Posts in category Papers

Improving public transport decision making, planning and operations by using Big Data: Cases from Sweden and the Netherlands

New big data (sources) in the public transport industry enable to deal with major challenges such as elevating efficiency, increasing passenger ridership and satisfaction and facilitate the information flow between service providers and service users. This paper presents two actual cases from the Netherlands and Sweden in which automated data sources were utilized to support the planning and operational processes. The cases illustrate the benefits of using smartcard and vehicle positioning data. Due to the data (processing), valuable insights were gained helping to make the right choices and improve the public transport system.

Read our paper: Workshop paper IEEE ITSC 2015 and check our presentation: Presentation IEEE ITSC15

Robustness of multi-level public transport networks: A methodology to quantify robustness from a passenger perspective

Despite the importance of robust public transport networks, this topic has not been considered from a full passenger perspective yet in scientific literature and practice. To our best knowledge, this study is the first in which both exposure to large, non-recurrent disturbances and impact of these disturbances are analysed in a systematic and realistic way. Contrary to single-level network perspectives, we considered the integrated, total multi-level public transport network which remains available when a disturbance occurs. We developed a new methodology to identify the most vulnerable links in the multi-level public transport network and to quantify the societal costs of non-robustness of these vulnerable links. Besides, applying our methodology enables quantification of the robustness benefits of robustness measures, next to the costs of such measures. Therefore, our methodology can support and rationalize the decision-making process of public transport operators and authorities regarding the implementation of different robustness measures.

Read the full paper: INSTR2015-Yap et al.

Find our presentation: INSTR2015 Presentation Yap et al.

Urban Mobility Lab: benut databerg

CROW-KpVV hield op 28 mei in Utrecht de eerste landelijke kennisdag over het benutten van data in het openbaar vervoer. Het delen van data levert veel op, maar is nog geen gemeengoed. Tijdens de bijeenkomst stond onder andere het Urban Mobility Lab in de schijnwerpers: een proeftuin vol data over vervoerpatronen in Amsterdam.

Lees het hele artikel: Urban Mobility Lab in OV Magazine

Data-driven public transport ridership prediction approach including comfort aspects

The most important aspects on which passengers base their choice whether to travel by public transport are the perceived travel time, costs, reliability and comfort. Despite its importance, comfort is often not explicitly considered when predicting demand for public transport. In this paper, we include comfort level in a modelling framework by incorporating capacity in the public transport assignment. This modelling framework is applied in the public transport model of HTM, the urban public transport operator of The Hague. The current transportation demand is directly derived from smart card data and future demand is estimated using an elasticity based approach. The case study results indicate that not considering capacity and comfort effects can lead to a substantial underestimation of effects of certain measures aiming to improve public transport (up to 30%). We also illustrate that this extended modelling framework can be applied in practice: it has a short computation time and leads to better predictions of public transport demand.

 

Check our presentation: Presentation CASPT2015
Read our full paper: Van Oort et al: Datadriven PT modelling CASPT2015

Light rail implementation: success and failure aspects of Dutch light rail projects

Light rail has been successfully implemented in many urban regions worldwide. Although light rail has been a proven transport concept in many cities, there is much debate on the (societal) cost-benefit ratio of these systems. In addition to the success stories, several light rail projects were not that successful or even failed. In recent years, many light rail plans have been cancelled in The Netherlands, some after many years of planning and some even after the start of the tendering process or during trial operation. We want to know why this happened, so we will be able to support future design and decision making. This paper describes our research aiming at the answer to the question: what are the success and failure factors of light rail planning based on the Dutch experiences? This research has been performed as a survey, in which we investigated five projects, being light rail projects in the Netherlands (and one reference project in France) that either succeeded or failed in different project stages. The main conclusion is that several, multidisciplinary factors make a success or failure out of a light rail project. Projects do not fail just because a lack of funding, small political support or technical obstacles only. Rather than that, a combination of factors causes projects to fail. Subsequently, projects will only be successful if they are based on more than one success factor. Just a high potential ridership or political support is for instance not enough to guarantee a project to succeed.

