Posts tagged chipkaart

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

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

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

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

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

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

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

© 2011 TU Delft