Utveckling av en metod för visualisering av färdvägskoncentrationer : Inriktad på rutter för extraordinära transporter inom Sveriges vägnät | Developing a method for visualizing the most frequent routes : Focusing on abnormal road transports on the Swedish road network

Sveriges vägnät trafikeras varje dag av olika typer av transporter. Under normala förhållanden kan befintlig infrastruktur hantera den typen av motorfordon men vissa transporter är av sådan karaktär att de utifrån sin längd, vikt eller bredd inte får trafikera vägnätet. Dessutom kan vissa transporter även kräva ingrepp i infrastrukturen. Dessa typer av transporter behöver transportdispens för att få trafikera det statliga vägnätet, vilket handläggs av Trafikverket. För att skilja på olika typer av dispenstransporter delar Trafikverket in ansökningarna i kategorierna normal, komplex och extraordinär. Inriktningen för denna studie var extraordinära transporter, det vill säga transporterna av mest avancerad karaktär. Ansökan och handläggning görs i ett system som heter Trix, en brist med detta system är dock att färdvägarna som kan exporteras ur systemet inte har något attribut som kan kopplas ihop med den nationella vägdatabasen (NVDB). Det är därför önskvärt att kunna sätta ihop dessa två datamängder till en gemensam datamängd för att kunna visualisera färdvägar och stråk. Denna studie syftar till att genom geografiska analyser hitta en metod som kan koppla samman dessa två datamängder, trots avsaknad av en gemensam attributnyckel. Studien analyserade om underlaget från Trix är tillräckligt för att visualisera färdvägarna kopplat med andra attribut från NVDB och vilket vägnät som är lämpligt att använda. Utgångsläget var ett mindre studieområde i Borlänge där tre olika metoder applicerades på underlag från Trix och vägnät från NVDB. Den första metoden delade rutterna från Trix för att stämma mot vägnätets länkar. Den andra metoden skapade buffertzoner på rutterna från Trix och kontrollerade vilken del av vägnätet som hamnade inom buffertzonen. Den tredje metoden kontrollerade var linjerna från Trix och vägnätet överlappade. I samtliga processer tilldelades matchande länkar från Trix ett unikt ID-nummer som finns för motsvarande länk i vägnätet. Processer för de olika metoderna togs fram med hjälp av Feature Manipulation Engine (FME) och därefter analyserades resultatet i ArcGIS Pro och Excel. När metoderna klarade att matcha datamängderna för studieområdet applicerades två av dem på större testområden, dessa utgjordes av Borlänge kommun och Dalarnas län. För att analysera resultatet och kvaliteten för utdatamängderna för de större områdena användes stickprov och visuella kartanalyser tillsammans med två mätbara mål. Resultatet visar att den andra metoden kunde tilldela korrekt ID-nummer till länkarna som utgjorde rutterna från Trix. Dock finns vissa brister på de platser där geometrierna för rutterna inte stämmer mot vägnätet, vilket innebar att vägnätet hamnar utanför buffertzonen. Den tredje metoden kan också tilldela korrekt ID-nummer till länkarna från Trix men missade att tilldela ID-nummer på platser där linjerna inte överlappade. Slutsatsen är att de metoder som tagits fram i denna studie kan användas för att hitta en gemensam nyckel mellan rutterna från Trix och vägnätet från NVDB. Därefter kan den sammanslagna datamängden användas för att visualisera rutterna tillsammans med andra attributegenskaper.

The Swedish Road network is constantly used for different types of transportation. Under normal circumstances the road network has the capability to handle the demand, but certain types of transports are longer, heavier and wider than the Swedish laws allow for public roads. These kinds of transport may also require some sort of measures on the infrastructure. Trafikverket (The Swedish Transport Administration) is responsible for allowing these kinds of transports to use the public road network maintained by Trafikverket. The transports must first apply for a special permission to use the public roads. To separate the applications Trafikverket classifies the transports as normal, complex and abnormal. The focus of this study was on abnormal transports. An internal system named Trix is used for handling requests for abnormal road transports. A flaw in the system is that the routes are not connected to the road network, which makes it hard to visualize the routes combined with other attributes from the national Swedish road database (NVDB). The aim of this study is to use geographical analysis to find a suitable method to conflate two different data sets without corresponding attributes. The study also analysed if the data from Trix is enough to visualize the routes and connect them with other attributes from NVDB. It also investigated which type of road network from NVDB that are suitable to use. The study area was a smaller area located in the municipality of Borlänge, where three different methods were applied to data from Trix and the road network from NVDB. The first method split the routes from Trix to align with the links belonging to the road network. The second method created buffer zones around the routes from Trix and controlled which part of the road network that overlayed the buffer zone. The third method checked where the lines from Trix and the road network overlapped. In all processes, the matching links from Trix were assigned a unique identification number that corresponds with the matching link in the road network. The processes for the three different methods were developed with the help of Feature Manipulation Engine (FME). The results were analysed with the help of ArcGIS Pro and Excel. When the methods managed to match the datasets for the study area with a satisfying result, two of the methods were applied to a larger test area consisting of Borlänge municipality and Dalarna County. The results and quality of the output datasets for the larger areas were analysed using random sampling and a visual overview. Two measurable goals were also determined to control if the methods fulfilled the aim of this study. The results show that the second method was able to assign the correct identification number to the links containing the routes from Trix. However, there are some shortages in the places where the geometries of the routes did not match the corresponding road network. A consequence of this was that the road network ended up outside the buffer zone. The third method is also able to assign the correct identification numbers to the links from Trix but fails to assign identification numbers in places where the lines did not overlap. The conclusion is that the methods developed in this study can be used to conflate routes from Trix with the road network from NVDB. In the next step the conflated dataset can be used to visualize the routes along with other desirable attribute properties.