Posts in category Nederlands
Betere OV prognoses met anonieme OV-Chipkaartdata
Door de introductie van de OV-Chipkaart komen er grote hoeveelheden data over reizigersstromen in het OV beschikbaar. Naast data over de voertuigprestaties (via GOVI bijv.) hebben de inzichten uit deze reizigersdata een enorm potentieel voor de optimalisatie van het OV-product. Dit artikel verkent de mogelijkheden om, de privacy van reizigers respecterend, deze data in te zetten voor de voorspelling van nieuwe reispatronen bij aanpassingen in het netwerk en/of de dienstregeling. Het doel is om een relatief eenvoudige “What-if”-methodiek te ontwerpen, die snel en voldoende nauwkeurig reizigersprognoses kan maken. Hiermee ontstaat een nieuwe generatie verkeersmodellen.
De aanpak combineert de eenvoud en snelheid van de “sigarenkist” en de visualisatie- en rekenkracht van een verkeersmodel. We hebben de methodiek ingebed in bestaande OmniTRANS-verkeersmodelsoftware. De anonieme OV-chipkaartdata wordt toegedeeld aan het OV netwerk in het model, waardoor huidige stromen gevisualiseerd kunnen worden. Door gebruik te maken van elasticiteiten over de relatie tussen OV-kwaliteit en OV-gebruik (zowel uit de literatuur als op basis van gangbare vuistregels) kunnen eenvoudige prognoses gemaakt worden. Die dienen bijvoorbeeld om inzicht te krijgen in inkomstenderving door omleidingen of om effecten te schatten van budgettaire maatregelen.
We hebben de gepresenteerde methodiek succesvol toegepast op het tramnetwerk van HTM in Den Haag, waarmee sneller en nauwkeurige dan voorheen prognoses gemaakt kunnen worden. Voor het afwegen van scenario’s in de ontwikkeling van het railnetwerk en bij het afwegen van tijdelijke omleidingsscenario’s gebruikt HTM de aanpak inmiddels om reizigerseffecten te prognosticeren. Deze analyses helpen in het maken van betere keuzes en in het besluitvormingsproces met de OV-autoriteit Haaglanden.
Hoewel waardevol, zijn er ook een aantal beperkingen aan deze methode. De aanpak is unimodaal en door het gebruik van elasticiteiten slechts toepasbaar voor kleine veranderingen op relatief korte termijn. Nu met de OV-Chipkaartdata meer inzichten kunnen worden verkregen, raden wij aan de gehanteerde elasticiteiten te actualiseren. Gedrag van reizigers bij kleine veranderingen kan relatief eenvoudig bepaald worden nu deze data voorhanden is. De volgende stap in ons onderzoek is het koppelen van de reizigersdata aan de voertuigdata, waardoor gedetailleerdere analyses gemaakt kunnen worden van bijvoorbeeld reizigerspunctualiteit.
Lees meer:
Paper CVS2014 of Presentatie
Urban Mobility Lab in Amsterdam
Amsterdam Institute for Advanced Metropolitan Solutions (AMS), het nieuwe instituut voor toegepaste stedelijke technologie en ontwerp start met drie projecten. Deze projecten gaan nog dit jaar van start; Rain Sense, Urban Pulse en Urban Mobility Lab. Deze projecten voldoen aan belangrijke criteria van AMS-projecten: er zijn partners van het instituut én inwoners van de stad betrokken, de onderzoek is nuttig voor de inwoners van Amsterdam en de projecten zijn wereldwijd gezien innovatief.
Urban Mobility Lab (olv Serge Hoogendoorn, Hans van Lint en Niels van Oort) houdt zich bezig met het begrijpen en kunnen voorspellen van verkeersstromen. In een metropool als Amsterdam is dat complex, omdat verkeer en vervoer het resultaat zijn van miljoenen kleine en grote beslissingen. Neemt u de auto, de tram of gaat u lopen? Waar gaat u wonen en werken? Op welke manier worden bedrijven bevoorraad? Waar moet dat nieuwe station komen? Alles hangt met alles samen. AMS gaat hiervoor een uniek laboratorium bouwen waarmee we dat soort vragen integraal en in samenhang kunnen onderzoeken. Met dit Urban Mobility Lab kunnen gemeente, bedrijven en bewoners straks werken aan nieuwe, schonere en betrouwbaardere mobiliteit voor iedereen.
