Posts tagged Big Data

Impacts of Covid on train traveller behaviour / De gevolgen van de coronacrisis op treinreisgedrag

Delft University of Technology and the Dutch railways (NS) started a joint research in April 2020 on Covid impacts on train passenger behaviour. During the pandemic, multiple surveys in different stages (up to 100.000) were held to learn about the impacts and expectations.

Read more in the papers, presentations and news releases below. English publications are highlighted in the list.

***

TU Delft en NS zijn 24 april 2020 een grootschalig onderzoek naar de gevolgen van de coronacrisis op het reisgedrag gestart. Zo’n 100.000 NS-reizigers zijn hiervoor benaderd. Door de intelligente lockdown daalde het aantal treinreizigers tot ongeveer 7% ten opzichte van normaal. De onderzoeksvraag is hoe reizigers zich tijdens en na de lockdown (verwachten te) gaan gedragen. Vanuit NS zijn Valerie Severens, Menno de Bruyn en Mark van Hagen betrokken bij dit onderzoek. Bij de TU Delft zijn dat Danique Ton, Dorine Duives en Niels van Oort.

Lees hier over het onderzoek en de resultaten tot zover:

<English> Train traveller behaviour during and after Covid: insights of a longitudinal survey of Dutch train passengers with Mark van Hagen et al. [Paper with results until December]

<English> The future of train traveller behaviour with Danique Ton, Mark van Hagen and Niels van Oort [results until December+teleworking]

BNR Nieuwsradio met Niels van Oort [OV ná Corona]

<English> RailTech with Mark van Hagen, Danique Ton and Niels van Oort [results until december + teleworking]

<English> Smart Public Transport Lab COVID webinar met Danique Ton [Teleworking]

Nieuwsuur over toekomst NS met Marjan Rintel [Treinreizen ná Corona]

Verkeerskunde artikel met Valerie Severens, Mark van Hagen, ea [resultaten april, juni en september]

OV Pro artikel met Menno de Bruyn en Niels van Oort [resultaten t/m september]

Interview OV Magazine met Menno de Bruyn

SpoorPro TV met Menno de Bruyn en Niels van Oort (vanaf 16:15 min) [resultaten t/m september]

CVS paper met Mark van Hagen, Dorine Duives en Valerie Severens [resultaten t/m juni]

<English>AET Covid webinar met Mark van Hagen en Niels van Oort [resultaten t/m september]

Fietscommunity presentatie met Niels van Oort [effecten fiets en OV, april en juni]

Presentatie EMTA met Dorine Duives [resultaten t/m juni]

MPN symposium met Mark van Hagen en Danique Ton [resultaten april en juni]

SpoorPro TV met Menno de Bruyn en Niels van Oort [resultaten april]

<English>Webinar ADS met Menno de Bruyn

<English> Webinar Smart Public Transport Lab met Danique Ton [resultaten april]

NM Magazine met Danique Ton ea [resultaten april]

Volkskrant met Niels van Oort

Nu.nl met Niels van Oort

NOS met Niels van Oort

Start onderzoek in april

Podcast: Bicycle+transit mode

The bicycle+transit combination has been a growing mode for years now. It could offer the best of both worlds, if it is well designed with an integrated perspective. In this Dutch Cycling Embassy podcast with Geert Kloppenburg and Chris Bruntlet, we discuss about the opportunities and challenges regarding shared bicycle systems.

Find the podcast here:
Podcast Bicycle+Transit

Find the related references here:
Insights and overview research findings (lecture slides; Van Oort, 2020)

Shelat et al.(2017); Characteristics bicycle and transit users

Van Mil et al.(2020); Factors affecting the bicycle and transit mode

Ton et al. (2020); Factors catchment areas PT stops

Ma et al.(2020); Shared bicycle impacts on modal shift

Fietsparkeren bij stations en haltes: kansen (on)mogelijkheden (deel)fiets+ OV

De combinatie van fiets+OV is groeiende. Maar tegelijkertijd zien we ook de stallingsdruk en -problemen toenemen. Hoe kunnen we de groei blijven faciliteren en wat is de mogelijke rol van de deelfiets hierin? Tijdens het fietsparkeercongres in Utrecht deelden we onze inzichten vwb het gebruik(svoorkeuren) van de combinatie (Deel)fiets+OV.

