Niels van Oort
Big data supports light rail business case
Transport planners are starting to consider how “big data” retrieved from passenger smart cards, computers and mobile phones could improve the design of urban rail networks and timetables, and improve operations by predicting ridership. Niels van Oort, assistant professor at Delft University of Technology, and consultant at Goudappel Coffeng, explains how big data was utilised to support the business case for a proposed light rail line in Utrecht.
Read the full article: Internation Railway Journal (URL) or Internation Railway Journal (PDF)
Success and failure aspects of light rail planning
The report ‘Light Rail in Nederland, een studie naar de succes- en faalfactoren over de ontwikkeling van light rail-projecten in Nederland’, was performed by twelve students from the Technichal University of Delft, supervised by Rob vd Bijl and Niels van Oort. They investigated which factors could make or break a light rail project. During the last decades, the term light rail became a very known concept. As a hybrid mode with the best characteristics of train, tram and metro combined, light rail became an important and desired mode of transportation.
Nonetheless, several important light rail-projects failed. Some of these project were in a preliminary stage, whilst others were already quite advanced. One project so advanced, operation trials were already performed. Five cases on light rail projects in the Netherlands
and France (reference project) were extensively investigated. Not only the internal parts of the project were investigated (plan and development stages), but in particular the external context is set out. Political context and sustainability and urban development are
important external factors.
The investigation of five cases- Uithoflijn (Utrecht), RandstadRail (Rotterdam and The Hague), Regiotram (Groningen), RijnGouweLijn (Gouda and Leiden) and Straatsburg (France) – led to an overview of factors that will make or break a light rail-project. Important success factors can be found in the project organization, the political context and (external communication). Dangerous fail factors are found in the political domain, the project organizations and the decision-making process. Often, the success and risk factors which are involved in a light rail-project are a truism. It seems quite obvious that these factors are taken into account. Nevertheless, the failure of several important light rail-projects proves that –unfortunately- these factors are underestimated.
Read the summary here: Light rail research
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
Robust public transport from a passenger perspective
MSc.Thesis by Menno Yap (full report: HERE )
Summary:
Disturbances in public transport are an important issue for passengers, public transport operators and infrastructure managers. After the occurrence of large disturbances, there is often a strong call from passengers and society to make the public transport network less vulnerable – and therefore more robust – against these types of events. Despite the mentioned importance of considering robustness, the next limitations can be formulated regarding the way robustness of public transport networks is currently considered:
When evaluating and improving robustness of public transport networks against large non-recurrent disturbances, a passenger perspective is not included to its full extent. There is a strong focus on independent network levels operated by a single public transport operator, instead of considering the integral, multi-level public transport network available for passengers.
In general, limited quantitative data is available about disturbances which occur on multi-level public transport networks and about the effects of these disturbances on passengers. Also there is limited knowledge about the robustness performances of different network levels relative to each other. Given these limitations, the following main research question is formulated:
What methodology can be developed to evaluate the robustness of multi-level public transport networks and to evaluate robustness effects of measures for the case study network between Rotterdam and The Hague?
In this study, robustness is related only to major discrete events: large, non-recurrent events which affect infrastructure availability. In line with this, the next definition of robustness is used in this study:
‘Robustness is the extent to which the network is able to maintain the function it was originally designed for under circumstances which strongly deviate from plan’.
In this study, a methodology is developed which enables the evaluation of the current robustness of multi-level public transport networks, as well as the evaluation of proposed robustness measures. The case study shows that it is worth to consider another network level as back-up in case a certain network level is blocked. The result of the case study indicates that from a societal point of view, there is still room to improve the robustness of multi-level public transport networks.
The developed methodology can especially be developed further by incorporating en-route route choice possibilities in the transit assignment model. Further research is recommended especially to gain more knowledge about the behaviour of passengers in case they are confronted with major discrete events and in case they are confronted with crowded vehicles.
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)
No data, no glory
Ons verslag en de OV highlights van het TRB congres 2014 lees je hier: TRB verslag OV Magazine
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!
Service reliability in a network context: impacts of synchronizing schedules in long headway services
This paper presents research on synchronization of transfers and its impact on service reliability from a passenger perspective. Passenger reliability is analyzed for the case of a multi-operator transfer node. A method is developed to calculate the passenger centered reliability indicators: additional travel time and reliability buffer time, using scheduled and actual vehicle arrival and departure times as an input. Five major factors are identified as affecting reliability at a particular transfer: scheduled transfer time, distributions of actual arrivals of the first and second line, headways, transfer walking time, and transfer demand. It is demonstrated in a real network case that changing a specific transfer has effects on other transfers from the transfer point. This method can be applied in a cost benefit analysis to identify the benefits and costs of reliability for different groups of passengers, thereby supporting proper decision making.
This paper won the Best Paper Award of all submissions by the TRB Committee on Transit Capacity and Quality of Service.
Read more: Paper Lee TRB 2014