Posts in category Papers
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
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
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
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
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
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
Robustness of multi-level public transport networks: A methodology to quantify robustness from a passenger perspective
Despite the importance of robust public transport networks, this topic has not been considered from a full passenger perspective yet in scientific literature and practice. To our best knowledge, this study is the first in which both exposure to large, non-recurrent disturbances and impact of these disturbances are analysed in a systematic and realistic way. Contrary to single-level network perspectives, we considered the integrated, total multi-level public transport network which remains available when a disturbance occurs. We developed a new methodology to identify the most vulnerable links in the multi-level public transport network and to quantify the societal costs of non-robustness of these vulnerable links. Besides, applying our methodology enables quantification of the robustness benefits of robustness measures, next to the costs of such measures. Therefore, our methodology can support and rationalize the decision-making process of public transport operators and authorities regarding the implementation of different robustness measures.
Read the full paper: INSTR2015-Yap et al.
Find our presentation: INSTR2015 Presentation Yap et al.
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