traveltime changes in the network, travel behavior during incidents can be predicted to evaluate traffic management policies, such as traveler information and traffic control. The dataset consists of about 400,000 vehicle trips and is divided into a training dataset and a test dataset. The two datasets are compared, and the experiments show that the routes used are similar. Discrete route choice models are estimated with one data-driven path identification approach (DDPI) and one where the data-driven path set is augmented with routes from a network-based shortest path generation with link penalty (NBPA). The result suggests that the traveltime has a larger impact on the route choice when the model is trained on the NBPA route set and that the route's simplicity, length, and traveltime are important attributes for the route choice, which are useful insights in a traffic management context.

Efficient traffic management requires an understanding of mobility patterns in the road network, where one important component is route choice. This study aims to analyze how route choice models can be adapted to efficient urban traffic management and intelligent transport systems (ITS), by constructing route sets and attributes from GPS trajectory and network data. With a route choice model that is responsive to traveltime changes in the network, travel behavior during incidents can be predicted to evaluate traffic management policies, such as traveler information and traffic control. The dataset consists of about 40,000 vehicle trips and is divided into a training dataset and a test dataset. Discrete route choice models are estimated with one data-driven path identification approach (DDPI) and one where the data-driven path set is augmented with routes from a network-based shortest path generation with link penalty (NBPA). The result suggests that traveltime has a larger impact on the route choice when the model is trained on the NBPA route set and that the route's simplicity and traveltime are important attributes for the route choice, which are useful insights in a traffic management context.

Recognition of spatio-temporal traffic patterns at the network-wide level plays an important role in data-driven intelligent transport systems (ITS) and is a basis for applications such as short-term prediction and scenario-based traffic management. Common practice in the transport literature is to rely on well-known general unsupervised machine-learning methods (e.g., k-means, hierarchical, spectral, DBSCAN) to select the most representative structure and number of day-types based solely on internal evaluation indices. These are easy to calculate but are limited since they only use information in the clustered dataset itself. In addition, the quality of clustering should ideally be demonstrated by external validation criteria, by expert assessment or the performance in its intended application. The main contribution of this paper is to test and compare the common practice of internal validation with external validation criteria represented by the application to short-term prediction, which also serves as a proxy for more general traffic management applications. When compared to external evaluation using short-term prediction, internal evaluation methods have a tendency to underestimate the number of representative day-types needed for the application. Additionally, the paper investigates the impact of using dimensionality reduction. By using just 0.1% of the original dataset dimensions, very similar clustering and prediction performance can be achieved, with up to 20 times lower computational costs, depending on the clustering method. K-means and agglomerative clustering may be the most scalable methods, using up to 60 times fewer computational resources for very similar prediction performance to the p-median clustering.

Flygplan och personer som råkar i nöd i oländig terräng kan använda nödsändare som via satellitsystemet COSPAS-SARSAT kan meddela en räddningscentral att det är ett nödläge, samt ungefärlig position. För att sedan lokalisera nödsändaren används ofta flygande resurser, till exempel helikopter, med fast pejl-utrustning som kan fastställa riktningen mot signalkällan. Ibland kan dock flygande resurser inte användas, som till exempel vid dåligt väder eller om de är upptagna på annat uppdrag, och i dagsläget finns inget bra markbaserat alternativ. Syftet med projektet Terrängpejlen var därför att utveckla och utvärdera ett system för markbaserade pejlresurser, så kallad handpejl. Följande slutsatser kunde dras från projektet:

• Handpejl kommer att behövas mycket sällan vid skarpa insatser. En analys av de senaste fem årens relevanta incidenter tyder på att handpejl inte hade varit till nytta vid något tillfälle. Detta kan dock komma att ändras till exempel. som en följd av ökad frekvens av extremväder, eller vid höjd beredskap på grund av militära hot.
• Det finns i dag ingen pejl som är perfekt för ändamålet att lokalisera nödsändare. Av de tre pejlar som testades i projektet bedömdes två kunna uppfylla grundfunktionen, att hitta en nödsändare, men hade brister i till exempel användarvänlighet. Bäst för ändamålet bedömdes Rhotheta RT 400 vara, medan Rohde & Schwarz PR 200 är att föredra om pejlen också ska användas för att hitta störsändare, vilket kan vara önskvärt om den är stationerad på en flygplats.
• Pejling kan utföras av räddningstjänstpersonal på utvalda flygplatser i samverkan med fjällräddare som får agera transportörer. Vid flera flygplatser finns det fortfarande kvar pejlutrustning, trots slopat krav på detta, och det finns också intresse av att upprätthålla kunskapen.
• Utlarmning och kommunikation bör ske enligt dagens rutin med regelbundna samverkanskonferenser. Direkta kontaktvägar mellan pejloperatörer (flygplatspersonal) och transportörer (fjällräddare) måste upprättas och samverkan måste övas regelbundet.
• Nödvändig utbildning och övning omfattar utbildning av lokala instruktörer, lokal operatörsutbildning samt regelbundna samverkansövningar. Instruktörsutbildning kan genomföras av Sjöfartsverket. Instruktörerna sköter sedan lokala utbildningar och övningar, vilka bör genomföras minst en gång per år. Dessa kan kombineras med återkommande samverkansövningar tillsammans med Sjö- och flygräddningscentralen, Polisen, SOS Alarm och Fjällräddningen.
• Sjöfartsverket bör vara ansvarig organisation som äger pejlarna och lånar ut dessa till flygplatserna, samt har ansvar för tillsyn av verksamheten. Urval av flygplatser bör göras i första hand med utgångspunkt från geografiskt täckningsområde. Utslaget på årsbasis blir den dominerande kostnaden vid en implementering att ha flygplatspersonal i beredskap. Med ett riktpris på 250 000 SEK per pejl, blir det också en viss investeringskostnad om många flygplatser ska utrustas.

While being a significant part of the urban development, construction projects disturb different stakeholders in various ways. There are three problems associated with construction disturbances: (i) most of these disturbances are not recognised by the people causing them, (ii) they are not monitored and (iii) if they are to be monitored, data is spread among stakeholders. This paper defines what a disturbance is, presents a list of disturbances, linking disturbances to stakeholders and, categorising them based on their distance from construction sites (responding to (i)). Next, a IoT domain model is developed, demonstrating how IoT in construction needs to be combined with the sensors of smart cities to capture the primitives of these disturbances (responding to (iii)). This is a first step towards enabling large-scale data-gathering of construction transport disturbances (responding to (ii)), which is a necessity to predict them and allow better construction transport planning to decrease disturbances.