Bekijk de presentatie HIER en de aftermovie HIER

Fietsen naar de tramhalte: simultane modellering van voortransport- en haltekeuze

Wereldwijd wordt er gestuurd op een toename van duurzame vervoerkeuzes voor een betere leefbaarheid en bereikbaarheid. Vooral in de steden waar de samenleving groeit en de dichtheden groter worden is een verandering in kijk op de mobiliteit noodzakelijk om de burgers tevreden te stellen. De integratie van fiets en openbaar vervoer (OV) kan hier aan bijdragen. Wanneer de fiets wordt gebruikt als voortransportmiddel wordt het invloedsgebied van het OV vergroot ten opzichte van lopen waarmee het een beter alternatief wordt voor niet-duurzame vervoermiddelen. Om de combinatie fiets en OV te vergroten zullen effectieve klantgerichte maatregelen genomen moeten worden. Hiervoor is meer inzicht nodig is de factoren die een rol spelen bij de keuzes voor voortransportmiddel en halte. Hier is tot op heden nog weinig over bekend op het stedelijk niveau. Door de keuzes in één onderzoek te combineren wordt de afweging duidelijk tussen het voortransportmiddel en de OV-reis, en kunnen de effecten op het invloedsgebied van het OV bepaald worden. Dit is gedaan op basis van data van HTM-tramreizigers in Den Haag middels een simultaan discreet keuzemodel van voortransportmiddel en halte keuze. Resultaten geven aan dat reizigers in het algemeen liever lopen dan fietsen naar de tramhalte. Daartegenover staat dat de afstand naar de tramhalte lopend 2,1 keer zwaarder weegt dan als men fietst. Dat betekent dat bij een langere afstand fietsen aantrekkelijker wordt dan wandelen. Frequente fietsers zijn meer geneigd om ook naar de tramhalte te fietsen, terwijl frequente tramreizigers juist minder vaak fietsen naar de tram. De aanwezigheid van fietsparkeervoorzieningen vergroot het invloedsgebied van een tramhalte, maar de grootste impact op het invloedsgebied van fietsers is de OV-reistijd. Verbeteringen aan het OV-systeem, zoals minder haltes en/of hogere frequenties kunnen dan ook zorgen voor een groter geaccepteerde fietsafstand (fietskeuze) tot de halte. Op basis van deze resultaten lijkt het mogelijk de fiets-OV combinatie ook op stedelijk niveau te stimuleren. Hierdoor kan duurzame mobiliteit op stedelijk niveau betere concurrentie bieden aan de auto, wat lijdt tot een aantrekkelijkere en beter leefbare stad.

Bekijk hier de presentatie en paper van Danique Ton et al.: Presentatie en Paper

OV en (deel)fiets: vriend of vijand? Inzichten in gebruik en reizigersvoorkeuren

In beleid en onderzoek is steeds meer aandacht voor duurzame vervoermiddelen, zoals de fiets en het openbaar vervoer (OV). Integratie van fiets én openbaar vervoer kan de voordelen van beide systemen combineren: De fiets zorgt voor fijnmazige ontsluiting van herkomsten en bestemmingen, is duurzaam en bevordert een gezonde leefstijl. De kwaliteit van het OV neemt de laatste jaren toe, onder andere door de introductie van hoogwaardig OV (HOV): snelle, frequente en betrouwbare bus- tram- en metrolijnen met een hoog comfortniveau. De halteafstanden van deze systemen zijn, net als bij het spoor, relatief hoog, waardoor de fiets een belangrijke rol kan spelen in de gebiedsontsluiting. Echter, op kortere afstanden zijn de fiets en het OV, naast een nuttige combinatie, ook elkaars concurrenten.

Om inzicht te krijgen in de aanvullende dan wel concurrerende rol van de fiets en OV, is onderzoek nodig over hoe de reiziger zich nu en in de toekomst beweegt. Dit inzicht helpt om een optimaal integraal fiets+OV systeem te ontwerpen en gebruik van dit systeem te stimuleren en te faciliteren. Dit paper laat de resultaten zien van vier recente TU Delft onderzoeken op dit gebied.

Resultaten van een literatuuronderzoek naar de first- en last-mile laat zien welke factoren belangrijk zijn voor modaliteitskeuze, waaruit bijvoorbeeld blijkt dat mannen die bekend zijn met de omgeving vooral gebruik maken van de fiets. Onderzoek in Den Haag laat het bereik van de tramhalte zien voor de fiets. Fietsers zijn bereid tot 3 km te fietsen om bij een tramhalte in de stad te komen. Ongeveer 50% van de gebruikers fietst verder dan de dichtstbijzijnde halte als deze halte minder overstappen, betere parkeervoorziening en meer reisopties biedt. Voor het natransport is de deelfiets een relatief nieuwe optie. Onderzoek naar Mobike in Delft (dockless bikes) laat zien dat ca.19% van de deelfietsritten gebruikt wordt om van en naar het station te komen. Met name het gebruik van Mobike voor ritten naar station Delft Zuid, met beperkte andere mogelijkheden, valt op. Ook voor andere deelfietssystemen in Delft, zoals OV-fiets en Swapfiets is onderzoek gedaan naar het gebruik. Door de beschikbaarheid van deze systemen geeft 9-16% van de gebruikers aan meer gebruik van de trein te maken, tegenover 34-60% minder van de bus. Ook lopen wordt vervangen door deze nieuwe modaliteiten in 35-42% van de gevallen.

