Posts tagged Big Data
Improving public transport decision making, planning and operations by using Big Data: Cases from Sweden and the Netherlands
New big data (sources) in the public transport industry enable to deal with major challenges such as elevating efficiency, increasing passenger ridership and satisfaction and facilitate the information flow between service providers and service users. This paper presents two actual cases from the Netherlands and Sweden in which automated data sources were utilized to support the planning and operational processes. The cases illustrate the benefits of using smartcard and vehicle positioning data. Due to the data (processing), valuable insights were gained helping to make the right choices and improve the public transport system.
Read our paper: Workshop paper IEEE ITSC 2015 and check our presentation: Presentation IEEE ITSC15
Urban Mobility Lab: benut databerg
CROW-KpVV hield op 28 mei in Utrecht de eerste landelijke kennisdag over het benutten van data in het openbaar vervoer. Het delen van data levert veel op, maar is nog geen gemeengoed. Tijdens de bijeenkomst stond onder andere het Urban Mobility Lab in de schijnwerpers: een proeftuin vol data over vervoerpatronen in Amsterdam.
Lees het hele artikel: Urban Mobility Lab in OV Magazine
Urban Mobility Lab
Op 28 mei 2015 organiseerde CROW-KpVV in de Galgenwaard in Utrecht de eerste landelijke bijeenkomst over het benutten van data in het openbaar vervoer. Het doel van deze onafhankelijke kennisdag was om te laten zien welke toepassingsmogelijkheden er zijn voor data die beschikbaar is. Zo kan slim gebruik hiervan overheden helpen bij het nemen van beleidsbeslissingen en beheren van een concessie. Daarnaast kunnen verschillende regio’s van elkaar leren door data te koppelen en te vergelijken. Er liggen kortom volop kansen op het gebied van datagebruik in het ov.
Niels van Oort, assistant professor ov aan de TU Delft, vertelde tijdens het plenaire deel over hoe Amsterdam als levend mobiliteitslaboratorium fungeert. Hoe kunnen we alle voetgangers-, fiets-, auto- en OV-data verzamelen, combineren en visualiseren om te komen tot een beter begrip en kennis van het totale mobiliteitssysteem? In een verdiepende deelsessie stonden de mogelijkheden voor het ov centraal: wat kunnen we leren over het ov door gebruik te maken van databronnen als GSM, GOVI en OV-chipkaart?
Bekijk hier de presentatie: Urban Mobility Lab
Transport Thursday: Investing in cities
In recent years, state-of-the-art public transport, including light rail, has seen strong worldwide growth. Increasing numbers of different types are emerging, both on the drawing board and on the streets. What lessons can we learn from all of these ideas and projects? Rob van der Bijl, Bert Bukman and Niels van Oort conducted research into 47 light-rail projects in the Netherlands and elsewhere and wrote a book on this entitled, ‘Investeren in de stad. Lessen uit 47 light rail projecten ‘ (‘Investing in the city. Lessons from 47 light-rail projects’). On this special Transport Thursday, they will be sharing their most important lessons and experiences (from decision-making through to operation) in achieving successful state-of-the-art public transport, a key driver in our new smart cities.
Check our presetation: Transport Thursday Van Oort 2015
Short term ridership prediction in public transport by processing smart card data
Public transport operators are exposed to massive data collection from their smart card systems. In the Netherlands, every passenger needs to check in and to check out, resulting in detailed information on the demand pattern. In buses and trams, checking in and checking out takes place in the vehicle, providing good information on route choice. This paper explores options for using this smart card data for analysis and performing what-if analyses by using transport planning software. This new generation of transport demand models, based on big data, is an addition to the existing range of transport demand models and approaches. The intention is to provide public transport operators with a simple (easy to build) model to perform these what-if analyses. The data is converted to passengers per line and an OD-matrix between stops. This matrix is assigned to the network to reproduce the measured passenger flows. After this step, what-if analysis becomes possible. With fixed demand, line changes can be investigated. With the introduction of an elastic demand model, changes in level of service realistically affect passenger numbers. This method was applied on a case study in The Hague. We imported the smart card data into a transport model and connected the data with the network. The tool turned out to be very valuable for the operator to gain insights into the effect of small changes.
Read the paper: TRB 2015
Robuust openbaar vervoer vanuit een reizigersperspectief
De klachten van reizigers tijdens de sneeuwproblematiek in het openbaar vervoer de afgelopen jaren, Kamervragen over het hoge uitvalpercentage van de Intercity Direct en discussies over spooronderhoud in de Schipholtunnel maken één ding duidelijk: het belang van robuust openbaar vervoer. Desondanks richten discussies over robuustheid zich alleen op de kosten van robuustheidsmaatregelen. Tot op heden wordt nauwelijks gefocust op de waarde van robuustheid: wat zijn de robuustheidsbaten van de maatregelen en wat is die robuustheid waard?
