Posted in February 2014

Robust public transport from a passenger perspective

MSc.Thesis by Menno Yap (full report: HERE )

Summary:

Disturbances in public transport are an important issue for passengers, public transport operators and infrastructure managers. After the occurrence of large disturbances, there is often a strong call from passengers and society to make the public transport network less vulnerable – and therefore more robust – against these types of events. Despite the mentioned importance of considering robustness, the next limitations can be formulated regarding the way robustness of public transport networks is currently considered:
When evaluating and improving robustness of public transport networks against large non-recurrent disturbances, a passenger perspective is not included to its full extent. There is a strong focus on independent network levels operated by a single public transport operator, instead of considering the integral, multi-level public transport network available for passengers.

In general, limited quantitative data is available about disturbances which occur on multi-level public transport networks and about the effects of these disturbances on passengers. Also there is limited knowledge about the robustness performances of different network levels relative to each other. Given these limitations, the following main research question is formulated:
What methodology can be developed to evaluate the robustness of multi-level public transport networks and to evaluate robustness effects of measures for the case study network between Rotterdam and The Hague?

In this study, robustness is related only to major discrete events: large, non-recurrent events which affect infrastructure availability. In line with this, the next definition of robustness is used in this study:
‘Robustness is the extent to which the network is able to maintain the function it was originally designed for under circumstances which strongly deviate from plan’.
In this study, a methodology is developed which enables the evaluation of the current robustness of multi-level public transport networks, as well as the evaluation of proposed robustness measures. The case study shows that it is worth to consider another network level as back-up in case a certain network level is blocked. The result of the case study indicates that from a societal point of view, there is still room to improve the robustness of multi-level public transport networks.
The developed methodology can especially be developed further by incorporating en-route route choice possibilities in the transit assignment model. Further research is recommended especially to gain more knowledge about the behaviour of passengers in case they are confronted with major discrete events and in case they are confronted with crowded vehicles.

Big data opportunities to enhance public transport

New promising Big Data sources are becoming available in the Public Transport industry, via for instance Intermodal Transport Control Systems (ITCS). This data provides insights into both passenger flows and vehicle performance and is of great help to optimize public transport services. The data enables to evaluate ridership and compare it with use of other modes as car and bike traffic. In addition, whatif- predictions are possible to gain insights into expected level of cost coverage, service and ridership and to finally optimize the services.

Read more: ITCS and Big Data (IT TRANS2014)

No data, no glory

Ons verslag en de OV highlights van het TRB congres 2014 lees je hier: TRB verslag OV Magazine

Hoe Big Data leidt tot beter en goedkoper openbaar vervoer

Verschenen op verkeersnet.nl, 19-11-2013

De presentatie over de kansen van Big Data in OV van het Grote Big Data congres vind je HIER

Verplicht in- en uitchecken, ook voor abonnementshouders, kan niet rekenen op de populariteitsprijs van de reiziger. Dat is jammer, met alle begrip overigens voor de soms kafkaiaanse toestanden waarin een goedwillende reiziger in verzeild kan raken als hij een keertje het in- of uitchecken vergeet. Toch wil ik het wel van de daken schreeuwen: in- en uitchecken dient primair het reizigersbelang. Actuele feitelijke informatie over collectief reisgedrag helpt OV toe te snijden op de behoefte van haar klanten. Het OV kan nog zoveel beter.

Zo, dat is eruit. Nu het goede nieuws. We kunnen al heel veel met Big Data in OV-land, ook al is het in- en uitcheck-ritueel nog niet 100% sluitend. Voor de OV-onderzoeker zijn het gouden tijden, want naast de chipkaart hebben we nóg een bron met actuele gegevens over de ‘performance’ van het OV. Opgezet om de reiziger te informeren, wordt real time veel data verzameld opdat de reisinformatiepanelen de juiste informatie tonen (GOVI in jargon). In die data ligt het verbeterpotentieel van het OV verborgen. Want wie het verleden begrijpt kan een mooiere toekomst vormgeven. En dat het OV beter kan, lijkt voor velen niet eens een vraag. Kostendekkingsgraden zijn laag en hoewel de kwaliteit op internationale schaal bovengemiddeld is, zien bestaande en potentiële reizigers dat anders. Big Data faciliteert concrete verbeteringen.

Zo laten we in Nederland miljoenen Euro’s liggen door te vaak stilstaan en te lage betrouwbaarheid van het OV. Big Data-analyses laten dat zien. We zien dus meer kansen en dankzij die Big Data kunnen we ook steeds beter maatregelen optimaliseren voor wat betreft performance, reizigersstromen en dus exploitatie en reizigertevredenheid. Dat laatste gaat zelfs verder dan alleen het OV. In Utrecht wordt bijvoorbeeld het verkeersmodel al gevoed door GOVI data, zodat ook daar Big Data de weg wijst naar goede business cases om projecten te prioriteren en de beslissers te overtuigen ermee aan de slag te gaan.

Drie keer omdenken
Parallel moeten we stappen maken in ons denken. Omdenken noem ik dat. Allereerst moet de focus verschuiven van voertuig naar reiziger. OV draait niet om bussen of treinen die op tijd rijden. OV draait om mensen die snel en betrouwbaar van deur naar deur willen gaan. In die keten ligt de tweede ‘omdenker’. Vaak optimaliseren we nog ritten, terwijl de overstap juist het meest kwetsbaar is. De derde ‘omdenker’ is het denken in baten in plaats van kosten. Dat we dat laatste veel makkelijker goed kunnen uitrekenen wil niet zeggen dat we ons daarop moeten blindstaren.

De uitdaging van Big Data, zeker in het OV, is dus het verbinden van data-experts met duiding door toepassingsexperts. We moeten die miljarden enen en nullen omzetten in relevante informatie, liefst in een mooi kaartbeeld. Dat betekent weten waar je naar moet kijken en begrijpen wat je ziet. Pas dan kun je Big Data omzetten in concrete verbeteringen.
Is die Big Data ook allemaal Open Data? Is er chipkaartdata over vervoerders heen om reizigersketens te meten? Dat is gezien de huidige ontwikkelingen en perspectieven wat mij betreft een kwestie van tijd. En tijd is precies wat we gaan winnen, voor de reiziger!

En niet vergeten uit te checken, he!

© 2011 TU Delft