Det finns ett tydligt behov av fortsatt forskning- och utvecklingsarbete av makroskopiska och mikroskopiska cykeltrafikmodeller givet resultatet från behovsanalysen i relation till kunskapsläget. Centralt för utveckling och tillämpning av båda modelltyperna är tillgången till data. Specifik datainsamling behöver göras både avseende färdmedelsval som inkluderar cykeltrafik och av
cyklisters preferenser för ruttval. För cykelinteraktionsmodeller behövs omfattande datainsamling av rörelseförlopp göras för att fånga hur cyklister interagerar med andra cyklister, andra trafikanter, samt väg- och stadsmiljö.
För makroskopiska trafikmodeller finns ett långsiktigt behov av utveckling av efterfrågemodeller som inkluderar cyklister samt av ruttvalsmodeller. Särskilt kopplat till ruttvalsmodeller behöver socio- demografisk bakgrund och ärende-specifika parametrar inkluderas i modellerna. För att möjliggöra detta krävs både mer data och kunskap kring hur individers socio-demografiska bakgrund, intresse och hälsa, och ärende i kombination med information om infrastruktur påverkar ruttval för cyklister. På kort sikt behöver det säkerställas att de vägnätsbeskrivningar som finns i NVDB innehåller
information om existens av cykelbana/cykelfält i hela landet. Även information om utformningen av korsningar, t.ex. cykelboxar, väntytor, trafiksignal, etc. samt utformningen av cykelbana/cykelfält, t.ex. bredd, bör ingå i en framtida beskrivning av cykelvägnätet i Sverige. Modellutveckling borde fokusera på att bättre integrera cykel i befintliga transportplaneringsmodeller som idag har mer fokus på bil och kollektivtrafik, det vill säga integrera cykel i befintliga fyrstegsmodeller, utveckla
stödmodeller som cykelägarskapsmodell, och inkludera cykel i utveckling av framtidens aktivitetsbaserade modeller. Information om utformningen av cykelbanor och korsningar borde inkluderas och kunna ge underlag till utvärdering av de mest vanliga cykelinvesteringarna, t.ex. breddning av cykelbana och nybyggnation av cykelbana.
När det gäller mikroskopiska cykeltrafikmodeller bör den långsiktiga utvecklingen inriktas mot vidareutveckling av antingen bilinspirerade eller kraftinspirerade modeller eller, om så behövs, utveckling av nya modelleringsansatser. I detta ingår att utvärdera vilken modelltyp som har störst förmåga att praktiskt tillämpas i varierande vägmiljöer, vilket bland annat påverkas av behov av data för kalibrering och krav på beräkningstid. På kort sikt bör utvecklingsarbetet inriktas mot att anpassa befintliga simuleringsmodeller till att bättre beskriva cyklisters beteende utifrån mätningar i relevanta trafikmiljöer, samt mot modellering av fria cyklister för att få kunskap om cyklisters val av hastighet och vilka aspekter som påverkar denna och i vilken utsträckning, då detta är centralt för att
vidareutveckla både mikroskopiska och makroskopiska trafikmodeller.
