Niels van Oort

Public transport researcher

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

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

Logo 5xE-02

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

© 2011 TU Delft