• Ingen resultater fundet

28. august Morten Eltved Ph.d.-studerende

N/A
N/A
Info
Hent
Protected

Academic year: 2022

Del "28. august Morten Eltved Ph.d.-studerende"

Copied!
23
0
0

Indlæser.... (se fuldtekst nu)

Hele teksten

(1)

Forskningsidéer til analyser af Rejsekortdata

Special session:

Bedre planlægning af kollektiv trafik med Rejsekort Trafikdage 2018

28. august Morten Eltved Ph.d.-studerende

DTU Management Engineering

(2)

Agenda

• Datagrundlag

• Analyser i litteraturen

• Mulige analyser med Rejsekortsystemet

• Betydning for trafikmodeller

(3)

Informationer i Rejsekortdata

•Findes i Rejsekortdata:

–Check-ind, via punkter, check-ud

–Rejsekorttype (barn, voksen, gruppe mv.) –Pseudo id

•Mangler: (fra et forskningsperspektiv)

–Socioøkonomiske baggrundsvariable

–Information om til- og frabringer delrejse

(4)

Skævheder mellem rejsekortdata og ”det fulde billede”

•Demografisk – f.eks. studerende og pendlere?

•Tidspunkter for rejser?

•Rutevalg?

•Forskellige OD mønstre?

(5)

Hvilke datakilder findes der?

Passagertællinger Rejsekort Køretøjsdata (rettidighed)

Bruger-

undersøgelser TU Billetsalg

(6)

Forskellige smart card systemer

Check in Via points Check out Stikprøve

Danmark X X X Ca. ¼ (2016)

London Bus X Fuld

London Metro X X Fuld

Brisbane X X X Ca 90%

(7)

Analyser i litteraturen

(8)

Ankomstfordelinger til første stop

–Fra Ingvardson et. al. (2018)

(9)

Mulige udvidelser til analyse om ankomstfordelinger

•Betydningen af:

–Antal skift på turen

–Rejsekorttype (pendler vs. andre) –Længden af turen

–Antal andre muligheder fra stoppet –Uens frekvens

•Ankomstfordelinger for tog vs. busser

–Manuelle observationer for buspassagerer påkrævet

(10)

Påvirker regnvejr efterspørgslen?

•Kommer der flere passagerer i busserne?

–Kan besvares ved AVL data

•Er det fordi der kommer flere rejsende?

–OD-matrice nødvendig

–Fra Fuse et. al. (2010)

(11)

Analyser af pendleres rutevalg

•Vælger pendlere altid den samme rute?

(12)

Andre interessante analyser

•Forudsige turformål og aktiviteter

–F.eks. Kusakabe et. al. (2014)

•Validering af rutevalgsmodeller

–F.eks. Tavassoli et. al. (2017)

•Kapacitetsudnyttelse i forskellige tidsperioder

–Sammenhæng mellem udbud og efterspørgsel?

•Fordelinger af ganghastigheder

–F.eks. Wahaballa et. al. (2018)

(13)

Mulige analyser med

Rejsekortsystemet

(14)

Rutevalg

(15)

Andel rejsekortrejser fra en zone

(16)

Elbusser i Roskilde

•Påvirker det efterspørgslen?

–Mindre støj og vibrationer

•Betyder det noget for rutevalget?

–Til- og frabringertrafik til stationen

(17)

Ændringer af rejsemønstre efter takstreformen

•Ændring i efterspørgslen?

•Er ændringerne symmetriske?

–Samme ændring for dyrere som for billigere rejser?

(18)

Variationer henover tid

•Forskelle i præferencer på forskellige tidspunkter af døgnet

•Sæsonvariationer i efterspørgsel og rutevalg

•Efterspørgslen på årsniveau fra år til år

•Betydning af længerevarende sporarbejder (kort og lang sigt)

–Ændrede rutevalg

–Færre passagerer?

(19)

Betydning for trafikmodeller

(20)

Betydning af Rejsekort for rutevalgsmodeller

•Nye variable kan tilføjes:

–Trængsel i køretøjer –Rejsetidsvariabilitet

•Bedre estimationer af rutevalgsparametre

–Validering af valgsætstørrelser

•Kombineret estimation af Rejsekort og TU

(21)

Tak for opmærksomheden

Morten Eltved Ph.d.-studerende

DTU Management Engineering Transportmodellering

Morel@dtu.dk

(22)

Referenceliste

• Faroqi, H., Mesbah, M., Kim, J., 2018. Applications of transit smart cards beyond a fare collection tool: a literature review. Adv. Transp. Stud. an Int. J. 45, 107–122. https://doi.org/10.15713/ins.mmj.3

• Fuse, T., Makimura, K., Nakamura, T., Observation, T.B., Planning, T., 2010. Observation of travel behavior by ic card data and application to transportation planning, in: Special Joint Symposium of ISPRS Commission IV and AutoCarto.

• Ingvardson, J.B., Nielsen, O.A., Raveau, S., Nielsen, B.F., 2018. Passenger arrival and waiting time distributions dependent on train service frequency and station characteristics: A smart card data analysis. Transp. Res. Part C 90, 292–306. https://doi.org/10.1016/j.trc.2018.03.006

• Kusakabe, T., Asakura, Y., 2014. Behavioural data mining of transit smart card data: A data fusion approach. Transp.

Res. Part C 46, 179–191. https://doi.org/10.1016/j.trc.2014.05.012

• Pelletier, M.-P., Trépanier, M., Morency, C., 2011. Smart card data use in public transit: A literature review. Transp.

Res. Part C 19, 557–568. https://doi.org/10.1016/j.trc.2010.12.003

• Tavassoli, A., Mesbah, M., Hickman, M., 2017. Application of smart card data in validating a large- scale multi-modal transit assignment model. Public Transp. https://doi.org/10.1007/s12469-017-0171-1

• Wahaballa, A.M., Kurauchi, F., Schmöcker, Jan-Dirk Iwamoto, T., 2018. Rail-to-Bus and Bus-to-Rail Transfer Time Distributions Estimation Based on Passive Data, in: Proceedings of CASPT 2018. Bribane, Australia.

• Zhao, J., Tian, C., Zhang, F., Xu, C., Feng, S., 2014. Understanding temporal and spatial travel patterns of individual passengers by mining smart card data. 2014 17th IEEE Int. Conf. Intell. Transp. Syst. ITSC 2014 2991–2997.

https://doi.org/10.1109/ITSC.2014.6958170

(23)

Rutevalg

Referencer

RELATEREDE DOKUMENTER

DB Schenker Rail Scandinavia assumes that the IM (Rail Net Denmark) is allocating enough infrastructure capacity in the timetable to freight services so that no requests in

air transport, bus, fast craft vessel, ferry, and rail. A comparison of the estimated fare schemes for the different transport modes show that air transport has considerably

Generally, all PTA traffic, bus, rail or ferry, is tendered out to operators owned by the state, local authorities or the private sector.. In regard to railways, Swedish State

An online survey used a Likert scale to collect data on the likelihood of participants engaging in a range of surveillance practices on Facebook, and on their attitudes to

This paper reviews other literature on fitting distributions to large data sets, and then shares the experience of distribution fitting to a large data set from the Danish

This can then be used to evaluate level of service parameters such as waiting times at stops, travel time for buses and passengers, and headway time distributions.. By this it

The problem that emerged from the early ‘ship’s rail’ cases and the judgement in Pyrene is: who bears the responsibility if the goods sway back over the ‘ship’s rail’ and fall

Second, the cost of transportation by rail might not measure accurately total costs to the extent that shippers could substitute rail with water or road transport.. The available