Förutom makroskopiska och mikroskopiska modeller så finns det så kallade mesoskopiska modeller. Mesoskopiska ansatser ger en snabbare simulering än mikroskopiska modeller men fångar fortfarande viktiga delar av trafikflödesdynamiken på enskilda väglänkar. Detta möjliggör simulering av större cykelnätverk och skulle därmed vara ett möjligt alternativ till att bättre fånga trängseleffekter i ruttvalsmodeller i makroskopiska modeller men eventuellt även kunna vara ett alternativ för
framkomlighetsanalyser på enskilda vägsträckor när den exakta vägutformningen spelar mindre roll. Trots att deltagarna i behovsanalysen inte identifierade behov av en bättre koppling mellan
makroskopiska och mikroskopiska cykeltrafikmodeller, har forskningsgruppen/författarna identifierat det som ett forskningsbehov. Å ena sidan kan makroskopiska modeller generera cykelflödesmönster vilka är en viktig input till studier av framkomlighet i enskilda cykeltrafikanläggningar med
mikroskopiska modeller. Å andra sidan kan simuleringsresultat från mikroskopiska modeller användas som underlag för skattning av trafiktekniska samband, som t.ex. samband mellan cykeltrafikflöde och restidsfördröjning, och därmed bidra till kalibrering och validering av makroskopiska modeller. Kopplingar mellan makroskopiska och mikroskopiska modeller ger möjlighet att analysera effekter av åtgärder både på framkomlighetsnivå och efterfrågenivå vid t.ex. dimensionering av
Referenser
Aziz, H.M.A., Nagle, N.N., Morton, A.M., Hilliard, M.R., White, D.A., Stewart, R.N., 2018a. Exploring the impact of walk–bike infrastructure, safety perception, and built-environment on active transportation mode choice: a random parameter model using New York City commuter data. Transportation (Amst). 45, 1207–1229. https://doi.org/10.1007/s11116-017-9760-8 Aziz, H.M.A., Park, B.H., Morton, A., Stewart, R.N., Hilliard, M., Maness, M., 2018b. A high
resolution agent-based model to support walk-bicycle infrastructure investment decisions: A case study with New York City. Transp. Res. Part C Emerg. Technol. 86, 280–299.
https://doi.org/10.1016/j.trc.2017.11.008
Balkmar, D., 2020. Cycling politics: imagining sustainable cycling futures in Sweden. Appl. Mobilities 1–17. https://doi.org/10.1080/23800127.2020.1723385
Bigazzi, A., Lindsey, R., 2019. A utility-based bicycle speed choice model with time and energy factors. Transportation (Amst). 46, pp 995-1009.
Bowman, J.L., 2014. Incorporating Bicycling into Activity - based Regional Travel Forecasting Models in Denmark : Identified Needs and Proposed Solutions 1–34.
Broach, J., Dill, J., Gliebe, J., 2012. Where do cyclists ride? A route choice model developed with revealed preference GPS data. Transp. Res. Part A Policy Pract. 46, 1730–1740.
https://doi.org/10.1016/j.tra.2012.07.005
Buehler, R., Pucher, J., 2012. Cycling to work in 90 large American cities: New evidence on the role of bike paths and lanes. Transportation (Amst). 39, 409–432. https://doi.org/10.1007/s11116- 011-9355-8
Caggiani, L., Camporeale, R., Ottomanelli, M., Szeto, W.Y., 2018. A modeling framework for the dynamic management of free-floating bike-sharing systems. Transp. Res. Part C Emerg. Technol. 87, 159–182. https://doi.org/10.1016/j.trc.2018.01.001
Cagliero, L., Cerquitelli, T., Chiusano, S., Garza, P., Xiao, X., 2017. Predicting critical conditions in bicycle sharing systems. Computing 99, 39–57. https://doi.org/10.1007/s00607-016-0505-x Dong, P., Wang, X., Yun, L., Fan, H., 2018. Research on the characteristics of mixed traffic flow
based on an improved bicycle model. Simulation 94, 451–462. https://doi.org/10.1177/0037549717736947
Doorley, R., Pakrashi, V., Caulfield, B., Ghosh, B., 2014. Short-term forecasting of bicycle traffic using structural time series models. 2014 17th IEEE Int. Conf. Intell. Transp. Syst. ITSC 2014 1764–1769. https://doi.org/10.1109/ITSC.2014.6957948
El Esawey, M., Lim, C., Sayed, T., Mosa, A.I., 2013. Development of Daily Adjustment Factors for Bicycle Traffic. J. Transp. Eng. 139, 859–871. https://doi.org/10.1061/(ASCE)TE.1943- 5436.0000565
Eriksson, J., Niska, A., Sörensen, G., Gustafsson, S., Forsman, Å., 2017. Cyklisters hastigheter: Kartläggning, mätningar och observation.