Read the paper: TRB2015

Short term ridership prediction in public transport by processing smart card data

Public transport operators are exposed to massive data collection from their smart card systems. In the Netherlands, every passenger needs to check in and to check out, resulting in detailed information on the demand pattern. In buses and trams, checking in and checking out takes place in the vehicle, providing good information on route choice. This paper explores options for using this smart card data for analysis and performing what-if analyses by using transport planning software. This new generation of transport demand models, based on big data, is an addition to the existing range of transport demand models and approaches. The intention is to provide public transport operators with a simple (easy to build) model to perform these what-if analyses. The data is converted to passengers per line and an OD-matrix between stops. This matrix is assigned to the network to reproduce the measured passenger flows. After this step, what-if analysis becomes possible. With fixed demand, line changes can be investigated. With the introduction of an elastic demand model, changes in level of service realistically affect passenger numbers. This method was applied on a case study in The Hague. We imported the smart card data into a transport model and connected the data with the network. The tool turned out to be very valuable for the operator to gain insights into the effect of small changes.

Read the paper: TRB 2015

Robuust openbaar vervoer vanuit een reizigersperspectief

De klachten van reizigers tijdens de sneeuwproblematiek in het openbaar vervoer de afgelopen jaren, Kamervragen over het hoge uitvalpercentage van de Intercity Direct en discussies over spooronderhoud in de Schipholtunnel maken één ding duidelijk: het belang van robuust openbaar vervoer. Desondanks richten discussies over robuustheid zich alleen op de kosten van robuustheidsmaatregelen. Tot op heden wordt nauwelijks gefocust op de waarde van robuustheid: wat zijn de robuustheidsbaten van de maatregelen en wat is die robuustheid waard?
In deze paper hebben we een methodologie ontwikkeld die ons in staat stelt om de maatschappelijke waarde van robuust openbaar vervoer te bepalen, in aanvulling op reeds vastgestelde tijd- en betrouwbaarheidswaarderingen. Robuustheidsbaten van maatregelen kunnen hiermee worden gemonetariseerd, en afgewogen worden tegen de benodigde kosten. Hiermee ondersteunt deze methodologie besluitvorming aangaande de implementatie van robuustheidsmaatregelen.
In deze paper wordt robuustheid vanuit een reizigersperspectief benaderd. Op dit moment wordt robuustheid door wetenschap en praktijk vooral vanuit een mono-level perspectief benaderd: voor elk netwerkniveau en elke modaliteit apart. In dit onderzoek richten we ons echter op robuustheid van het totale multi-level openbaar vervoer netwerk, waarbij alle openbaar vervoer netwerkniveaus en alle modaliteiten (trein, metro, lightrail, tram, bus) van verschillende vervoerders integraal worden geanalyseerd. Hierdoor kan inzichtelijk worden gemaakt in welke mate netwerkniveaus een verstoring op een ander netwerkniveau kunnen opvangen, en wordt op realistische wijze inzicht verkregen in de effecten van verstoringen op reizigers.
In dit onderzoek is eerst een nieuwe methodologie ontwikkeld om de meest kwetsbare plaatsen in het multi-level netwerk te identificeren. Door zowel verstoringskansen, verstoringsduur als verstoringsimpact expliciet in beschouwing te nemen, kan vervolgens de mate van onrobuustheid van deze kwetsbare netwerkdelen worden gekwantificeerd. De ontwikkelde methodologie is succesvol toegepast op de Randstad Zuidvleugel als casestudy. De resultaten illustreren dat vanuit een reizigersperspectief ruimte is om robuustheid van openbaar vervoer netwerken te verbeteren. Met name tijdelijke lijnvoeringmaatregelen (zoals een tijdelijke frequentieverhoging op een route parallel aan een kwetsbaar netwerkdeel) en kleine infrastructurele maatregelen hebben maatschappelijk gezien potentie om robuustheid verder te verbeteren. In de casestudy wegen robuustheidsbaten van grotere infrastructurele maatregelen (zoals de aanleg van extra wissels) tijdens verstoringen niet op tegen de kosten voor reizigers en vervoerders tijdens de onverstoorde situatie.
Uit de casestudy blijkt dat het niet eenvoudig is om vooraf de waarde van verschillende maatregelen te beoordelen. Onze aanpak helpt dit proces te verbeteren en biedt robuustheid daarbij een plek in de besluitvorming.

