Brug af smartphone data til at forbedre Transportvaneundersøgelsen

(1)

Indsamling af transportdata vha. smartphones

Af M.K. Anderson, O.A. Nielsen, Y. Naftchi, H. Christiansen Aalborg Trafikdage, Tirsdag d. 28. august 2018

Marie Karen Anderson,

Adjunkt, DTU Management Engineering marie@dtu.dk

(2)

28.08.2018 Smartphone Data Collection

2 DTU Management Engineering, Danmarks Tekniske Universitet

Smartphone dataindsamling

• Kan vi benytte smartphones til at indsamle rejsedata?:

– Efterligne transportvaneundersøgelsen

– Indsamle data for adskillige dage (1-2 uger?)

– Indsamle data kontinuert for mange brugere (>100 per uge?)

• Målsætninger

– Forbedre undersøgelsen/data (både mængde og kvalitet) – Forbedre/opretholde vores kompetencer, relevans, tiltro,

muligheder, samarbejde, projektpulje, projektkvalitet, … – Flere muligheder (business og forskning)

• Forøget kvalitet af transport- og adfærdsmodeller

• Machine learning forskning – Ønske fra stakeholders

(3)

Brug af smartphone data til at forbedre Transportvaneundersøgelsen

• Transportvaneundersøgelsen

– Omkring 1.000 månedlige interviews – repræsentativt udsnit af befolkningen over 6 år

– Detaljeret information om tur og ophold for en dag – Detaljeret socioøkonomisk data

– 85% besvarelser via telefon, 15% via internetspørgeskema

– Data fra 1996 og frem, data om rutevalg (kollektiv) fra og med 2007

(4)

Data fra Transportvaneundersøgelsen

• Ture:

– Start- og sluttidspunkt, start- og slutlokaliteter, benyttede

transportmidler, tidsforbrug og længde for hvert transportmiddel – Alene/sammen, fører/passager

• For ture med kollektiv transport:

– Skiftetid og linjenavn, betalingsmetode – (Lokalitet af skift kan udledes)

• Ophold:

– Lokalitet, tidsforbrug, formål

• Respondent:

– Alder, køn, indkomst, beskæftigelse, kørekort, pendlerkort – Hjem- og arbejdsadresser

– Husholdning: antal personer, bilrådighed, indkomst

(5)

Mulige benefits (+/-)

Tilpasning

Data definitioner &

datamodeller Datakvalitet

Mindre response burden (bedre/højere nøjagtighed) Mere konsistent/mindre biased data (observationer i stedet for afrapportering)

Høj præcision (rute, start/slut tidspunkter)

Implementeringsomkostninger ved at indføre nye

interviewmetoder

Datamængde

Detaljeret rutevalg

Afrapportering af korte ture

Ad hoc undersøgelser (mere/ekstra) Data om husholdninger

Flere

Opgaver med databearbejdelse

Datadimensioner

Paneldata (flere dage, >24 timer) Data om husholdninger

Længere distancer

Række ud efter nye respondenter Ekstra (ad hoc) spørgsmål

Tilladelse til at bruge

smartphone-data til at tracke respondenter

(6)

Benefit-dependency map

Enablers Changes BENEFITS (+/-)

(Intermediate) BENEFITS

Final Business Objectives

Use Smart Phone based data  Apps that provide

tracking data

Map Matching Use Algorithms

Advanced Data Use Gathering &

Processing Methods

Get Permission to use Smart Phone Data

Smart Phone Tracking Apps - Benchmark

Requirement gathering:

- Test - Evaluate

New Method to Reach for Respondents (phone number)

New (operationalize) Map Matching for Evaluate Data

& Models

Learning New Skills - Gather Data (access API) - Process Data (dimension) Evaluating

Smart Phone-based Data Collection

vs.Classic Interview Data

- ADJUSTING Data definitions &

data model

- Implementation costs of new survey method

- MORE Data processing tasks

- Permission to use smart phone data for tracking purposes

(c) Data quality -Less response burden (better/more accuracy) -More consistent, less biased data (observing instead of reporting) - High precision (route start/end time, speed accuracy)

(b) Data quantity (more details)

- Route (choice) - Short trips reporting - AD HOC surveying, more (extra) questions - Household data - Route start/end

(a) Dimension - Panel data - Longer distances - Reaching out for new respondents (younger, ) - Extra (ad hoc) questions

+DATA AVAILABILITY (+ Increase) + MULTI METHODS (Diversifying surveying methods) + DATA QUALITY (Increase) + DATA QUANTITY (Increase) + DATA DIMENSIONING (more days, + more people (same HH) + DATA DIMENSIONING (more days, + more people (same HH)

REPRESENTATIVENESS:

More representative (data, models) TU

DATA reliability

KEEP US RELEVANT

EXPAND PROJECT POOL

COMPETENT More professional and competent than now

KEEP US TRUSTED

INCREASE CONFIDENCE

MACHINE LEAR-NING RESEARCH (new models algorithms)

INCREASE QUALITY OF TRANSPORT MODELS Better behaviour modeling Context spec. SP/RP

MORE BUSINESS OPPORTUNITIES

MORE RESEARCH OPPORTUNITIES

by:

COMPETITIVENESS:

More competent than others

(7)

App-udbyder

• Brug en kommerciel hyldevare

– Oversæt interface til dansk, tilføj simple spørgsmål, osv.

• Tættere samarbejde med et kommercielt produkt

– Muliggøre forskningsbidrag (f.eks. mode detection, machine learning for genkendelse af turformål, osv.)