Ermagun, A., Lindsey, G., Hadden Loh, T., 2018. Bicycle, pedestrian, and mixed-mode trail traffic: A performance assessment of demand models. Landsc. Urban Plan. 177, 92–102.
https://doi.org/10.1016/j.landurbplan.2018.05.006
Faghih-Imani, A., Eluru, N., 2017. Examining the impact of sample size in the analysis of bicycle- sharing systems. Transp. A Transp. Sci. 13, 139–161.
https://doi.org/10.1080/23249935.2016.1223205
Faghih-Imani, A., Eluru, N., 2015. Analysing bicycle-sharing system user destination choice preferences: Chicago’s Divvy system. J. Transp. Geogr. 44, 53–64.
https://doi.org/10.1016/j.jtrangeo.2015.03.005
Fagnant, D.J., Kockelman, K., 2016. A direct-demand model for bicycle counts: the impacts of level of service and other factors. Environ. Plan. B Plan. Des. 43, 93–107.
https://doi.org/10.1177/0265813515602568
Fellendorf, M., Vortisch, P., 2010. Microscopic traffic flow simulator VISSIM, in: Fundamentals of Traffic Simulation. Springer, pp. 63–93.
38 VTI rapport 1064 perceptions. Transportation (Amst). 43, 1–23. https://doi.org/10.1007/s11116-014-9559-9
Fishman, E., 2016. Cycling as transport. Transp. Rev. 36, 1–8. https://doi.org/10.1080/01441647.2015.1114271
Flügel, S., Hulleberg, N., Fyhri, A., Weber, C., Ævarsson, G., 2019. Empirical speed models for cycling in the Oslo road network. Transportation (Amst). 46, 1395–1419.
https://doi.org/10.1007/s11116-017-9841-8
Fosgerau, M., Frejinger, E., Karlstrom, A., 2013. A link based network route choice model with unrestricted choice set. Transp. Res. Part B Methodol. 56, 70–80.
https://doi.org/10.1016/j.trb.2013.07.012
Fournier, N., Christofa, E., Knodler, M.A., 2017. A sinusoidal model for seasonal bicycle demand estimation. Transp. Res. Part D Transp. Environ. 50, 154–169.
https://doi.org/10.1016/j.trd.2016.10.021
Gallop, C., Tse, C., Zhao, J., 2011. A Seasonal Autoregressive Model Of Vancouver Bicycle Traffic Using Weather Variables. i-manager’s J. Civ. Eng. 1, 9–18. https://doi.org/10.26634/jce.1.4.1694 Gebhart, K., Noland, R.B., 2014. The impact of weather conditions on bikeshare trips in Washington,
DC. Transportation (Amst). 41, 1205–1225. https://doi.org/10.1007/s11116-014-9540-7 Gobster, P.H., Sachdeva, S., Lindsey, G., 2017. Up on the 606: Understanding the use of a new
elevated pedestrian and bicycle trail in Chicago, Illinois. Transp. Res. Rec. 2644, 83–91. https://doi.org/10.3141/2644-10
González, F., Melo-Riquelme, C., de Grange, L., 2016. A combined destination and route choice model for a bicycle sharing system. Transportation (Amst). 43, 407–423.
https://doi.org/10.1007/s11116-015-9581-6
Griswold, J., Medury, A., Schneider, R., 2011. Pilot models for estimating bicycle intersection volumes. Transp. Res. Rec. d, 1–7. https://doi.org/10.3141/2247-01
Halldórsdóttir, K., Nielsen, O.A., Prato, C.G., 2015. Behavioural models for cycling - Case studies of the Copenhagen Region 1–326.
