Background: I takt med att städerna växer, upplever många kollektivtrafiksystem ökat trängsel. Trängsel i fordon kan ha många negativa effekter på resenärens nöjdhet och välbefinnande, inklusive stress, ångest, hot mot personlig säkerhet och produktivitetstapp på grund av brist på sittplats. Studier visar att trängsel kan öka resenärernas värde av tidsbesparingar avsevärt. Trängsel påverkar också fordonets uppehållstider vid stationer, vilket i sin tur minskar tillförlitligheten. Beläggningen kan vara mycket ojämnt fördelad mellan bussar och mellan tågvagnar även under rusningsperioden. Det innebär att den effektiva kapaciteten är betydligt lägre än den nominella kapaciteten baserat på att alla fordon och vagnar används lika. Följaktligen krävs fler fordon än vad som krävs för att betjäna efterfrågan, vilket leder till betydande kostnader för operatören. Ojämn passagerarspridning mellan fordonsenheter innebär också att den genomsnittliga upplevda trängselnivån per passagerare är högre än om passagerarna är jämnt fördelade. Under de senaste åren har många städer börjat tillhandahålla realtidsinformation om ankomsttider vid hållplatser eller i mobila applikationer. Realtidsinformation om ankomsttider har i flera studier visats ha positiva effekter på upplevda väntetider, säkerhet och generell nöjdhet. System som tillhandahåller realtidsinformation om trängsel i ankommande fordon är mindre vanliga i praktiken. I teorin tillåter informationen resenärer att fatta bättre informerade beslut om huruvida man ska gå ombord på ett fordon eller inte baserat på deras preferenser för trängsel, väntetid, total restid osv. Således kan trängselinformation I realtid öka passagerarnas nöjdhet och resekvalitet, vilket skulle vara attraktivt för kollektivtrafikmyndigheter och operatörer.

Methods: Att tillhandahålla trängselinformation kräver generellt att passagerarbelastningar predikteras flera stationer framåt från de nuvarande positionerna. Syftet med den här presentationen är att formulera problemet att prediktera trängseln i bussar och tåg baserat på realtidsbelastningsdata och utvärdera prestandan hos flera prediktionsmetoder (stegvis regression, lasso och boosted tree ensembles). Problemet studeras för flera målstationer längs busslinje 4 och röd tunnelbanelinje i Stockholm. Prediktionsnoggrannheten utvärderas med hänsyn till absoluta passagerbelastningar samt fördefinierade diskreta trängningsnivåer.

Results: Resultaten visar att realtidsinformation om beläggningsgrader gör att framtida trängsel kan predikteras betydligt mer exakt än om bara historiska data finns tillgängliga. Effekten är särskilt stor för stationer/hållplatser och tider på dagen med hög belastning. Precisionen ökar ju närmare det aktuella fordonen kommer målstationen/hållplatsen. De olika prediktionsmetoderna ger alla liknande resultat.