Punktlighet för pendeltågstrafik i Stockholm - Analys av förseningsdata och fordonsdata
(2021) VTVL01 20211Transport and Roads
- Abstract (Swedish)
- Arbetet ämnar till att undersöka eventuella samband mellan fordonsdata och förseningsdata för att fastställa om fordonsdata kan användas för att förutse förseningar. Fordonsdata som genererats till följd av behov för kontrollundersökning, i.e. felkoder, har kombinerats med förseningsdata från Stockholms pendeltåg mellan 2017-01-01 och 2018-12-08. Statistiska beräkningsmetoder har använts för att avgöra om det finns ett samband. Oddskvot samt konfidensintervall beräknades för att vidare möjliggöra en analys. Analysen delades in i 2 delar varav första delen undersöker om felkoder generellt, oavsett typ, har något samband med förseningar. Andra delen fokuserar på specifika felkoder för att försöka identifiera felkoder som möjligtvis har ett... (More)
- Arbetet ämnar till att undersöka eventuella samband mellan fordonsdata och förseningsdata för att fastställa om fordonsdata kan användas för att förutse förseningar. Fordonsdata som genererats till följd av behov för kontrollundersökning, i.e. felkoder, har kombinerats med förseningsdata från Stockholms pendeltåg mellan 2017-01-01 och 2018-12-08. Statistiska beräkningsmetoder har använts för att avgöra om det finns ett samband. Oddskvot samt konfidensintervall beräknades för att vidare möjliggöra en analys. Analysen delades in i 2 delar varav första delen undersöker om felkoder generellt, oavsett typ, har något samband med förseningar. Andra delen fokuserar på specifika felkoder för att försöka identifiera felkoder som möjligtvis har ett samband med förseningar. Under den studerade tidsperioden genererades 811 olika felkoder. Detta innebär att samtliga 811 felkoder analyseras individuellt.
Resultatet för felkoder generellt visar ett signifikant samband mellan felkoder och gångtidsförseningar men icke-signifikant samband mellan felkoder och uppehålltidsförseningar.
Analysens andra del, specifika felkoder, uppvisade likartade resultat som den första delen. För specifika felkoder visar resultaten att 78 olika felkoder har statistiskt signifikanta samband med gångtidsförseningar. Uppehållsförseningar visade sig ha färre signifikanta felkoder med endast 9 olika felkoder samt att sambanden för samtliga 9 felkoder var svaga jämfört med gångtidsförseningar.
Eftersom resultaten för analysens första del visade signifikant samband mellan felkoder och gångtidsförseningar men icke-signifikant samband mellan felkoder och uppehålltidsförseningar var resultaten för analysens andra del föga förvånande. Gångtidsförseningar visade sig ha en tydligt starkare koppling med felkoder än uppehålltidsförseningar. Anledningen till att uppehålltidsförseningar har en svag till ingen koppling med felkoder kan möjligen förklaras av att uppehålltidsförseningar ofta sker i stationer och därmed har en större koppling med den mänskliga faktorn, bland annat tidtabellens planering, tågpersonalens beteende, ombord- och avstigning av passagerare. Sambandet mellan felkoder och gångtidsförseningar kan möjligen bero på bland annat att delar av tåget i högre grad utsätts för slitage och stress under gång från infrastruktur samt väder och temperatur som i sin tur ger upphov till uppkomsten av felkoder. Det innebär att gångtidsförseningarna möjligen beror mindre på den mänskliga faktorn och till en större del på ett problem med fordonet, något som kan leda till att en felkod genereras. (Less) - Popular Abstract
- This thesis intends to investigate possible connections between vehicle data and delay data to determine whether vehicle data can be used to predict delays. Vehicle data generated as result of the need for inspection, that is, event codes, has been combined with delay data from Stockholm’s commuter trains between 2017 -01-01 and 2018-12-08. Statistical calculation methods were used to determine possible correlations. Odds ratio and confidence intervals were calculated to further enable an analysis. The analysis was divided in two parts of which the first part examines whether event codes in general, regardless of type, have any correlation with delays. The second part focuses on specific event codes to identify event codes that may be... (More)
- This thesis intends to investigate possible connections between vehicle data and delay data to determine whether vehicle data can be used to predict delays. Vehicle data generated as result of the need for inspection, that is, event codes, has been combined with delay data from Stockholm’s commuter trains between 2017 -01-01 and 2018-12-08. Statistical calculation methods were used to determine possible correlations. Odds ratio and confidence intervals were calculated to further enable an analysis. The analysis was divided in two parts of which the first part examines whether event codes in general, regardless of type, have any correlation with delays. The second part focuses on specific event codes to identify event codes that may be related to delays. During the studied period 811 different error codes were generated. This means that all 811 error codes are analysed individually.