Bekijk de presentatie en paper hier: Presentatie en Paper

Understanding the Modal Shift in Response to Bike-sharing Systems in the City of Delft

The introduction of bike-sharing systems has revitalized cycling in many cities around the world. In general, the bike-sharing systems operated worldwide can be divided into two categories: docked bike-sharing and dockless bike-sharing. In the docked bike-sharing system, users have to rent bicycles from designated docking stations and then return them to the available lockers in the docking stations. The dockless bike-sharing system is designed to provide more freedom and flexibility to travellers in terms of bicycle accessibility. In contrast to docked bike-sharing, riders are free to leave bicycles in both physical and geo-fencing designated parking areas provided in public space with or without bicycle racks.

As a greener travel mode, bike-sharing is competitive in short distance travel and people who have long commuting distance are more likely to choose public transit integration with it. Previous research has shown that bike-sharing reduces car and taxi useage and increases cycling in almost every city. Bike-sharing system has been shown to reduce trip demand of public transportation including train, metro and bus.

In Delft as a student city in the Netherlands, cycling is seen as the most important mode of transport within the city. There exist three different bike-sharing schemes in operations, including OV-fiets, Mobike and Swapfiets. OV-fiets was introduced in the Netherlands in 2003 [4]. The bicycles should always be brought back to the location where the rental started. At this moment, there are almost 300 rental locations consisting of 20500 bicycles. Mobike is a dockless bike-sharing service and is more flexible than the existing docked bike-sharing alternative. Mobike extended the operations to Delft in March 2018 with a focus on the university campus. Swapfiets, launched in 2014, is a bicycle-rental system on a subscription basis, can be used for regular private trips. Now it has over 50,000 customers in 38 cities in Europe. The coexistence of different bike-sharing schemes in Delft enables this city to be a test bed for bike-sharing research.
This paper aims to understand the modal shift dynamics and the factors influence travellers’ choices in response to different bike-sharing systems by conducting a survey targeting OV-fiets users, Mobike users and Swapfiets users and private-bike users.

Find the CRB presentation and abstract of Xinwei Ma: Presentation and ABSTRACT

Ridership impacts of the introduction of a dockless bike-sharing scheme, a data-driven case study

In recent years, growing concerns over climate change, pollution, congestion and unhealthy lifestyles have contributed to increasing attention to sustainable transport modes such as cycling in general and more particularly the bicycle-transit combination. As part of the policy to promote cycling, bike-sharing programs were introduced in the past decades. The development of smart bicycle locks in combination with the possibilities of smartphones, made a new type of bike-sharing possible, in literature known as dockless, free-floating or fourth generation bike-sharing. In the new dockless, model, users are able to start and end their trip at their origin and destination without having to find a nearby docking station. Compared with traditional bike-sharing programs, dockless bike-sharing systems integrate mobile payment and global positioning system (GPS) tracking into the system; these features greatly increase the ease of use and management of the system.

This paper is set up around a pilot implementation of the dockless bike-sharing system of Mobike in Delft, the Netherlands. Our research deals with what can be learned from this pilot and analyzing the critical success factors for a sustainable bike-sharing system based on the data of the Delft Mobike pilot. The focus of this paper is on the combined bicycle and transit mode. This research is based on an experimental method for collecting operational data from the bikesharing system, being the first research based on trip data of a dockless bike-sharing system in Western Europe.

Find the Cycling Research Board abstract and presentation of Sven Boor: Presentation and ABSTRACT

Impact assessment of new North/South metro line in Amsterdam

Large infrastructural projects are usually evaluated ex-ante before the decision to build the project is taken. However, after construction and opening of such project a thorough ex-post analysis is rare. In this paper we present an overview of such an evaluation study conducted in Amsterdam, capital of The Netherlands, including some first results. Research themes in the study are public transport, mobility and accessibility, public space and liveability and spatial economics. In this paper we focus on effects on public transport.

