Posts tagged Big Data

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

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

International rail summit 2016: Big Data and rail

Big Data also enter the railway industry. Board computers, passenger smart cards and cell phones provide valuable data to enhance design of networks and timetables. Big Data supports the improvement of transport models and cost benefit analyses (CBAs). An example of success was the approval of a new light rail in Utrecht, the Netherlands. It was not common use to consider reliability benefits explicitly, but in this case they were responsible for the positive cost benefit ratio.

Find my presentation at the Railsummit 2016 HERE

Rail summit website

Innovatieve toepassingen van OV chipkaartdata

Er wordt veel gesproken over nieuwe databronnen die helpen bij de uitdagingen in de OV wereld. De OV chipkaart is één van de bronnen, waarmee we het OV beter en efficiënter kunnen maken. Maar tot nog toe gebruikten we deze data vooral ter vervanging van eerdere handmatig verkregen data. In dit paper gaan we een stap verder. Aan de hand van drie innovatieve cases laten we zien dat er veel meer met deze data te doen is.

Met OV chipkaart data stelden wij een OV-model op voor Den Haag voor korte termijn prognoses. Dit is de basis geweest voor de drie cases:

De vraag voor eerste case was: zijn elasticiteits¬parameters af te leiden uit revealed preference data voor verschillende praktijksituaties? Wij merken dat dit goed mogelijk is. En dat het gedrag van reizigers verschilt per context: reizigers reageren heftiger op ‘tijdelijk ongemak’ dan in een vergelijkbare structurele situatie. De elasticiteitsparameter kan tot 25% hoger liggen.

Ook kijken wij naar een belangrijk, maar vaak in modellen genegeerd aspect van reisbeleving: comfort. Voor de regio Den Haag nemen wij expliciet comfort op in de (model) kostenfunctie door rekening te houden met de capaciteit van voertuigen. De bestaande vraag leiden wij direct af uit OV chipkaartgegevens. Onze studieresultaten tonen aan dat het niet beschouwen van capaciteit en comfort kan leiden tot een onderschatting van de vervoerwaarde-effecten tot 30%. We laten ook zien dat deze aanpak kan worden toegepast in de praktijk: de rekentijd is kort en het leidt tot een betere vraagraming van openbaar vervoer.

Tot slot kijken we naar de bruikbaarheid en inzet van andere databronnen. Als pilot hebben we een vergelijkende analyse tussen OV chipkaart- en GSM data uitgevoerd voor de regio Emmen. We tonen aan dat de GSM data aanvullend is: deze is namelijk ook bruikbaar voor analyse van de niet-ov-reizigers. Tot slot laten we zien dat het combineren van de twee databronnen inzicht verschaft in de potentie voor OV op specifieke HB relaties. Zo benoemen wij een aantal relaties in de regio Emmen waar op basis van de data het OV gebruik (vooralsnog) achter blijft en dus potentie heeft.

Alle drie de cases laten innovatie zien op onderzoek en toepassing van OV chipkaartdata. Wij gaan door met deze innovaties voor een beter en efficiënter OV!

Lees hier onze paper: CVS2015: Innovatie met chipkaartdata

De presentatie vind je HIER

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

Urban Mobility Lab

Op 28 mei 2015 organiseerde CROW-KpVV in de Galgenwaard in Utrecht de eerste landelijke bijeenkomst over het benutten van data in het openbaar vervoer. Het doel van deze onafhankelijke kennisdag was om te laten zien welke toepassingsmogelijkheden er zijn voor data die beschikbaar is. Zo kan slim gebruik hiervan overheden helpen bij het nemen van beleidsbeslissingen en beheren van een concessie. Daarnaast kunnen verschillende regio’s van elkaar leren door data te koppelen en te vergelijken. Er liggen kortom volop kansen op het gebied van datagebruik in het ov.

Niels van Oort, assistant professor ov aan de TU Delft, vertelde tijdens het plenaire deel over hoe Amsterdam als levend mobiliteitslaboratorium fungeert. Hoe kunnen we alle voetgangers-, fiets-, auto- en OV-data verzamelen, combineren en visualiseren om te komen tot een beter begrip en kennis van het totale mobiliteitssysteem? In een verdiepende deelsessie stonden de mogelijkheden voor het ov centraal: wat kunnen we leren over het ov door gebruik te maken van databronnen als GSM, GOVI en OV-chipkaart?

Bekijk hier de presentatie: Urban Mobility Lab

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

© 2011 TU Delft