Hankey, S., Lindsey, G., Wang, X., Borah, J., Hoff, K., Utecht, B., Xu, Z., 2012. Estimating use of non-motorized infrastructure: Models of bicycle and pedestrian traffic in Minneapolis, MN. Landsc. Urban Plan. 107, 307–316. https://doi.org/10.1016/j.landurbplan.2012.06.005 Heinen, E., van Wee, B., Maat, K., 2010. Commuting by bicycle: An overview of the literature.
Transp. Rev. 30, 59–96. https://doi.org/10.1080/01441640903187001
Helbing, D., Molnár, P., 1995. Social force model for pedestrian dynamics. Phys. Rev. E. https://doi.org/10.1103/PhysRevE.51.4282
Hollestelle, M., 2020. Travel demand modelling with the individual-based model Brutus. Hoogendoorn, S.P., 2001. Normative Pedestrian Flow Behavior, Theory and Applications. Delft
University of Technology, Faculty of Civil Engineering and Geosciences, Transportation and Traffic Engineering section.
Hoogendoorn, S.P., Daamen, W., 2016. Bicycle Headway Modeling and Its Applications. Transp. Res. Rec. J. Transp. Res. Board pp 34-40.
Huang, L., Jianoing, W., Chong, K., 2007. Microscopic mixed traffic flow simulation model at unsignalized intersections, in: PROCEEDINGS OF THE 14TH WORLD CONGRESS ON INTELLIGENT TRANSPORT SYSTEMS (ITS), HELD BEIJING, OCTOBER 2007. ITS America.
Johansson, F., 2018. Estimating interaction delay in bicycle traffic from point measurements, Working papers in transport economics. Centre for transport studies.
Kamargianni, M., Polydoropoulou, A., 2013. Hybrid choice model to investigate effects of teenagers’ attitudes toward walking and cycling on mode choice behavior. Transp. Res. Rec. 151–161. https://doi.org/10.3141/2382-17
Liang, X., Mao, B., Xu, Q., 2012. Psychological-Physical Force Model for Bicycle Dynamics. J. Transp. Syst. Eng. Inf. Technol. 12, pp 91-97.
Liang, X., Xie, M., Jia, X., 2018. New Microscopic Dynamic Model for Bicyclists’ Riding Strategies. J. Transp. Eng. Part A Syst. 144, Content ID 04018034.
transport model with focus on cycling. Transp. Res. Part A Policy Pract. 134, 164–183. https://doi.org/10.1016/j.tra.2020.02.010
Lu, C.C., 2016. Robust Multi-period Fleet Allocation Models for Bike-Sharing Systems. Networks Spat. Econ. 16, 61–82. https://doi.org/10.1007/s11067-013-9203-9
Lu, T., Mondschein, A., Buehler, R., Hankey, S., 2018. Adding temporal information to direct-demand models: Hourly estimation of bicycle and pedestrian traffic in Blacksburg, VA. Transp. Res. Part D Transp. Environ. 63, 244–260. https://doi.org/10.1016/j.trd.2018.05.011
Luo, Y., Jia, B., Liu, J., Lam, W.H.K., Li, X., Gao, Z., 2015. Modeling the interactions between car and bicycle in heterogeneous traffic 49, 29–47. https://doi.org/10.1002/atr.1257
Manar, A., Cao, G., 2015. Adapting Car Traffic Models and Concepts to Bicycle Traffic, in: Transportation Research Circular. Transportation Research Board, p. pp 321-333.
Menghini, G., Carrasco, N., Schüssler, N., Axhausen, K.W., 2010. Route choice of cyclists in Zurich. Transp. Res. Part A Policy Pract. 44, 754–765. https://doi.org/10.1016/j.tra.2010.07.008
Muñoz, B., Monzon, A., Daziano, R.A., 2016. The Increasing Role of Latent Variables in Modelling Bicycle Mode Choice. Transp. Rev. 36, 737–771.
https://doi.org/10.1080/01441647.2016.1162874
O’Brien, O., Cheshire, J., Batty, M., 2014. Mining bicycle sharing data for generating insights into sustainable transport systems. J. Transp. Geogr. 34, 262–273.
https://doi.org/10.1016/j.jtrangeo.2013.06.007
Olstam, J., Liu, C., Karlström, J., Ekström, J., Johansson, F., 2019. Behovsanalys för cykeltrafikmodeller, VTI PM.