In deze paper hebben we een methodologie ontwikkeld die ons in staat stelt om de maatschappelijke waarde van robuust openbaar vervoer te bepalen, in aanvulling op reeds vastgestelde tijd- en betrouwbaarheidswaarderingen. Robuustheidsbaten van maatregelen kunnen hiermee worden gemonetariseerd, en afgewogen worden tegen de benodigde kosten. Hiermee ondersteunt deze methodologie besluitvorming aangaande de implementatie van robuustheidsmaatregelen.
In deze paper wordt robuustheid vanuit een reizigersperspectief benaderd. Op dit moment wordt robuustheid door wetenschap en praktijk vooral vanuit een mono-level perspectief benaderd: voor elk netwerkniveau en elke modaliteit apart. In dit onderzoek richten we ons echter op robuustheid van het totale multi-level openbaar vervoer netwerk, waarbij alle openbaar vervoer netwerkniveaus en alle modaliteiten (trein, metro, lightrail, tram, bus) van verschillende vervoerders integraal worden geanalyseerd. Hierdoor kan inzichtelijk worden gemaakt in welke mate netwerkniveaus een verstoring op een ander netwerkniveau kunnen opvangen, en wordt op realistische wijze inzicht verkregen in de effecten van verstoringen op reizigers.
In dit onderzoek is eerst een nieuwe methodologie ontwikkeld om de meest kwetsbare plaatsen in het multi-level netwerk te identificeren. Door zowel verstoringskansen, verstoringsduur als verstoringsimpact expliciet in beschouwing te nemen, kan vervolgens de mate van onrobuustheid van deze kwetsbare netwerkdelen worden gekwantificeerd. De ontwikkelde methodologie is succesvol toegepast op de Randstad Zuidvleugel als casestudy. De resultaten illustreren dat vanuit een reizigersperspectief ruimte is om robuustheid van openbaar vervoer netwerken te verbeteren. Met name tijdelijke lijnvoeringmaatregelen (zoals een tijdelijke frequentieverhoging op een route parallel aan een kwetsbaar netwerkdeel) en kleine infrastructurele maatregelen hebben maatschappelijk gezien potentie om robuustheid verder te verbeteren. In de casestudy wegen robuustheidsbaten van grotere infrastructurele maatregelen (zoals de aanleg van extra wissels) tijdens verstoringen niet op tegen de kosten voor reizigers en vervoerders tijdens de onverstoorde situatie.
Uit de casestudy blijkt dat het niet eenvoudig is om vooraf de waarde van verschillende maatregelen te beoordelen. Onze aanpak helpt dit proces te verbeteren en biedt robuustheid daarbij een plek in de besluitvorming.
Lees meer:
Paper Menno Yap CVS2014 of
Presentatie
Betere OV prognoses met anonieme OV-Chipkaartdata
Door de introductie van de OV-Chipkaart komen er grote hoeveelheden data over reizigersstromen in het OV beschikbaar. Naast data over de voertuigprestaties (via GOVI bijv.) hebben de inzichten uit deze reizigersdata een enorm potentieel voor de optimalisatie van het OV-product. Dit artikel verkent de mogelijkheden om, de privacy van reizigers respecterend, deze data in te zetten voor de voorspelling van nieuwe reispatronen bij aanpassingen in het netwerk en/of de dienstregeling. Het doel is om een relatief eenvoudige “What-if”-methodiek te ontwerpen, die snel en voldoende nauwkeurig reizigersprognoses kan maken. Hiermee ontstaat een nieuwe generatie verkeersmodellen.
De aanpak combineert de eenvoud en snelheid van de “sigarenkist” en de visualisatie- en rekenkracht van een verkeersmodel. We hebben de methodiek ingebed in bestaande OmniTRANS-verkeersmodelsoftware. De anonieme OV-chipkaartdata wordt toegedeeld aan het OV netwerk in het model, waardoor huidige stromen gevisualiseerd kunnen worden. Door gebruik te maken van elasticiteiten over de relatie tussen OV-kwaliteit en OV-gebruik (zowel uit de literatuur als op basis van gangbare vuistregels) kunnen eenvoudige prognoses gemaakt worden. Die dienen bijvoorbeeld om inzicht te krijgen in inkomstenderving door omleidingen of om effecten te schatten van budgettaire maatregelen.
We hebben de gepresenteerde methodiek succesvol toegepast op het tramnetwerk van HTM in Den Haag, waarmee sneller en nauwkeurige dan voorheen prognoses gemaakt kunnen worden. Voor het afwegen van scenario’s in de ontwikkeling van het railnetwerk en bij het afwegen van tijdelijke omleidingsscenario’s gebruikt HTM de aanpak inmiddels om reizigerseffecten te prognosticeren. Deze analyses helpen in het maken van betere keuzes en in het besluitvormingsproces met de OV-autoriteit Haaglanden.