Kijk voor meer informatie over UML op: Slides UML
Renée Hoogendoorn, directeur van AMS, is trots op deze stappen. ‘De impact van deze projecten voor de stad is groot. Wat is er mooier dan te werken aan de kwaliteit van wonen, werken en verblijven in de stad, te werken aan de lééfkwaliteit en dus te zorgen voor minder schade, minder files, minder milieuvervuiling en om te helpen dat essentiële zaken – als energie, water en voedsel – voor iedereen beschikbaar zijn? Komende tijd zullen meer projecten starten en zal ook zichtbaar worden wat AMS qua Onderwijs en Data-Platform te bieden heeft. De feitelijke start van AMS is nu gemaakt. Dat we nu dus ook een eigen locatie hebben in Amsterdam is niet alleen noodzakelijk maar ook een groot genot. Op deze interessante plek in Amsterdam kunnen we komende jaren AMS flink uitbouwen.’
Over AMS
AMS is een internationaal instituut dat vanuit een multidisciplinaire aanpak onderzoek doet naar grootstedelijke vraagstukken en hiervoor oplossingen ontwikkelt en implementeert. Bewoners van de stad worden betrokken als testers, gebruikers en co-creators van producten en ideeën die de stad leefbaarder moeten maken. Amsterdam fungeert daarmee als het ‘living lab’ van AMS. AMS is een initiatief van de academische partners TU Delft, MIT en Wageningen UR, samen met de Gemeente Amsterdam. De basis van AMS is een open platform waarbij allerlei partijen kunnen aansluiten. Het instituut werkt nu al samen met partners als Accenture, Alliander, Cisco, IBM, KPN, Shell en Waternet, Amsterdam Smart City, ESA, TNO, Waag Society, het Havenbedrijf Amsterdam en de stad Boston.
Verkeersmodellen verrijken met onbetrouwbaarheid OV vanuit een reizigersperspectief
In verkeersmodellen rijdt al het OV op tijd. Huidige, state of the art, verkeersmodellen houden namelijk geen expliciete rekening met de betrouwbaarheid van de dienstuitvoering van OV, terwijl het door reizigers als één van de belangrijkste aspecten wordt gezien. Om dit aspect mee te kunnen nemen in een verkeersmodel, wordt in dit paper een driestappenplan gepresenteerd, gebruik makend van data over de gerealiseerde dienstuitvoering uit GOVI (Grenzeloze OV Informatie). Deze drie stappen bestaan uit het bepalen van de rijtijdspreiding van de voertuigen, het bepalen van het effect op wacht- en in-voertuigtijd en uiteindelijk het bepalen van het verwachte effect van onbetrouwbaarheid op de gemiddelde reistijd per reiziger. Deze benadering is succesvol getest op het verkeersmodel van de regio Utrecht: door het toevoegen van OV onbetrouwbaarheid per lijn of traject in het model, is de verklarende waarde van het model toegenomen: het resultaat voor kalibratie komt 18% dichter bij de telcijfers. Doordat OV onbetrouwbaarheid expliciet wordt meegenomen, is het mogelijk om verbeteringen in de betrouwbaarheid expliciet mee te nemen als modelvariant. Dit biedt mogelijkheden voor het evalueren van maatregelen die niet zo zeer de snelheid van het OV beïnvloeden, maar wel de betrouwbaarheid. De modelresultaten kunnen bijvoorbeeld input zijn voor een maatschappelijke kosten-baten analyse. Verbeterde betrouwbaarheid kan immers substantiële maatschappelijke baten tot gevolg hebben. Het driestappenplan is een eerste aanpak én toepassing van het meenemen van onbetrouwbaarheid van OV in verkeersmodellen. De volgende stap is het verfijnen van deze methodiek door bijv. onbetrouwbaarheid als zelfstandig aspect in de nutsfunctie mee te nemen.
Lees meer: Tijdschrift vervoerwetenschappen 3, 2014
OV-chipdata als tool voor efficiënt OV
De kosten in het OV staan onder druk, maar tegelijkertijd eist de reiziger hogere
kwaliteit. Dat vraagt om een hogere kostendekkingsgraad en een hogere bezettingsgraad.
