Posts tagged Big Data

Understanding the trip and user characteristics of the combined bicycle and transit mode

Several cities around the world are facing mobility related problems such as traffic congestion and air pollution. Although limited individually, the combination of bicycle and transit offers speed and accessibility; by complementing each other’s characteristics the bicycle and transit combination can compete with automobiles. Recognising this, several studies have investigated policies that encourage integration of these modes. However, empirical analysis of the actual users and trips of the combined mode is largely missing. This study addresses this gap by (i) reviewing empirical findings on related modes, (ii) deriving user and trip characteristics of the bicycle and transit mode in the Netherlands, and (iii) applying latent class cluster analysis to discover prototypical users based on their socio-demographic attributes. Most trips by this mode are found to be for relatively long commutes where transit is in the form of trains, and bicycle and walking are access and egress modes respectively. Furthermore, seven user groups are identified and their spatial and temporal travel behaviour is discussed. Transport authorities may use the empirical results in this study to further streamline integration of bicycle and transit for its largest users as well as to tailor policies to attract more travellers.

Find our Thredbo conference presentation HERE

Read our paper HERE

Modelling Multimodal Transit Networks: Integration of bus networks with walking and cycling

Demand for (public) transportation is subject to dynamics affected by technological, spatial, societal and demographic aspects. The political environment, together with financial and spatial constraints limit the possibilities to address transit issues arising from growing demand through the construction of new infrastructure. Upgrading of existing services and improving integration over the entire trip chain (including cycling) are two options that can address these transport issues. However, transport planners and transport service operators often fail to include the entire trip when improving services, as improvement is normally achieved through the adaptations of characteristics (e.g. speeds, stop distances) of the services.
Our developed framework consists of two parts: one to assess the characteristics of the different bus services and their access and egress modes, and one to assess the effects of integration of these services, which includes the modelling and analysis in a regional transit model. The framework has successfully been applied to a case study showing that bus systems with higher frequencies and speeds can attract twice the amount of cyclists on the access and egress sides. It also shows that passengers accept longer access and egress distances with more positive characteristics of the bus service (higher speeds, higher frequencies).

Find the presentation of Judith Brand at MT-ITS in Napoli HERE

Find our 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

Optimization of a passenger railway transportation plan considering mobility flows and service quality

This research focuses on designing transportation plan for SNCF Transilien (French railway
operator for the Parisian suburban mass transit). The objective is to develop methods
and decision support tools to propose a timetable adapted to the passenger demand in the
Parisian mass transit system, including comfort and reliability criterias.
This paper aims to present the first step of this research. We propose a graph theoretic
ILP formulation for the Line Planning Problem, minimizing both travelers travel time and
operating cost. We furthermore develop a multi-objective method to solve this problem.
This method offers a pool of solutions in order to let the final designer choose the solution.
We report computational results on real world instances provided from SNCF Transilien.

Check the RAIL Lille paper of Lucile Brethome et al. 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

Improving predictions of the impact of disturbances on public transport usage based on smart card data

The availability of smart card data from public transport travelling the last decades allows analyzing current and predicting future public transport usage. Public transport models are commonly applied to predict ridership due to structural network changes, using a calibrated parameter set. Predicting the impact of planned disturbances, like temporary track closures, on public transport ridership is however an unexplored area. In the Netherlands, this area becomes increasingly important, given the many track closures operators are confronted with the last and upcoming years. We investigated the passenger impact of four planned disturbances on the public transport network of Den Haag, the Netherlands, by comparing predicted and realized public transport ridership using smart card data. A two-step search procedure is applied to find a parameter set resulting in higher prediction accuracy. We found that in-vehicle time in rail-replacing bus services is perceived ≈1.1 times more negatively compared to in-vehicle time perception in the initial tram line. Besides, passengers do not seem to perceive the theoretical benefit of the usually higher frequency of rail-replacement bus services compared to the frequency of the replaced tram line. At last, no higher waiting time perception for temporary rail-replacement services could be found, compared to regular tram and bus services. The new parameter set leads to substantially higher prediction accuracy compared to the default parameter set. It supports public transport operators to better predict the required supply of rail-replacement services and to predict the impact on their revenues.

