Niels van Oort
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
Special Issue Stedelijk OV Tijdschrift Vervoerwetenschap
Onze steden worden steeds belangrijker. Tegen 2050 woont ca. 70% van de totale wereldbevolking in ‘de’ stad. Het wordt een grote uitdaging voor ons allen om die steden leefbaar en economisch vitaal te houden. Openbaar vervoer (OV) speelt een essentiële rol bij deze uitdaging. Goede bereikbaarheid van de economische en sociale kerngebieden is een absolute voorwaarde voor het succes van een stad en OV is daarbij een onmisbare schakel. In dit special issue “Stedelijk OV” presenteren wij u een verzameling wetenschappelijke artikelen die helpt om het OV en daarmee de stad tot een succes te (blijven) maken. Stuk voor stuk wetenschappelijk onderzoek – direct toepasbaar voor een praktisch vervolg in beleid, planning en/of uitvoering.
Lees meer: Voorwoord special issue
Fiets én OV: ‘The best of both worlds’
Naast de inmiddels gangbare combinatie fiets en trein, bieden met name de combi’s fiets en stedelijke rail en fiets en HOV-busvervoer nog veel potentieel. Data-onderzoek van Goudappel Coffeng en TU Delft toont aan dat de combinatie fiets en een OV-modaliteit voordelen biedt aan een brede groep stakeholders. Waarom is dit relevant en hoe zit de gebruikersdynamiek van fiets en OV eigenlijk in elkaar?
Lees het artikel in Verkeerskunde
Optimization of a passenger railway transportation plan considering mobility flows and service quality
This research focuses on designing transportation plan for SNCF Transilien (French railway
operator for the Parisian suburban mass transit). The objective is to develop methods
and decision support tools to propose a timetable adapted to the passenger demand in the
Parisian mass transit system, including comfort and reliability criterias.
This paper aims to present the first step of this research. We propose a graph theoretic
ILP formulation for the Line Planning Problem, minimizing both travelers travel time and
operating cost. We furthermore develop a multi-objective method to solve this problem.
This method offers a pool of solutions in order to let the final designer choose the solution.
We report computational results on real world instances provided from SNCF Transilien.
Check the RAIL Lille paper of Lucile Brethome et al. HERE
Monitoren van kwaliteit en beleving van multimodale OV ketens voor betere prognoses
De bereikbaarheid van steden staat onder druk. Door de toename van bewoners, bedrijven en bezoekers is de verwachting dat de stedelijke bereikbaarheid verder onder druk komt te staan. Tot voorkort was het niet goed mogelijk om de kwaliteit (reistijd, betrouwbaarheid en beleving) van de gehele OV deur-tot-deur reis en de first en last mile te meten. Deze inzichten zijn essentieel om het effect van ontwikkelingen en maatregelen in te schatten.
Samen met het ministerie van I en M en de Metropoolregio Amsterdam hebben we een werkmethode ontwikkeld en toegepast om de kwaliteit van de gehele deur-tot-deur reis te beoordelen. In de eerste maanden van 2016 is een pilot voor de werkmethode uitgevoerd tussen Amsterdam en Haarlem. In deze pilot is de kwaliteit (reistijd, betrouwbaarheid en beleving) van de deur-tot-deur reis onderzocht met bestaande data (OV-chipkaart en NDOV) en direct vanuit de reiziger (enquêtes en apps). Met een nieuw ontwikkelde tool is met behulp van open data van zowel het stedelijke als landelijke OV (bijv. GVB en NS) inzicht gekregen in de geleverde kwaliteit. Met behulp van een nieuwe app zijn inzichten verkregen in ketenverplaatsingen, zoals fiets-OV.
De methodiek en nieuwe tooling heeft bewezen de benodigde inzichten op te leveren. Daarnaast blijkt uit de pilot onder meer dat:
– de combinatie van gegevens een goede werkmethode oplevert voor auto, OV, fiets en combinaties daartussen en voor de gehele deur-tot-deur reis (inclusief first en last mile).
– de objectieve en subjectieve waarde van reistijd, betrouwbaarheid en beleving per stukje van de reis regelmatig van elkaar verschillen. Zo wordt een betrouwbare en gemiddeld snelle OV-reis toch beleefd als lage kwaliteit.
De resultaten van de pilot zijn veelbelovend voor verdere ontwikkeling en toepassingen.
Bekijk de Platos presentatie HIER
Inzichten in dynamische effecten van openbaar vervoer door combinatie van statische en dynamische OV modellen
Steden worden steeds populairder om te wonen, werken en te recreëren. Deze trek naar de stad legt steeds meer druk op de hoogwaardige OV-assen in en van/naar de stad. Naast snelheid en frequentie zijn betrouwbaarheid en drukte belangrijke kwaliteitsaspecten voor zowel reiziger als vervoerder. Om deze OV-assen hoogwaardig en efficiënt te kunnen (blijven) exploiteren zijn inzichten in te verwachte effecten van nieuwe ontwikkelingen en maatregelen essentieel. Afgelopen decennium zijn er grote stappen gezet op het gebied van OV modellering. Er zijn goede, statische modellen beschikbaar voor OV prognoses. Desondanks is voor beter inzicht in bijvoorbeeld toekomstige betrouwbaarheid en drukte behoefte aan een meer dynamische modelomgeving, zonder het hoge detailniveau van microsimulatie. TU Delft en Goudappel zijn daarom een verkenning gestart naar toepassing van dynamische OV toedelingsmodellen, (agent-based, mesoscopisch). De basis hiervoor, BusMezzo, is ontwikkeld door KTH Stockholm en wordt daarnaast ook al via TU Delft toegepast in Nederlandse studies.
Deze verkenning richt zich op het modelleren van openbaar vervoer met zowel OmniTRANS, de modelleringsoftware voor het gros van de regionale en stedelijke modellen in Nederland, als BusMezzo, een dynamisch simulatiemodel voor OV toedeling. Het doel van dit project is om te verkennen in hoeverre een dynamisch model waarde kan toevoegen ten opzichte van een statisch model, en welke stappen genomen moeten worden om deze modellen met elkaar te laten communiceren. Naast theoretische analyse is een case studie van de metro van Amsterdam uitgevoerd.
BusMezzo is in staat om elk voertuig en elke reiziger individueel te simuleren en kan daarmee de volledige interactie tussen reiziger en voertuig meenemen in de toedeling. De impact van crowding wordt volledig gemodelleerd, door het toepassen van volume-afhankelijke halteertijden, denied boarding, en door reizigers ervaren reistijd als gevolg van discomfort in drukke voertuigen. Hiermee ontstaat een verrijking ten opzichte van statische modellen.
Een wederzijdse uitwisseling van input en output data tussen de beide modellen is mogelijk. Het ligt voor de hand om een tweetrapsraket te maken van beide modellen, waarbij de kracht van beiden wordt gecombineerd. Hiermee kunnen meer en betere inzichten worden verkregen voor verwachte effecten van ontwikkelingen en/of OV maatregelen. Daarmee wordt een grote verbeterslag in prognoses en bijv. kostenbaten-analyses gemaakt.
Bekijk de Platos presentatie HIER
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
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