Lees meer:
Paper Menno Yap CVS2014 of
Presentatie

Betere OV prognoses met anonieme OV-Chipkaartdata

Door de introductie van de OV-Chipkaart komen er grote hoeveelheden data over reizigersstromen in het OV beschikbaar. Naast data over de voertuigprestaties (via GOVI bijv.) hebben de inzichten uit deze reizigersdata een enorm potentieel voor de optimalisatie van het OV-product. Dit artikel verkent de mogelijkheden om, de privacy van reizigers respecterend, deze data in te zetten voor de voorspelling van nieuwe reispatronen bij aanpassingen in het netwerk en/of de dienstregeling. Het doel is om een relatief eenvoudige “What-if”-methodiek te ontwerpen, die snel en voldoende nauwkeurig reizigersprognoses kan maken. Hiermee ontstaat een nieuwe generatie verkeersmodellen.

De aanpak combineert de eenvoud en snelheid van de “sigarenkist” en de visualisatie- en rekenkracht van een verkeersmodel. We hebben de methodiek ingebed in bestaande OmniTRANS-verkeersmodelsoftware. De anonieme OV-chipkaartdata wordt toegedeeld aan het OV netwerk in het model, waardoor huidige stromen gevisualiseerd kunnen worden. Door gebruik te maken van elasticiteiten over de relatie tussen OV-kwaliteit en OV-gebruik (zowel uit de literatuur als op basis van gangbare vuistregels) kunnen eenvoudige prognoses gemaakt worden. Die dienen bijvoorbeeld om inzicht te krijgen in inkomstenderving door omleidingen of om effecten te schatten van budgettaire maatregelen.

We hebben de gepresenteerde methodiek succesvol toegepast op het tramnetwerk van HTM in Den Haag, waarmee sneller en nauwkeurige dan voorheen prognoses gemaakt kunnen worden. Voor het afwegen van scenario’s in de ontwikkeling van het railnetwerk en bij het afwegen van tijdelijke omleidingsscenario’s gebruikt HTM de aanpak inmiddels om reizigerseffecten te prognosticeren. Deze analyses helpen in het maken van betere keuzes en in het besluitvormingsproces met de OV-autoriteit Haaglanden.

Hoewel waardevol, zijn er ook een aantal beperkingen aan deze methode. De aanpak is unimodaal en door het gebruik van elasticiteiten slechts toepasbaar voor kleine veranderingen op relatief korte termijn. Nu met de OV-Chipkaartdata meer inzichten kunnen worden verkregen, raden wij aan de gehanteerde elasticiteiten te actualiseren. Gedrag van reizigers bij kleine veranderingen kan relatief eenvoudig bepaald worden nu deze data voorhanden is. De volgende stap in ons onderzoek is het koppelen van de reizigersdata aan de voertuigdata, waardoor gedetailleerdere analyses gemaakt kunnen worden van bijvoorbeeld reizigerspunctualiteit.