Read our TRB paper HERE

Find the poster HERE

Investigating potential transit ridership by fusing smartcard and GSM data

The public transport industry faces challenges to cater for the variety of mobility patterns and corresponding needs and preferences of passengers. Travel habit surveys provide information on the overall travel demand as well as its spatial variation. However, it often does not include information on temporal variations. By means of data fusion of smartcard and Global System for Mobile Communications (GSM) data, spatial and temporal patterns of public transport usage versus the overall travel demand are examined. The analysis is performed by contrasting different spatial and temporal levels of smartcard and GSM data. The methodology is applied to a case study in Rotterdam, the Netherlands, to analyze whether the current service span is adequate. The results suggest that there is potential demand for 10 extending public transport service span on both ends. In the early mornings, right before transit operations are resumed, an hour-on-hour increase in visitor occupancy of 33-88% is observed in several zones, thereby showing potential demand for additional public transport services. The proposed data fusion method showed to be valuable in supporting tactical transit planning and decision making and can easily be applied to other origin-destination transport data.

Read our TRB paper HERE

Find our presentation HERE

Waar liggen kansen voor OV: datafusie GSM en chipkaart

De grootste uitdaging van de openbaar vervoer sector is om tegemoet te komen aan de verscheidenheid aan reispatronen, en de bijbehorende behoeften en preferenties, van reizigers. Het beter matchen van vraag en aanbod levert zowel een kwaliteitssprong als kostenreductie op en heeft dus alle aandacht. Bestaande databronnen helpen, maar zijn nog niet afdoende. De combinatie van nieuwe bronnen biedt echter hoopgevende resultaten. Door een innovatieve methodiek kunnen GSM- en anonieme chipkaartdata gecombineerd worden om de OV potentie in kaart te brengen.

Bestaande onderzoeken (zoals OViN) geven informatie over de totale reisbehoefte en de ruimtelijke spreiding hiervan. Deze huishoudsurveys bieden veelal echter geen inzicht in de spreiding van deze reisbehoefte over de tijd. Een nieuwe methodiek om GSM- met anonieme OV chipkaartdata te koppelen, geeft die inzichten wel. Door middel van deze datafusie kunnen zowel de ruimtelijke als temporele patronen van OV gebruik vergeleken worden met de totale ruimtelijke en temporele reispatronen. Dit geeft inzicht in de (mis)match van vraag en aanbod in ruimte én tijd. Ideaal dus als eerste stap voor het verbeteren van deze match: OV potentie kan zo worden opgespoord.
Deze methode is toegepast in een case study in Rotterdam om te onderzoeken of het huidige OV bedieningsinterval voldoende aansluit bij de latente vraag. De resultaten demonstreren dat er potentie is om het OV bedieningsinterval zowel in de vroege ochtend als in de late avond uit te breiden. In de vroege ochtend, juist voordat het OV wordt opgestart, kan een uur-tot-uur toename in bezoekersaantallen van 33% tot zelfs 88% worden waargenomen in diverse delen van de Rotterdamse regio. Dit illustreert de potentiële vraag voor extra openbaar vervoer aanbod in de vroege ochtend. Op vergelijkbare wijze is deze analyse uitgevoerd voor het OV aanbod in de late avond.
Deze innovatieve methode van datafusie is van grote toegevoegde waarde te zijn gebleken ter ondersteuning van OV planning. Deze datafusie methode kan ook eenvoudig worden toegepast op andere herkomst-bestemmingsdata.

Lees het CVS paper HIER

Betrouwbare OV netwerken: Reizigersperspectief centraal dankzij anonieme chipkaartdata

Voor het openbaar vervoer is betrouwbaarheid een kwaliteitsfactor van belang.
Terwijl we een beetje vertraging met de auto wel oké vinden, is elk minuutje
dat een bus, trein of tram te laat arriveert, er echt één te veel. Vervoerders en
openbaarvervoerautoriteiten zijn dan ook continu op zoek naar mogelijkheden
om de betrouwbaarheid te verbeteren. Maar hoe bepaal je eigenlijk of
een maatregel werkt? Wat is een goede maat voor betrouwbaarheid? In
deze bijdrage maken we een boeiend uitstapje naar de wereld van haltes,
overstappen en OV-chipkaarten.

Lees het artikel uit NM magazine HIER
Lees het uitgebreide wetenschappelijke artikel HIER

© 2011 TU Delft