Paulsen, M., Rasmussen, T.K., Nielsen, O.A., 2019. Fast or forced to follow: A speed heterogeneous approach to congested multi-lane bicycle traffic simulation. Transp. Res. Part B Methodol. https://doi.org/10.1016/j.trb.2019.07.002
Perez Castro, G., 2020. Modelling behavior of cyclists to evaluate bicycle traffic performance. KTH Royal Institute of Technology.
Pritchard, R., 2018. Revealed preference methods for studying bicycle route choice—a systematic review. Int. J. Environ. Res. Public Health 15. https://doi.org/10.3390/ijerph15030470
Qu, Z.W., Cao, N.B., Chen, Y.H., Zhao, L.Y., Bai, Q.W., Luo, R.Q., 2017. Modeling electric bike-car mixed flow via social force model. Adv. Mech. Eng. https://doi.org/10.1177/1687814017719641 Raksuntorn, W., Khan, S.I., 2006a. Behavior of Bicyclist in Following, in: Transportation Research
Board 85th Annual Meeting. p. 18p.
Raksuntorn, W., Khan, S.I., 2006b. Decision to Pass and Passing Maneuvers of Bicyclists, in: Transportation Research Board 85th Annual Meeting. p. 18p.
Raviv, T., Tzur, M., Forma, I.A., 2013. Static repositioning in a bike-sharing system: models and solution approaches. EURO J. Transp. Logist. 2, 187–229. https://doi.org/10.1007/s13676-012- 0017-6
Rudloff, C., Lackner, B., 2014. Modeling Demand for Bikesharing Systems. Transp. Res. Rec. J. Transp. Res. Board 2430, 1–11. https://doi.org/10.3141/2430-01
Sener, I.N., Eluru, N., Bhat, C.R., 2009. An analysis of bicycle route choice preferences in Texas, US. Transportation (Amst). 36, 511–539. https://doi.org/10.1007/s11116-009-9201-4
Sullivan, J., Dowds, J., Aultman-hall, L., 2015. Regional Models of Bicycle and Pedestrian Travel in Chittenden County, Vermont 55.
Ton, D., Cats, O., Duives, D., Hoogendoorn, S., 2017. How do people cycle in amsterdam,
Netherlands?: Estimating cyclists’ route choice determinants with GPS data from an Urban area. Transp. Res. Rec. 2662, 75–82. https://doi.org/10.3141/2662-09
Ton, D., Duives, D.C., Cats, O., Hoogendoorn-Lanser, S., Hoogendoorn, S.P., 2019. Cycling or walking? Determinants of mode choice in the Netherlands. Transp. Res. Part A Policy Pract. 123, 7–23. https://doi.org/10.1016/j.tra.2018.08.023
Transportation Reserach Board, 2010. Highway Capacity Manual. Washington D.C. Transportstyrelsen, 2020. Regler för cykel [WWW Document]. URL
40 VTI rapport 1064 Twaddle, H., Grigoropoulos, G., 2016. Modeling the Speed, Acceleration, and Deceleration of
Bicyclists for Microscopic Traffic Simulation. Transp. Res. Rec. J. Transp. Res. Board pp 8-16. Twaddle, H.A., 2017. Development of tactical and operational behaviour models for bicyclists based
on automated video data analysis. Technische Universität München, München.
