Posts in category Presentations

Transport Thursday: Investing in cities

In recent years, state-of-the-art public transport, including light rail, has seen strong worldwide growth. Increasing numbers of different types are emerging, both on the drawing board and on the streets. What lessons can we learn from all of these ideas and projects? Rob van der Bijl, Bert Bukman and Niels van Oort conducted research into 47 light-rail projects in the Netherlands and elsewhere and wrote a book on this entitled, ‘Investeren in de stad. Lessen uit 47 light rail projecten ‘ (‘Investing in the city. Lessons from 47 light-rail projects’). On this special Transport Thursday, they will be sharing their most important lessons and experiences (from decision-making through to operation) in achieving successful state-of-the-art public transport, a key driver in our new smart cities.

Check our presetation: Transport Thursday Van Oort 2015

Kosten en baten van robuustheid en comfort in OV modellen

Verstoringen in het openbaar vervoer hebben een grote impact op reizigers. Zowel reizigers, overheden als politiek hechten daarom veel belang aan robuust openbaar vervoer. Ondanks dit belang was tot nu toe niet bekend wat de (maatschappelijke) kosten van verstoringen in het OV zijn. Bij mogelijke maatregelen ter verbetering van OV robuustheid zijn vaak alleen de kosten bekend, terwijl de maatschappelijke robuustheidsbaten ervan tot op heden onbekend waren.
Wij hebben een methodologie ontwikkeld waarmee we, ondersteund door OV verkeersmodellen, de maatschappelijke kosten van onrobuust OV, en de maatschappelijke baten van robuustheids–maatregelen, kunnen kwantificeren. Wij bekijken OV robuustheid vanuit een reizigersperspectief. Tot op heden wordt robuustheid door wetenschap en praktijk vaak per vervoerder, of per netwerkniveau, benaderd. Wij richten ons echter op robuustheid van multi-level OV netwerken, waarbij we alle OV netwerkniveaus, alle OV modaliteiten van alle vervoerders integraal analyseren. Door simulatie van verstoringen in een multi-level OV model kunnen we in kaart brengen in hoeverre het totale OV netwerk in staat is om, vanuit de reiziger bezien, een verstoring op een bepaald netwerkniveau op te vangen.
Een belangrijk aspect bij grote verstoringen in het OV is het gereduceerde comfort op alternatieve routes. Door een verstoring kan grote drukte ontstaan op resterende routes die in het multi-level netwerk beschikbaar zijn, wat leidt tot verminderd reiscomfort, en waarbij reizigers soms zelfs niet met het eerste voertuig meekunnen. Dit comfort- en capaciteitseffect wordt tot op heden nauwelijks meegenomen in OV verkeersmodellen. Recente ontwikkelingen in het softwarepakket OmniTRANS maken het echter mogelijk om deze effecten mee te nemen bij het modelleren van verstoringen, waardoor de maatschappelijke kosten van discomfort gekwantificeerd kunnen worden. Het niet meenemen van deze post kan leiden tot substantiële onderschattingen van de maatschappelijke kosten van verstoringen.
Onze methodologie kwantificeert, door nieuwe toepassingen van OV verkeersmodellen, naast de kosten ook de baten van mogelijke robuustheidsmaatregelen. Hiermee ondersteunt en rationaliseert onze methodologie besluitvorming van vervoerders en OV autoriteiten.

De presentatie vind je hier: Platos 2015

Data driven optimisation of public transport

Presentation at EMTA meeting at TfL in London:
Feedforward mechanisms in public transport; How data improves service quality and increases efficiency.

Find the presentation HERE

International Workshop on Utilizing Transit Smart Card Data for Service Planning

Collecting fares through “smart cards” is becoming standard in most advanced public transport networks of major cities around the world. Using such cards has advantages for users as well as operators. Whereas for travellers smartcards are mainly increasing convenience, operators value in particular the reduced money handling fees. Smartcards further make it easier to integrate the fare systems of several operators within a city and to split the revenues. The electronic tickets also make it easier to create complex fare systems (time and space differentiated prices) and to give incentives to frequent or irregular travellers.
Less utilised though appear to be the behavioural data collected through smartcard data. The records, even if anonymous, allow for a much better understanding of passengers’ travel behaviour as various literature has begun to demonstrate. This information can be used for better service planning.

First International Workshop on Utilizing Transit Smart Card Data for Service Planning; 2nd – 3rd July, 2014; Gifu, Japan

My contribution to the workshop: Short term public transport modelling using smart card data

Improved public transport by data driven research

New promising Big Data sources are becoming available in the public transport industry. This data provides insights into both passenger flows and vehicle performance and is of great help to optimize public transport services. Traffic models are able to quickly process this data and to present it on a geographical layer. It enables to evaluate ridership and to compare it with the use of other modes as car and bike traffic. Finally, what-if predictions are available to gain insights into the expected level of cost coverage, service and ridership. These steps are of great support to optimize the public transport network and timetable design as well as its operations. This presentation reveals such opportunities for public transport systems.

Read more:Presentation seminar “Analytics and Scheduling in Public Transport”

How lightrail may enable enhanced service reliability

The introduction of lightrail in The Hague enabled a leap in service quality. The key challenge in other projects is how to incorporate these expected effects into decision making. In Utrecht we succeeded to calculate the expected service reliability impacts and incorporated them into the cost benefit analysis.

Read more: Presentation Danske Bane Konference

Kwaliteitssprong in OV modellering door gebruik anonieme chipkaartdata

Het wordt drukker in de steden. Om onze steden desondanks leefbaar, veilig en duurzaam te houden is de rol van OV in de totale mobiliteit van groot belang. Om het aangeboden OV attractief en concurrerend met andere modaliteiten te maken, zijn strategische verkeermodellen van grote waarde. Zij ondersteunen oa optimalisaties van netwerk- en dienstregelingontwerp. Traditioneel werken verkeersmodellen met synthetische vervoerstromen die gekalibreerd worden op OV tellingen. Veel tijd en geld ging voorheen gemoeid met deze stappen. Met de komst van de OV chipkaart breekt echter een nieuw tijdperk aan. Anonieme data van alle stromen door het netwerk op elk moment van de dag zijn beschikbaar. Deze ontwikkeling betekent een grote stap voor OV modellering. In deze presentatie laten we twee belangrijke ( real life) toepassingen zien als we deze data koppelen aan een verkeersmodel: enerzijds is het eenvoudig het verleden te visualiseren en te evalueren. Anderzijds kunnen op basis van deze data en elasticiteiten snel en eenvoudig whatif analyses gemaakt worden, om te komen tot een beter en efficiënter OV.

Bekijk hier de presentatie: Platos2014

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)

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!

Big data in public transport

© 2011 TU Delft