Posts tagged Big Data
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
OV-chipdata als tool voor efficiënt OV
De kosten in het OV staan onder druk, maar tegelijkertijd eist de reiziger hogere
kwaliteit. Dat vraagt om een hogere kostendekkingsgraad en een hogere bezettingsgraad.
Hoe kan big data hier een rol in spelen? “Het draait vooral om een
combinatie van voertuig- en reizigersdata; een analyse van het verleden en een
voorspell¡ng van de toekomst”, stelt OV-adv¡seur Niels van Oort. “Analyse kan
leiden tot verbetervoorstellen en uiteindelijk optimalisatie van de OV-dienst.”
Lees hier het volledige interview: Verkeer in Beeld
OV data wereldwijd omarmd
Niels van Oort was begin juli bij de eerste ‘Workshop on Smart Card Data Analysis’ in
Japan. “Het feit dat wij één nationaal systeem hebben met de OV-chipkaart maakte
indruk op mijn collega’s. Toch kijk ik ondanks onze landelijke dekking met enige
jaloezie naar hoe andere landen data omarmen voor beter ov.”
Lees het artikel: OV-Magazine aug 2014
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)
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
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)