Härtill 6 uppsatser

Diss. (sammanfattning) Stockholm : Kungliga Tekniska högskolan, 2025

Efficient public transportation is crucial for reducing traffic congestion, cutting carbon emissions, and ensuring fair access to jobs and services. With modern technology, we now have access to large amounts of public transport data, including passenger movements, vehicle trajectories, and other sensor-generated information. The knowledge hidden behind this data has significant potential to enhance transportation planning, operations, and control. However, effectively representing and organizing, as well as extracting useful information from such data to address public transportation issues remains challenging. Graphical models have gained significant attention for their strengths in data representation, knowledge interconnection, and complex structure visualization. Notably, knowledge graphs and causal graphs are two distinct types of graphical models and are widely applied in various domains (e.g., social network analysis, drug discovery, and recommendation systems, etc.). Knowledge graphs are good at organizing and connecting massive amounts of data and knowledge, revealing complex relationships, and enabling knowledge mining and inference (answering `what' and `how' questions). Causal graphs are powerful for identifying and analyzing causal relationships, allowing for a deeper understanding of the underlying mechanisms that drive observed data patterns (answering `why' questions). Specifically, the thesis aims to propose two data-driven graphical models (i.e., the knowledge graph and causal graph) and explore their application scenarios in public transportation. It constructs a mobility knowledge graph to represent and organize mobility data, mine travel patterns between stations, and validate its value in trip destination inference and user-station attention estimation. Then, to gain a deeper understanding of transportation operations, the thesis develops causal discovery models for static data to infer causal relationships and generate causal graphs to analyse the variables causing bus delays. Based on the causal graph, it quantifies the contribution of each variable while considering the causal relationships to support the development of target strategies to mitigate delays.

Effektiv kollektivtrafik är avgörande för att minska trängsel, minska koldioxidutsläppen och säkerställa rättvis tillgång till jobb och tjänster. Med modern teknik har vi nu tillgång till stora mängder kollektivtrafikdata, inklusive passagerarrörelser, fordonsrörelser och sensorgenererad information. Den kunskap som döljs bakom dessa data har stor potential att förbättra transportplanering, drift och styrning. Att effektivt representera och organisera, samt att extrahera användbar information från sådan data för att ta itu med kollektivtrafikproblem är fortfarande en utmaning. Grafiska modeller har fått stor uppmärksamhet för sina styrkor inom datarepresentation, kunskapssammankoppling och visualisering av komplexa strukturer. Kunskapsgrafer och kausala grafer är två distinkta typer av grafiska modeller och allmänt tillämpade inom olika domäner (t.ex. sociala nätverksanalyser, läkemedelsutveckling och rekommendationssystem, etc.). Kunskapsgrafer är bra på att organisera och koppla samman enorma mängder data och kunskap, avslöja komplexa samband och möjliggöra kunskapsutvinning och inferens (svara på "vad" och "hur"-frågor). Kausala grafer är kraftfulla för att identifiera och analysera orsakssamband, vilket möjliggör en djupare förståelse av de underliggande mekanismerna som driver observerade datamönster (svara på "varför"-frågor). Specifikt syftar avhandlingen till att föreslå två datadrivna grafiska modeller (d.v.s. kunskapsgrafen och kausalgrafen) och utforskar deras tillämpningsscenarier i kollektivtrafiken. Den konstruerar en mobilitetskunskapsgraf för att representera och organisera mobilitetsdata, bryta färdmönster mellan stationer och validera dess värde i slutledning av resemål och uppskattning av användarstations uppmärksamhet. Sedan, för att få en djupare förståelse av transportoperationer, utvecklar avhandlingen kausala upptäcktsmodeller för statisk data för att sluta sig till orsakssamband och generera kausala grafer för att analysera variablerna som orsakar bussförseningar. Baserat på kausalgrafen kvantifierar den bidraget från varje variabel samtidigt som orsakssambanden beaktas för att stödja utvecklingen av målstrategier för att mildra förseningar. Dessutom utvecklar avhandlingen också en tidsseriemodell för orsaksupptäckt för att förstå bussfördröjningsutbredningsmönster och effekter inom kollektivtrafiksystemet ur ett systemperspektiv.