Hoe kan big data hier een rol in spelen? “Het draait vooral om een
combinatie van voertuig- en reizigersdata; een analyse van het verleden en een
voorspell¡ng van de toekomst”, stelt OV-adv¡seur Niels van Oort. “Analyse kan
leiden tot verbetervoorstellen en uiteindelijk optimalisatie van de OV-dienst.”
Lees hier het volledige interview: Verkeer in Beeld
Wie volgt @verkeerskunde?
@Niels_van_oort is het twitteraccount van Niels van Oort, Adviseur ov bij Goudappel Coffeng en assistant professor OV, TU Delft. Wat vindt hij van Twitter?
Lees meer: Verkeerskunde
OV data wereldwijd omarmd
Niels van Oort was begin juli bij de eerste ‘Workshop on Smart Card Data Analysis’ in
Japan. “Het feit dat wij één nationaal systeem hebben met de OV-chipkaart maakte
indruk op mijn collega’s. Toch kijk ik ondanks onze landelijke dekking met enige
jaloezie naar hoe andere landen data omarmen voor beter ov.”
Lees het artikel: OV-Magazine aug 2014
Betrouwbare modellen door onbetrouwbaar OV
Al het OV rijdt op tijd in verkeersmodellen. Huidige, state of the art, verkeersmodellen houden namelijk geen expliciete rekening met de betrouwbaarheid van de dienstuitvoering van OV, terwijl het door reizigers als één van de belangrijkste aspecten wordt gezien. Een onbetrouwbare dienstuitvoering leidt tot extra reistijd en een onzekere aankomsttijd. De verwachting is dan ook dat reizigers lagere kosten ervaren als zij gebruik maken van een meer betrouwbare reisoptie. Om dit aspect mee te kunnen nemen in een verkeersmodel, wordt in dit paper een driestappenplan gepresenteerd, gebruik makend van data over de gerealiseerde dienstuitvoering uit GOVI. Deze drie stappen bestaan uit het bepalen van de rijtijdspreiding van de voertuigen, het bepalen van het effect op wacht- en in-voertuigtijd en uiteindelijk het bepalen van het verwachte effect van onbetrouwbaarheid op de gemiddelde reistijd per reiziger. Deze benadering is succesvol getest op het verkeersmodel van de regio Utrecht: door het toevoegen van betrouwbaarheid als kenmerk van de OV lijnen in het model, is de verklarende waarde van het model toegenomen, doordat resultaat voor kalibratie 18% dichter bij de telcijfers komt. Doordat betrouwbaarheid nu als kenmerk van het OV netwerk wordt meegegeven, is het mogelijk om verbeteringen in de betrouwbaarheid expliciet mee te nemen als modelvariant. Dit biedt mogelijkheden voor het evalueren van maatregelen die niet zo zeer de snelheid van het OV beïnvloeden, maar wel de betrouwbaarheid. De modelresultaten kunnen bijvoorbeeld input zijn voor een maatschappelijke kosten-baten analyse. Verbeterde betrouwbaarheid heeft immers substantiële maatschappelijke baten tot gevolg. Het driestappenplan is de eerste aanpak én toepassing wereldwijd van het meenemen van onbetrouwbaarheid in verkeersmodellen. We verwachten dan ook het aantal toepassingen snel te kunnen uitbreiden de komende tijd.
Lees het hele CVS artikel hier
of
Kwaliteitssprong in OV modellering door gebruik anonieme chipkaartdata
Het wordt drukker in de steden. Om onze steden desondanks leefbaar, veilig en duurzaam te houden is de rol van OV in de totale mobiliteit van groot belang. Om het aangeboden OV attractief en concurrerend met andere modaliteiten te maken, zijn strategische verkeermodellen van grote waarde. Zij ondersteunen oa optimalisaties van netwerk- en dienstregelingontwerp. Traditioneel werken verkeersmodellen met synthetische vervoerstromen die gekalibreerd worden op OV tellingen. Veel tijd en geld ging voorheen gemoeid met deze stappen. Met de komst van de OV chipkaart breekt echter een nieuw tijdperk aan. Anonieme data van alle stromen door het netwerk op elk moment van de dag zijn beschikbaar. Deze ontwikkeling betekent een grote stap voor OV modellering. In deze presentatie laten we twee belangrijke ( real life) toepassingen zien als we deze data koppelen aan een verkeersmodel: enerzijds is het eenvoudig het verleden te visualiseren en te evalueren. Anderzijds kunnen op basis van deze data en elasticiteiten snel en eenvoudig whatif analyses gemaakt worden, om te komen tot een beter en efficiënter OV.