The result for event codes generally shows a significant correlation between event codes and runtime delays but a non-significant correlation between event codes and dwell time delays.
The second part of the analysis, specific event codes, displayed similar results of that of the first part of the analysis. For specific event codes, the results show that 78 different event codes have statistically significant correlations with runtime delays. Dwell time delays were found to have fewer significant event codes with only 9 different event codes as well as weak correlations for all 9 event codes compared to those of run time delays.
As the results of the first part of the analysis showed a significant correlation between event codes and runtime delays but a non-significant correlation between event codes and dwell time delays, the subsequent results of the second part of the analysis were not unexpected. Run time delays were found to have a clearly stronger correlation with event codes than dwell time delays. The reason why dwell time delays have a weak or no correlation with event codes can possibly be explained by the fact that dwell time delays often occur in stations and thus have a greater correlation with the human factor including timetable planning, train staff behaviour, boarding and disembarking passengers. The correlation between event codes and run time delays may possibly be due to parts of the train being exposed to a greater degree to wear and tear during run time from infrastructure, weather and temperature, which in turn generate event codes. This means that the run time delays may be due less to the human factor and to a greater extent to a problem with the vehicle, which can lead to an event code being generated. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9064105
- author
- Co, Hendrik LU
- supervisor
- organization
- alternative title
- Punctuality for commuter train traffic in Stockholm - Analysis of delay data and vehicle data
- course
- VTVL01 20211
- year
- 2021
- type
- M3 - Professional qualifications ( - 4 Years)
- subject
- keywords
- Förseningsdata, fordonsdata, felkod, järnväg, försening, tåg, delay data, vehicle data, event code, railway, delay, train
- language
- Swedish
- id
- 9064105
- date added to LUP
- 2021-08-31 13:42:32
- date last changed
- 2021-08-31 13:42:32
@misc{9064105,
abstract = {{Arbetet ämnar till att undersöka eventuella samband mellan fordonsdata och förseningsdata för att fastställa om fordonsdata kan användas för att förutse förseningar. Fordonsdata som genererats till följd av behov för kontrollundersökning, i.e. felkoder, har kombinerats med förseningsdata från Stockholms pendeltåg mellan 2017-01-01 och 2018-12-08. Statistiska beräkningsmetoder har använts för att avgöra om det finns ett samband. Oddskvot samt konfidensintervall beräknades för att vidare möjliggöra en analys. Analysen delades in i 2 delar varav första delen undersöker om felkoder generellt, oavsett typ, har något samband med förseningar. Andra delen fokuserar på specifika felkoder för att försöka identifiera felkoder som möjligtvis har ett samband med förseningar. Under den studerade tidsperioden genererades 811 olika felkoder. Detta innebär att samtliga 811 felkoder analyseras individuellt.
Resultatet för felkoder generellt visar ett signifikant samband mellan felkoder och gångtidsförseningar men icke-signifikant samband mellan felkoder och uppehålltidsförseningar.
Analysens andra del, specifika felkoder, uppvisade likartade resultat som den första delen. För specifika felkoder visar resultaten att 78 olika felkoder har statistiskt signifikanta samband med gångtidsförseningar. Uppehållsförseningar visade sig ha färre signifikanta felkoder med endast 9 olika felkoder samt att sambanden för samtliga 9 felkoder var svaga jämfört med gångtidsförseningar.
Eftersom resultaten för analysens första del visade signifikant samband mellan felkoder och gångtidsförseningar men icke-signifikant samband mellan felkoder och uppehålltidsförseningar var resultaten för analysens andra del föga förvånande. Gångtidsförseningar visade sig ha en tydligt starkare koppling med felkoder än uppehålltidsförseningar. Anledningen till att uppehålltidsförseningar har en svag till ingen koppling med felkoder kan möjligen förklaras av att uppehålltidsförseningar ofta sker i stationer och därmed har en större koppling med den mänskliga faktorn, bland annat tidtabellens planering, tågpersonalens beteende, ombord- och avstigning av passagerare. Sambandet mellan felkoder och gångtidsförseningar kan möjligen bero på bland annat att delar av tåget i högre grad utsätts för slitage och stress under gång från infrastruktur samt väder och temperatur som i sin tur ger upphov till uppkomsten av felkoder. Det innebär att gångtidsförseningarna möjligen beror mindre på den mänskliga faktorn och till en större del på ett problem med fordonet, något som kan leda till att en felkod genereras.}},
author = {{Co, Hendrik}},
language = {{swe}},
note = {{Student Paper}},
title = {{Punktlighet för pendeltågstrafik i Stockholm - Analys av förseningsdata och fordonsdata}},
year = {{2021}},
}