This master thesis investigates the possibilities of using GPS-information from trains to create a model of a railway system, register the routes of the the trains and predict how the trains will travel in the railway system. The thesis work was done at Icomera AB which is a company that specializes in internet connected vehicle solutions.
We describe how the GPS-information is sent from the trains in the form of samples and investigate limitations and possibilities with the available information. About three million samples from 83 SJ-trains were analysed and the samples were filtered with the intent of removing erroneous information. We here found that about 30 % of the samples from the trains were unreliable.
A solution for how the samples from the trains can be used to create a model of the railway system traveled by the trains is presented. We use a large set of historical samples and use cluster nodes and Hermite curves to generate a graph that represent the railway system with stations, nodes and the railway itself. A fully automatic solution is not presented since it did not fit into the time frame of the thesis; instead we created a simple tool which can be used to manually finish the model of the railway system.
Furthermore, we describe how the railway system and the samples from the train can be used to register the routes the trains travel. A state model was used to describe the behavior of the trains in the railway system. The state model creates the possibility of identifying the start and end stations and the stations the trains pass and stop at along the routes. The registered routes were saved in a database and analysed. We present a number of statistical patterns of the registered routes
At last we investigate the possibility of prediction how the trains will travel in the railway system based on the registered routes. Learning decision trees were used for prediction and we evaluate how well the algorithm succeeds with the predictions of the routes the trains will travel. Approximately 90 % of the predictions were correct and we therefore judge the service to be suitable for less critical implementations.

Detta examensarbete undersöker möjligheterna att använda GPS-information från tågtrafik för att skapa en modell av järnvägsnätet, kartlägga hur tågen trafikerar järnvägsnätet samt prediktera hur tågen kommer trafikera järnvägsnätet. Examensarbetet utfördes på uppdrag av Icomera AB under sommaren 2008. Icomera AB är ett företag som specialiserar sig på lösningar för internet-uppkopplade fordon.
Vi beskriver hur GPS-information skickas från tågen i form av samplingar och undersöker begränsningar och möjligheter med informationen som finns tillgänglig. Cirka tre miljoner samplingar från 83 SJ-tåg analyserades och samplingarna behandlades för att filtrera bort felaktig information, vi fann att cirka 30 % tågens samplingar var opålitliga.
En lösning presenteras för hur tågens samplingar kan användas för att skapa en modell av järnvägsnätet som trafikerats. Vi utgår ifrån en stor mängd historiska samplingar och använder oss av klusternoder och Hermite-kurvor för att maskinellt generera en graf som representerar järnvägsnätet med stationer, växlar och rälsens utsträckning. På grund av tidsbrist presenterar vi inte en helt och hållet automatisk lösning och använder slutligen ett enkelt verktyg för att manuellt färdigställa järnvägsmodellen.
Vidare beskrivs hur järnvägsmodellen och tågens samplingar kan användas för att kartlägga vilka rutter tågen trafikerar. En tillståndsmodell används för att beskriva tågens beteende i järnvägsmodellen. Tillståndsmodellen möjliggör identifiering av rutternas start- och slutstationer samt de stationer som tågen passerat och stannat vid längs rutterna. De kartlagda rutterna sparades i en databas och analyserades. Vi presenterar ett antal statistiska mönster hos de kartlagda rutterna.
Till sist undersöker vi möjligheten att prediktera hur tågen kommer trafikera järnvägsnätet genom att använda de kartlagda rutterna som enda underlag. Lärande beslutsträd används för prediktering och vi utvärderar hur väl algoritmen lyckas prediktera tågens rutter. Cirka 90 % av prediktionerna blir korrekta och vi anser därför tjänsten är lämplig för mindre kritiska tillämpningar.cal implementations.