Bekijk hier de presentatie: Platos2014
Beter ov met chipkaartdata en verkeersmodel
Tariefacties, haltes samenvoegen, nieuwe routes, rijtijden optimaliseren. Overheden en vervoerders zijn continu op zoek naar slimme oplossingen voor beter en efficiënter ov. Verkeersmodellen gevoed door anonieme chipkaartdata blijken uitermate effectief.
Lees het hele artikel: OV Magazine 2014
Hoe Big Data leidt tot beter en goedkoper openbaar vervoer
Verschenen op verkeersnet.nl, 19-11-2013
De presentatie over de kansen van Big Data in OV van het Grote Big Data congres vind je HIER
Verplicht in- en uitchecken, ook voor abonnementshouders, kan niet rekenen op de populariteitsprijs van de reiziger. Dat is jammer, met alle begrip overigens voor de soms kafkaiaanse toestanden waarin een goedwillende reiziger in verzeild kan raken als hij een keertje het in- of uitchecken vergeet. Toch wil ik het wel van de daken schreeuwen: in- en uitchecken dient primair het reizigersbelang. Actuele feitelijke informatie over collectief reisgedrag helpt OV toe te snijden op de behoefte van haar klanten. Het OV kan nog zoveel beter.
Zo, dat is eruit. Nu het goede nieuws. We kunnen al heel veel met Big Data in OV-land, ook al is het in- en uitcheck-ritueel nog niet 100% sluitend. Voor de OV-onderzoeker zijn het gouden tijden, want naast de chipkaart hebben we nóg een bron met actuele gegevens over de ‘performance’ van het OV. Opgezet om de reiziger te informeren, wordt real time veel data verzameld opdat de reisinformatiepanelen de juiste informatie tonen (GOVI in jargon). In die data ligt het verbeterpotentieel van het OV verborgen. Want wie het verleden begrijpt kan een mooiere toekomst vormgeven. En dat het OV beter kan, lijkt voor velen niet eens een vraag. Kostendekkingsgraden zijn laag en hoewel de kwaliteit op internationale schaal bovengemiddeld is, zien bestaande en potentiële reizigers dat anders. Big Data faciliteert concrete verbeteringen.
Zo laten we in Nederland miljoenen Euro’s liggen door te vaak stilstaan en te lage betrouwbaarheid van het OV. Big Data-analyses laten dat zien. We zien dus meer kansen en dankzij die Big Data kunnen we ook steeds beter maatregelen optimaliseren voor wat betreft performance, reizigersstromen en dus exploitatie en reizigertevredenheid. Dat laatste gaat zelfs verder dan alleen het OV. In Utrecht wordt bijvoorbeeld het verkeersmodel al gevoed door GOVI data, zodat ook daar Big Data de weg wijst naar goede business cases om projecten te prioriteren en de beslissers te overtuigen ermee aan de slag te gaan.
Drie keer omdenken
Parallel moeten we stappen maken in ons denken. Omdenken noem ik dat. Allereerst moet de focus verschuiven van voertuig naar reiziger. OV draait niet om bussen of treinen die op tijd rijden. OV draait om mensen die snel en betrouwbaar van deur naar deur willen gaan. In die keten ligt de tweede ‘omdenker’. Vaak optimaliseren we nog ritten, terwijl de overstap juist het meest kwetsbaar is. De derde ‘omdenker’ is het denken in baten in plaats van kosten. Dat we dat laatste veel makkelijker goed kunnen uitrekenen wil niet zeggen dat we ons daarop moeten blindstaren.
De uitdaging van Big Data, zeker in het OV, is dus het verbinden van data-experts met duiding door toepassingsexperts. We moeten die miljarden enen en nullen omzetten in relevante informatie, liefst in een mooi kaartbeeld. Dat betekent weten waar je naar moet kijken en begrijpen wat je ziet. Pas dan kun je Big Data omzetten in concrete verbeteringen.
Is die Big Data ook allemaal Open Data? Is er chipkaartdata over vervoerders heen om reizigersketens te meten? Dat is gezien de huidige ontwikkelingen en perspectieven wat mij betreft een kwestie van tijd. En tijd is precies wat we gaan winnen, voor de reiziger!
En niet vergeten uit te checken, he!