Lees meer:
Paper CVS2014 of Presentatie

Verkeersmodellen verrijken met onbetrouwbaarheid OV vanuit een reizigersperspectief

In verkeersmodellen rijdt al het OV op tijd. Huidige, state of the art, verkeersmodellen houden namelijk geen expliciete rekening met de betrouwbaarheid van de dienstuitvoering van OV, terwijl het door reizigers als één van de belangrijkste aspecten wordt gezien. Om dit aspect mee te kunnen nemen in een verkeersmodel, wordt in dit paper een driestappenplan gepresenteerd, gebruik makend van data over de gerealiseerde dienstuitvoering uit GOVI (Grenzeloze OV Informatie). Deze drie stappen bestaan uit het bepalen van de rijtijdspreiding van de voertuigen, het bepalen van het effect op wacht- en in-voertuigtijd en uiteindelijk het bepalen van het verwachte effect van onbetrouwbaarheid op de gemiddelde reistijd per reiziger. Deze benadering is succesvol getest op het verkeersmodel van de regio Utrecht: door het toevoegen van OV onbetrouwbaarheid per lijn of traject in het model, is de verklarende waarde van het model toegenomen: het resultaat voor kalibratie komt 18% dichter bij de telcijfers. Doordat OV onbetrouwbaarheid expliciet wordt meegenomen, is het mogelijk om verbeteringen in de betrouwbaarheid expliciet mee te nemen als modelvariant. Dit biedt mogelijkheden voor het evalueren van maatregelen die niet zo zeer de snelheid van het OV beïnvloeden, maar wel de betrouwbaarheid. De modelresultaten kunnen bijvoorbeeld input zijn voor een maatschappelijke kosten-baten analyse. Verbeterde betrouwbaarheid kan immers substantiële maatschappelijke baten tot gevolg hebben. Het driestappenplan is een eerste aanpak én toepassing van het meenemen van onbetrouwbaarheid van OV in verkeersmodellen. De volgende stap is het verfijnen van deze methodiek door bijv. onbetrouwbaarheid als zelfstandig aspect in de nutsfunctie mee te nemen.

Lees meer: Tijdschrift vervoerwetenschappen 3, 2014

Betrouwbare modellen door onbetrouwbaar OV

Al het OV rijdt op tijd in verkeersmodellen. Huidige, state of the art, verkeersmodellen houden namelijk geen expliciete rekening met de betrouwbaarheid van de dienstuitvoering van OV, terwijl het door reizigers als één van de belangrijkste aspecten wordt gezien. Een onbetrouwbare dienstuitvoering leidt tot extra reistijd en een onzekere aankomsttijd. De verwachting is dan ook dat reizigers lagere kosten ervaren als zij gebruik maken van een meer betrouwbare reisoptie. Om dit aspect mee te kunnen nemen in een verkeersmodel, wordt in dit paper een driestappenplan gepresenteerd, gebruik makend van data over de gerealiseerde dienstuitvoering uit GOVI. Deze drie stappen bestaan uit het bepalen van de rijtijdspreiding van de voertuigen, het bepalen van het effect op wacht- en in-voertuigtijd en uiteindelijk het bepalen van het verwachte effect van onbetrouwbaarheid op de gemiddelde reistijd per reiziger. Deze benadering is succesvol getest op het verkeersmodel van de regio Utrecht: door het toevoegen van betrouwbaarheid als kenmerk van de OV lijnen in het model, is de verklarende waarde van het model toegenomen, doordat resultaat voor kalibratie 18% dichter bij de telcijfers komt. Doordat betrouwbaarheid nu als kenmerk van het OV netwerk wordt meegegeven, is het mogelijk om verbeteringen in de betrouwbaarheid expliciet mee te nemen als modelvariant. Dit biedt mogelijkheden voor het evalueren van maatregelen die niet zo zeer de snelheid van het OV beïnvloeden, maar wel de betrouwbaarheid. De modelresultaten kunnen bijvoorbeeld input zijn voor een maatschappelijke kosten-baten analyse. Verbeterde betrouwbaarheid heeft immers substantiële maatschappelijke baten tot gevolg. Het driestappenplan is de eerste aanpak én toepassing wereldwijd van het meenemen van onbetrouwbaarheid in verkeersmodellen. We verwachten dan ook het aantal toepassingen snel te kunnen uitbreiden de komende tijd.

Lees het hele CVS artikel hier

of

Artikel Verkeerskunde 2014

© 2011 TU Delft