Posted in 2016
Het verbeteren van de last-mile in een OV reis met automatische voertuigen
De last-mile in een openbaar vervoer (OV) reis is een van de meest hinderlijke gedeelten van een reis per OV. Hierdoor is het OV veelal niet in staat om te kunnen concurreren met de auto. De oorzaak kan deels worden gevonden in het gebrek aan flexibiliteit en de lage snelheden die de veelal conventionele vervoersmiddelen op de last-mile kenmerken. Recente technologische ontwikkelingen maken innovatieve vraaggestuurde vervoersconcepten met zelfrijdende voertuigen mogelijk. Deze zijn onafhankelijk van vaste infrastructuur en zouden ideaal op de last-mile ingezet kunnen worden, om zo het diffuse patroon en lage vervoersvolume efficiënt te bedienen.
Om de vervoerwaarde en de prestatie van een vraaggestuurd vervoersysteem met zelfrijdende voertuigen op de last-mile te bepalen is als case: Station Delft-Zuid – TU Delft gekozen. Bij een vervoerwaarde studie met dergelijke innovatieve techniek wordt verwacht dat psychologische factoren, naast de puur instrumentele aspecten, expliciet een rol spelen in de vervoerwijzekeuze van reizigers. Het meenemen van deze preferenties is daarom van belang, teneinde de vervoerwaarde niet substantieel te over- of onderschatten. In dit paper zijn de uitkomsten van twee onderzoeken gecombineerd, een instrumenteel onderzoek (simulatiemodel + enquête) naar de vervoerwaarde van een systeem van zelfrijdende voertuigen en een stated preference (SP)-experiment om de invloed van diverse psychologische factoren op de vervoerwaarde te bepalen.
De resultaten laten zien dat er een aanzienlijke vervoerwaarde bestaat voor zelfrijdende voertuigen op de last-mile, te weten 57% van de steekproefpopulatie. Met het simulatiemodel zijn diverse ITS maatregelen gesimuleerd, deze maatregelen omvatten wijzigingen in de netwerkstructuur, voertuiggedrag en het reizigersgedrag.
De prestatie van het last-mile systeem, bleek veelal positief beïnvloedt te worden door bovenstaande maatregelen. Effecten werden gemeten in een vergroting van de systeemcapaciteit, een reductie van de gemiddelde wachttijd ofwel van de gemiddelde reistijd. Het parallel toepassen van deze maatregelen realiseert een aantrekkelijkere concurrentiepositie ten opzichte van de conventionele vervoerswijzen. De meest kenmerkende maatregel, het strategisch plaatsen van voertuigen, op locaties voorafgaand aan het ontstaan van vervoersvraag laat een reductie in de gemiddelde wachttijd van 40% zien.
Uit het SP-experiment blijkt dat de attitudes ‘duurzaamheid’ en ‘vertrouwen’ de twee belangrijkste aspecten zijn in de vervoerwijzekeuze, terwijl de in-voertuigtijd niet minder negatief wordt ervaren dan in een door de reiziger gereden carsharing systeem. Dit suggereert dat de gebruikelijk genoemde voordelen van zelfrijdende voertuigen wellicht nog niet worden ervaren door de reiziger van vandaag, en illustreert het belang om hier aandacht aan te schenken voor een succesvolle implementatie van zelfrijdende voertuigen.
Lees het CVS paper HIER
Zie de CVS presentatie HIER
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
Trambonus hoort in strategische planning
Kiezen we voor de bus of voor de tram? Bij de introductie van nieuwe ov-lijnen is de systeemkeuze altijd een belangrijk discussiepunt.
Lees het artikel in OV magazine HIER
Self driving solutions and public transport
The development of self-driving solutions is growing exponentially. Major industries are developing vehicles, sensors and mapping systems that help to achieve the goal of driverless mobility. How can we prepare the city for these self-driving solutions? And in what ways can a city benefit from these solutions? What are the possibilities and challenges of the realization of the self-driving car as a last-mile option in Amsterdam?
Part of the discussion was on the (new) role of public transport: will it dissapear completely of will business remain as usual? Major question is what do we want to achieve in our cities and what means do we have to get to that point? We should look at the strengths of all modes and find the optimal mix. Stop to stop mass transport is the stregth of public transport, the bike plays a major role in short distances and access to these stops. So the first potential role for automated vehicles might be in egress transport?
See the presentations and discussion HERE
Wat is de waarde van Openbaar Vervoer?
De waarde van openbaar vervoer wordt vaak te beperkt in beeld gebracht. Het draait vaak alleen om kosten van infrastructuur en exploitatie. Waarom eigenlijk? De waarde van ov is meer dan alleen de vervoerwaarde. 5xE is een betere manier om het ov op waarde te schatten voor Effectieve mobiliteit, een Efficiënte stad, Economie, milieu (Environment) en sociale cohesie (Equity).
Lees hier het artikel in OV-Magazine
Spoorcollege: stedelijke rail
Het Nederlandse spoorwegennet van 1839 – 2039 (zowel voor reizigers als goederen) met Maurits van Witsen, Max Philips en Niels van Oort
Niet alleen in de samenleving, maar ook in onze sector gaan de ontwikkelingen in een hoog tempo. Niet alleen door de komst van computergestuurde auto’s en ‘Internet of Things’ maar ook door de ontwikkeling van het, deels gedecentraliseerde spoorwegennet, de veranderende goederenstromen, de klimaatveranderingen en de steeds wijzigende relatie van de overheid met de vervoerbedrijven. De leden van Railforum kijken regelmatig vooruit. We verkennen verschillende scenario’s en stellen gezamenlijk toekomstbeelden op. Maar hoe goed zijn we op de hoogte van de historische achtergronden?
Maurice Adams zei ooit: “Wie de ogen sluit voor het verleden, is blind voor de toekomst”.
Dus vandaar dat Railforum in samenwerking met de NVBS, conform de Spoorcolleges tijdens de SpoorParade in 2014, vier bijeenkomsten organiseert waar diverse experts lezingen geven. Accent ligt op de geschiedkundige context van, en een doorkijk naar nieuwe ontwikkelingen. Aansluitend is er ruimte voor vragen en is er een netwerkborrel. Bij het uitnodigen letten we extra op de vier verschillende generaties in onze sector, zodat specifieke kennis en de historische context daarvan wordt overgedragen aan de bouwers van onze toekomst.
Zie de slides HIER
en een kort verslag van OV-PRO 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