Posts in category Presentations
Data driven optimisation of public transport
Presentation at EMTA meeting at TfL in London:
Feedforward mechanisms in public transport; How data improves service quality and increases efficiency.
Find the presentation HERE
International Workshop on Utilizing Transit Smart Card Data for Service Planning
Collecting fares through “smart cards” is becoming standard in most advanced public transport networks of major cities around the world. Using such cards has advantages for users as well as operators. Whereas for travellers smartcards are mainly increasing convenience, operators value in particular the reduced money handling fees. Smartcards further make it easier to integrate the fare systems of several operators within a city and to split the revenues. The electronic tickets also make it easier to create complex fare systems (time and space differentiated prices) and to give incentives to frequent or irregular travellers.
Less utilised though appear to be the behavioural data collected through smartcard data. The records, even if anonymous, allow for a much better understanding of passengers’ travel behaviour as various literature has begun to demonstrate. This information can be used for better service planning.
First International Workshop on Utilizing Transit Smart Card Data for Service Planning; 2nd – 3rd July, 2014; Gifu, Japan
My contribution to the workshop: Short term public transport modelling using smart card data
Improved public transport by data driven research
New promising Big Data sources are becoming available in the public transport industry. This data provides insights into both passenger flows and vehicle performance and is of great help to optimize public transport services. Traffic models are able to quickly process this data and to present it on a geographical layer. It enables to evaluate ridership and to compare it with the use of other modes as car and bike traffic. Finally, what-if predictions are available to gain insights into the expected level of cost coverage, service and ridership. These steps are of great support to optimize the public transport network and timetable design as well as its operations. This presentation reveals such opportunities for public transport systems.
Read more:Presentation seminar “Analytics and Scheduling in Public Transport”
How lightrail may enable enhanced service reliability
The introduction of lightrail in The Hague enabled a leap in service quality. The key challenge in other projects is how to incorporate these expected effects into decision making. In Utrecht we succeeded to calculate the expected service reliability impacts and incorporated them into the cost benefit analysis.
Read more: Presentation Danske Bane Konference
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
Big data opportunities to enhance public transport
New promising Big Data sources are becoming available in the Public Transport industry, via for instance Intermodal Transport Control Systems (ITCS). This data provides insights into both passenger flows and vehicle performance and is of great help to optimize public transport services. The data enables to evaluate ridership and compare it with use of other modes as car and bike traffic. In addition, whatif- predictions are possible to gain insights into expected level of cost coverage, service and ridership and to finally optimize the services.
Read more: ITCS and Big Data (IT TRANS2014)
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!