Hoewel waardevol, zijn er ook een aantal beperkingen aan deze methode. De aanpak is unimodaal en door het gebruik van elasticiteiten slechts toepasbaar voor kleine veranderingen op relatief korte termijn. Nu met de OV-Chipkaartdata meer inzichten kunnen worden verkregen, raden wij aan de gehanteerde elasticiteiten te actualiseren. Gedrag van reizigers bij kleine veranderingen kan relatief eenvoudig bepaald worden nu deze data voorhanden is. De volgende stap in ons onderzoek is het koppelen van de reizigersdata aan de voertuigdata, waardoor gedetailleerdere analyses gemaakt kunnen worden van bijvoorbeeld reizigerspunctualiteit.
Lees meer:
Paper CVS2014 of Presentatie
Urban Mobility Lab in Amsterdam
Amsterdam Institute for Advanced Metropolitan Solutions (AMS), het nieuwe instituut voor toegepaste stedelijke technologie en ontwerp start met drie projecten. Deze projecten gaan nog dit jaar van start; Rain Sense, Urban Pulse en Urban Mobility Lab. Deze projecten voldoen aan belangrijke criteria van AMS-projecten: er zijn partners van het instituut én inwoners van de stad betrokken, de onderzoek is nuttig voor de inwoners van Amsterdam en de projecten zijn wereldwijd gezien innovatief.
Urban Mobility Lab (olv Serge Hoogendoorn, Hans van Lint en Niels van Oort) houdt zich bezig met het begrijpen en kunnen voorspellen van verkeersstromen. In een metropool als Amsterdam is dat complex, omdat verkeer en vervoer het resultaat zijn van miljoenen kleine en grote beslissingen. Neemt u de auto, de tram of gaat u lopen? Waar gaat u wonen en werken? Op welke manier worden bedrijven bevoorraad? Waar moet dat nieuwe station komen? Alles hangt met alles samen. AMS gaat hiervoor een uniek laboratorium bouwen waarmee we dat soort vragen integraal en in samenhang kunnen onderzoeken. Met dit Urban Mobility Lab kunnen gemeente, bedrijven en bewoners straks werken aan nieuwe, schonere en betrouwbaardere mobiliteit voor iedereen.
Kijk voor meer informatie over UML op: Slides UML
Renée Hoogendoorn, directeur van AMS, is trots op deze stappen. ‘De impact van deze projecten voor de stad is groot. Wat is er mooier dan te werken aan de kwaliteit van wonen, werken en verblijven in de stad, te werken aan de lééfkwaliteit en dus te zorgen voor minder schade, minder files, minder milieuvervuiling en om te helpen dat essentiële zaken – als energie, water en voedsel – voor iedereen beschikbaar zijn? Komende tijd zullen meer projecten starten en zal ook zichtbaar worden wat AMS qua Onderwijs en Data-Platform te bieden heeft. De feitelijke start van AMS is nu gemaakt. Dat we nu dus ook een eigen locatie hebben in Amsterdam is niet alleen noodzakelijk maar ook een groot genot. Op deze interessante plek in Amsterdam kunnen we komende jaren AMS flink uitbouwen.’
Over AMS
AMS is een internationaal instituut dat vanuit een multidisciplinaire aanpak onderzoek doet naar grootstedelijke vraagstukken en hiervoor oplossingen ontwikkelt en implementeert. Bewoners van de stad worden betrokken als testers, gebruikers en co-creators van producten en ideeën die de stad leefbaarder moeten maken. Amsterdam fungeert daarmee als het ‘living lab’ van AMS. AMS is een initiatief van de academische partners TU Delft, MIT en Wageningen UR, samen met de Gemeente Amsterdam. De basis van AMS is een open platform waarbij allerlei partijen kunnen aansluiten. Het instituut werkt nu al samen met partners als Accenture, Alliander, Cisco, IBM, KPN, Shell en Waternet, Amsterdam Smart City, ESA, TNO, Waag Society, het Havenbedrijf Amsterdam en de stad Boston.
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
Verkeersmodellen verrijken met onbetrouwbaarheid OV vanuit een reizigersperspectief
In verkeersmodellen rijdt al het OV op tijd. 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. 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 (Grenzeloze OV Informatie). 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 OV onbetrouwbaarheid per lijn of traject in het model, is de verklarende waarde van het model toegenomen: het resultaat voor kalibratie komt 18% dichter bij de telcijfers. Doordat OV onbetrouwbaarheid expliciet wordt meegenomen, 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 kan immers substantiële maatschappelijke baten tot gevolg hebben. Het driestappenplan is een eerste aanpak én toepassing van het meenemen van onbetrouwbaarheid van OV in verkeersmodellen. De volgende stap is het verfijnen van deze methodiek door bijv. onbetrouwbaarheid als zelfstandig aspect in de nutsfunctie mee te nemen.
Lees meer: Tijdschrift vervoerwetenschappen 3, 2014