Vasic, J., Ruskin, H.J., 2012. Cellular automata simulation of traffic including cars and bicycles. Phys. A Stat. Mech. its Appl. 391, 2720–2729. https://doi.org/10.1016/j.physa.2011.12.018
Wang, H., Palm, M., Chen, C., Vogt, R., Wang, Y., 2016. Does bicycle network level of traffic stress (LTS) explain bicycle travel behavior? Mixed results from an Oregon case study. J. Transp. Geogr. 57, 8–18. https://doi.org/10.1016/j.jtrangeo.2016.08.016
Wang, J., Hankey, S., Wu, X., Lindsey, A.G., 2016. Monitoring and modeling of urban trail traffic: Validation of direct demand models in Minneapolis, Minnesota, and Columbus, Ohio. Transp. Res. Rec. 2593, 47–59. https://doi.org/10.3141/2593-06
Yoon, J.W., Pinelli, F., Calabrese, F., 2012. Cityride: A predictive bike sharing journey advisor, in: Proceedings - 2012 IEEE 13th International Conference on Mobile Data Management, MDM 2012. pp. 306–311. https://doi.org/10.1109/MDM.2012.16
Zhang, D., Yu, C., Desai, J., Lau, H.Y.K., Srivathsan, S., 2017. A time-space network flow approach to dynamic repositioning in bicycle sharing systems. Transp. Res. Part B Methodol. 103, 188– 207. https://doi.org/10.1016/j.trb.2016.12.006
Zhou, Y., Wang, L., Zhong, R., Tan, Y., 2018. A Markov Chain Based Demand Prediction Model for Stations in Bike Sharing Systems. Math. Probl. Eng. 2018. https://doi.org/10.1155/2018/8028714 Ziemke, D., Kaddoura, I., Nagel, K., 2019. The MATSim open Berlin scenario: A multimodal agent-
based transport simulation scenario based on synthetic demand modeling and open data, in: Procedia Computer Science. Elsevier B.V., pp. 870–877.
https://doi.org/10.1016/j.procs.2019.04.120
Zimmermann, M., Mai, T., Frejinger, E., 2017. Bike route choice modeling using GPS data without choice sets of paths. Transp. Res. Part C Emerg. Technol. 75, 183–196.
OM VTI
V
TI, Statens väg- och transportforskningsinstitut, är ett oberoende och internationellt framstående forskningsinstitut inom transportsektorn. Vår huvuduppgift är att bedriva forskning och utveckling kring infra- struktur, trafik och transporter. Vi arbetar för att kunskapen om transport- sektorn kontinuerligt ska förbättras och är på så sätt med och bidrar till att uppnå Sveriges transportpolitiska mål.Verksamheten omfattar samtliga transportslag och områdena väg- och ban- teknik, drift och underhåll, fordonsteknik, trafiksäkerhet, trafikanalys, människan i transportsystemet, miljö, planerings- och beslutsprocesser, transportekonomi samt transportsystem. Kunskapen från institutet ger beslutsunderlag till aktörer inom transportsektorn och får i många fall direkta tillämpningar i såväl nationell som internationell transportpolitik.
VTI utför forskning på uppdrag i en tvärvetenskaplig organisation. Medarbetarna arbetar också med utredning, rådgivning och utför olika typer av tjänster inom mätning och provning. På institutet finns tekniskt avancerad forskningsutrustning av olika slag och körsimulatorer i världsklass. Dessutom finns ett laboratorium för vägmaterial och ett krocksäkerhetslaboratorium.
I Sverige samverkar VTI med universitet och högskolor som bedriver närliggande forskning och utbildning. Vi medverkar även kontinuerligt i internationella forsk- ningsprojekt, framförallt i Europa, och deltar aktivt i internationella nätverk och allianser.
VTI är en uppdragsmyndighet som lyder under regeringen och hör tilI Infrastruk- turdepartementets verksamhets-/ansvarsområde. Vårt kvalitetsledningssystem är certifierat enligt ISO 9001 och vårt miljöledningssystem är certifierat enligt ISO 14001. Vissa provningsmetoder vid våra laboratorier för krocksäkerhetsprovning och vägmaterialprovning är dessutom ackrediterade av Swedac.