Posts tagged AVL

Data-driven transfer inference for public transport journeys during disruptions

Disruptions in public transport have major impact on passengers and disproportional effects on passenger satisfaction. The availability of smart card data gives opportunities to better quantify disruption impacts on passengers’ experienced journey travel time and comfort. For this, accurate journey inference from raw transaction data is required. Several rule-based algorithms exist to infer whether a passenger alighting and subsequent boarding is categorized as transfer or final destination where an activity is performed. Although this logic can infer transfers during undisrupted public transport operations, these algorithms have limitations during disruptions: disruptions and subsequent operational rescheduling measures can force passengers to travel via routes which would be non-optimal or illogical during undisrupted operations. Therefore, applying existing algorithms can lead to biased journey inference and biased disruption impact quantification. We develop and apply a new transfer inference algorithm which infers journeys from raw smart card transactions in an accurate way during both disrupted and undisrupted operations. In this algorithm we incorporate the effects of denied boarding, transferring to a vehicle of the same line (due to operator rescheduling measures as short-turning), and the use of public transport services of another operator on another network level as intermediate journey stage during disruptions. This results in an algorithm with an improved transfer inference performance compared to existing algorithms.

Find the paper HERE

A data-driven approach to infer spatial characteristics and service reliability of public transport hubs

Public transport hubs play an important and a central role in public transport networks by connecting several public transport lines from one or multiple network levels. Hubs can be characterized by a large relative and absolute number of transferring passengers between public transport services within the same network level and/or between different network levels. Hubs are especially important with respect to service reliability of passenger journeys, since missing connections at hubs can substantially increase the nominal and perceived passenger journey travel time. The availability of AFC and AVL data allows an in-depth analysis of hub definition, identification, characterization and reliability performance evaluation. Such analysis enables optimisation of synchronisation of schedules, thereby increase the level of service reliability.

Find our TransitData2017 presentation HERE

Insights into door-to-door travel patterns of public transport passengers

Public transport enables fast and reliable station to station journeys. To assess passenger travel patterns and to infer actual quality of service, smartcard and AVL data offer great opportunities. There is, however, an increasing interest in insights into access and egress dynamics of public transport riders as well. What is the size of a stop’s catchment area, which modes are used, and how long and reliable are access and egress times? The answers to these and other questions enable optimization of the total mobility system, thereby also increasing public transport ridership and efficiency. Sufficient biking access of public transport stops (routes and parking), for instance, offer opportunities to increase public transport stopping distances, thereby increasing operational speed and reliability, without compromising accessibility of service areas. We developed a methodology to calculate and demonstrate these dynamics by using new and existing data technologies, namely AVL, survey and new promising app.

Find the Transit Data Conference abstract HERE and our presentation HERE

Monitoren van kwaliteit en beleving van multimodale OV ketens voor betere prognoses

De bereikbaarheid van steden staat onder druk. Door de toename van bewoners, bedrijven en bezoekers is de verwachting dat de stedelijke bereikbaarheid verder onder druk komt te staan. Tot voorkort was het niet goed mogelijk om de kwaliteit (reistijd, betrouwbaarheid en beleving) van de gehele OV deur-tot-deur reis en de first en last mile te meten. Deze inzichten zijn essentieel om het effect van ontwikkelingen en maatregelen in te schatten.

Samen met het ministerie van I en M en de Metropoolregio Amsterdam hebben we een werkmethode ontwikkeld en toegepast om de kwaliteit van de gehele deur-tot-deur reis te beoordelen. In de eerste maanden van 2016 is een pilot voor de werkmethode uitgevoerd tussen Amsterdam en Haarlem. In deze pilot is de kwaliteit (reistijd, betrouwbaarheid en beleving) van de deur-tot-deur reis onderzocht met bestaande data (OV-chipkaart en NDOV) en direct vanuit de reiziger (enquêtes en apps). Met een nieuw ontwikkelde tool is met behulp van open data van zowel het stedelijke als landelijke OV (bijv. GVB en NS) inzicht gekregen in de geleverde kwaliteit. Met behulp van een nieuwe app zijn inzichten verkregen in ketenverplaatsingen, zoals fiets-OV.

De methodiek en nieuwe tooling heeft bewezen de benodigde inzichten op te leveren. Daarnaast blijkt uit de pilot onder meer dat:
– de combinatie van gegevens een goede werkmethode oplevert voor auto, OV, fiets en combinaties daartussen en voor de gehele deur-tot-deur reis (inclusief first en last mile).
– de objectieve en subjectieve waarde van reistijd, betrouwbaarheid en beleving per stukje van de reis regelmatig van elkaar verschillen. Zo wordt een betrouwbare en gemiddeld snelle OV-reis toch beleefd als lage kwaliteit.

De resultaten van de pilot zijn veelbelovend voor verdere ontwikkeling en toepassingen.

Bekijk de Platos presentatie HIER

Data driven enhancement of public transport planning and operations: service reliability improvements and ridership predictions

Automatic Vehicle Location (AVL) and smartcard data are of great value in planning, design and operations of public transport. We developed a transport demand model, which utilizes smartcard data for overall and what-if analyses, by converting these data into passengers per line and OD-matrixes and allowing network changes on top of a base scenario. This new generation model serves in addition to the existing range of transport demand models and approaches. It proved itself in practice during a case study in The Hague, where it helped the operator gain valuable insights into the effect of small network changes, such as a higher frequency.
Data also supports measures to improve service reliability. We introduced a new network design dilemma, namely the length of a transit line vs. its reliability. Long lines offer many direct connections, thereby saving transfers. However, the variability in operation is often negatively related to the length of a line, leading to poorer schedule adherence and additional waiting time for passengers. A data driven case study shows that in the case of long lines with large variability, enhanced reliability resulting from splitting the line could result in less additional travel time. This advantage compensates for the additional time of transferring if the transfer point is well chosen.

Read the full paper here: TRA Conference 2016 Van Oort Data driven enhancement of PT

or check the poster: TRA2016 Conference Poster

New generation of public transport models: predicting ridership by smartcard data

In the public transport industry we observe the rise of a new generation of transport demand models. We applied Dutch smart card data for analysis of passenger volumes and routing and performed what-if analyses by using existing transport planning software. We focused specifically on public transport operators by providing them relative simple (easy to build, low calculation time) models to perform these what-if analyses. The data, including transfer information, 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. The effects of line changes on route choice can already be investigated when fixed demand is assumed. However, by introducing an elastic demand model the realism of the modeled effects is improved, because network changes induce changes in level of service, which affects the demand for public transportation. This elastic demand model 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 effects of small network changes.
In addition to this basic model, we also applied a capacity constrained assignment method. The most important aspects on which passengers base their choice for public transport travelling are the perceived travel time, costs, reliability and comfort. Despite this importance, comfort is often not explicitly considered when predicting demand. 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. This means that benefits of measures that reduce crowding for both passengers and operators can now be quantified and incorporated in the decision-making process. We also illustrate that this extended modelling framework can be applied in practice, requiring short calculation times and leading to better predictions of public transport demand.

Find our ETC 2015 presentation HERE

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

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

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

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

© 2011 TU Delft