The new north-south metro line in Amsterdam became operational in summer 2018. This was accompanied by changes to the existing bus and tram network to provide feeder services to the new line, as well as to remove duplicate routes. Apart from adding significant capacity to the public transport network, the new line and the accompanying changes to the network are expected to improve travel times, reliability, accessibility and comfort levels (at least on average; not for all individual travellers).
The changes in such service quality attributes is expected to lead to a change in travel behaviour in terms of public transport route choice, mode choice (between public transport and private modes or within public transport), destination choice, departure time choice or addition of new trips (induced demand).
The objective of this study is to identify the main effects of the new metro line on existing and new passengers. We pay attention to the following aspects:
– Passenger volumes.
– Travel times, where the following distinction can be made:
o in-vehicle time;
o waiting time at the first stop;
o transfer walking time;
o transfer waiting time.
– Number of transfers.
– Network flows / crowding in vehicles.
– Reliability: travel time variance on the journey level.
– Accessibility: number of inhabitants and jobs reachable within a travel time budget.

Data sources for the study are GTFS timetable data (open source), Smart card data (both from within the city of Amsterdam as for the regional feeder bus services) and Automated Vehicle Location data. To measure perceived quality of the PT network, a survey is conducted among inhabitants of Amsterdam. In this survey approximately 3.800 respondents were asked about the travel time perceptions of their last PT trip, both before and after opening of the metro line. Finally, for a sample of travellers the entire trip is followed by a GPS tracking app.

Impact analysis of a new metro line in Amsterdam using automated data sources

A new metro line (the north-south line) was opened in Amsterdam in July 2018, adding significant capacity to the existing urban public transport network consisting of bus, tram and metro modes. The opening of the metro line was accompanied by changes to the existing bus and tram network, such as removal of duplicate routes and addition of feeder routes.

Traditionally, the impact of such a network change was measured either ex-ante or post-op based on surveys or model forecasts (Vuk 2005; Knowles 1996; Engebretsen, Christiansen, and Strand 2017). However, with the availability of automated data sources such as the smart card data, the exact impact on transit demand and service quality can now be measured. However, so far this has been limited to analysing the changes in travel times and reliability at a trip level (Fu and Gu 2018), excluding transfers.
This research utilises smart card and AVL data to study the impact of the new line on travel patterns (passenger flows), travel times and reliability from a passenger perspective by considering journeys including transfers. The metrics are calculated at a stop-cluster level, enabling also a distributional analysis of the impacts. Such a post-op analysis of any policy intervention or network change could be used to refine the demand predictive ex-ante tools.

Check the Transit Data workshop contributions of Malvika Dixit: Presentation and Extended abstract

Forecasting bus ridership with trip planner usage data: a machine learning application

Currently, public transport gives much attention to environmental impact, costs and traveler satisfaction. Good short-term demand forecasting models can help improve these performance indicators. It can help prevent denied boarding and overcrowding in busses by detecting insufficient capacity beforehand. It could be used to operate more economically by decreasing the frequency or the size of the bus if there is overcapacity. Moreover, it could help operators plan their busses during incidental occasions like big public events where little information is known. Finally, it could be used to reliably inform the travelers on the current crowdedness.
This study investigates the usefulness of a new data source; the usage data of a trip planner. In the Netherlands there are multiple trip planners available for users to help find the most optimal (multimodal) journeys. These trip planners require a date, a time and an origin and destination, which they use to construct multiple alternative journeys from which the user can choose. For this study the data of 9292 was used, being the major trip planner in the Netherlands including all public transport modes.
We developed a model for forecasting the number of people boarding and a model for forecasting the number of people alighting at a certain stop. These forecasts are defined at the vehicle-stop level. By summing the number of people boarding and subtracting the number of people alighting along the trip the forecasted number of passengers after a stop is calculated.

We compare five different machine learning models: multiple linear regression, decision tree, random forests, neural networks and support vector regression with a radial basis kernel. We compare these models with two simple rules: 1 predict the same number as last week, and 2 predict the historic average as number. The models are implemented in the Scikit-Learn library of Python. The data is stored in a PostgresSQL database.
The trip planner datasets and smart card dataset are merged and preprocessed. The resulted dataset is rather sparse; a lot of stops have zero passengers boarding or alighting or requests suggesting to do so. Therefore we investigated if subsampling is needed. From the datasets useful data is selected and features are constructed. The features are standardized. Different number of features are tested, these features are selected based on recursive elimination using a simple random forests model. Finally, the hyperparameters of the models are tuned and the optimal configurations are stored. The scores are validated by using cross validation.

Find more details in the following contributions by Jop van Roosmalen: Transit Data workshop presentation and MSc thesis

© 2011 TU Delft