• Open source produkt som basis, og udvikling af egne kompetencer til at forbedre produktet

– Muligt samarbejde med oprindelige udviklere, såsom KTH, eller University of Minnesota

• Udvikle egen app

– Enten intern eller ekstern udvikling), muligvis open source for at give mulighed for eksternt samarbejde

(8)

Fordele og ulemper ved egen app/færdigt produkt

• Vigtigt at overveje:

– Adgang til data (hvor hurtigt/hvor ofte/hvor detaljeret?) – Mulighed for tilføjelse/ændringer og hvor hurtigt?

– Pris

– Ejerskab af data

(9)

Screenede apps

• Downloaded:

– TravelVU – af Trivector (Anna Clark) – UAT – af MMM (Shari Gershenfeld) – rMove – af RSG (Elizabeth Greene) – Modalyzer – af InnoZ

– Moves

– GoogleMaps

• Egen ”udvikling”:

– Mockup af GoogleMap: indsamler data hvert 2 sekund – Valentinos registrering af tid, punkter og acceleration

• Mulige (open source apps):

– MobilityCollector/MEILI – af KTH (Adrian Preciplean) – Daynamica – af University of Minnesota

(10)

Opsætning af intern test af tre apps

• MMM / rMove / TravelVU

• Tre uger, 11 deltagere

• Rotation af apps

• Output:

– Indsamlet data

• Rå data

• Bearbejdet data

– Interviews omkring oplevelser – Pointskema

• Hvad er ”Ground truth” for de rejsende?

(11)

Udvælgelseskriterier

• Stabilitet af appen

• Batteriforbrug

• % af eksisterende telefoner (iOS og Android)

• Brugerflade – respondentbyrde

• Datakvalitet:

– GPS-spor, accelerometer-data – Data-logging frekvens, udfald i tid – Map-matching

• Hvor korrekt er detekteringen:

– Tur/ophold

– Procent sammenlignet med ”ground truth”? Turstart/-slut tidspunkt/- lokalitet

– Transportmiddel og formål

• Kvalitet af brugerfladen:

– Detektering af tur/ophold, transportmiddel/formål, adresser/lokalitet – Tilføje ture og ophold

(12)

Turdagbog – overblik

(13)

Præsentation af rute

(14)

Testresultater – App1

iOS Android

Fordele Bedst bedømt ud fra evnen til at spore Rejsedagbog passede bedre

Mere præcis sporing (sammen med TravelVU) Genkender skift af transportmiddel og hvad der skiftes mellem

Lærte genkendelse efter et par dage

Bedste brugerflade (delt med TravelVU) Mest anvendelige

Det er let at lave ændringer

Ulemper Dårlig brugerflade

Dårligt design - måtte flytte fingeren meget, når man navigerede

Ikke-intuitive ikoner

Brugerflade forvirrende (ikke brugervenlig / logisk)

Dårlig brugerflade

Opfordres til at gemme mange gange (også når der ikke foretages ændringer)

Kan ikke fortryde slettede oplysninger Virkelig dårligt GPS spor - hopper en masse

Den app der har flest punkter, som ikke ligger på ruten

Detekterer ofte tog som bil

Tre brugere (Oneplus 3, Huawei P7-L10, Nokia 6) oplever at app’en slet ikke virker – der gemmes intet (kan se aktuelle position korrekt i app’en)

(15)

Testresultater – App2

iOS Android

Fordele Den mest brugervenlige Nemmere at navigere

Store knapper, placeret på en rimelig måde - tæt Mere præcis sporing (sammen med MMM) Genkender transportmiddelskift og hvad der skiftes mellem

Logfiler er korrekte, og app’en er nem at bruge

Den bedste!

Bedste brugerflade (delt med MMM) Kønnere (brugerflade)

God brugerflade Intuitiv

Større skriftstørrelse Mest detaljeret

Ulemper Detekterede ikke korrekt

Bliver ved med at gætte Car: irriterende, når tester hverken ejer eller benytter en bil i testperioden

Detekterer lokaliteter på naboernes grunde som hjem

Fantom-tur om natten (bliver føjet til næste dags første tur)

Detekterer mange ulogiske ture – cyklede i 1 minut med 8 km/t gennem en bygning

Måske for detaljeret / følsom

Meget arbejde, hvis en tur har mange delture (lettere ved rejser med bil)

Popper konstant op også ved brug af andre apps og streaming

Mistet forbindelse af flere gange i lang tid også mens tester kørte i bil med velfungerende GPS.

Ved genoprettelse af mistet kontakt bliver transportmiddel tilsyneladende beregnet på

baggrund af hastigheden (fra mistet til genoprettet, så ofte gang)

(16)

Testresultater – App3

iOS Android

Fordele Den bedste

Mere visuelt behageligt Mest brugervenlige

Rigtig godt at app viser kort når turen skal valideres

Mere præcis rejsedagbog Tilpas nøjagtigt til biludflugter

Lærer (efter to dage) at den rejsende bruger elcykel (gætter bil i begyndelsen)

Foretrukne med hensyn til korrekthed Kun denne app vises i statuslinjen ...

God detektering af tider, ture, ophold Genkender nogle ture

Gætter korrekt på transportmiddel og detaljer ved anden tur indenfor samme zonepar

Ulemper Dårlig brugergrænseflade Irriterende mange detaljer

Skal besvare detaljer hver gang, selv om turen er lig med den gamle tur Viser konstant manglende handling (batch)

Bør udfyldes mere automatisk Forkert sammenlægning af delture

Dårlig/Værste brugergrænseflade Grim, irriterende

Lidt overvældende

Stiller mange ekstra spørgsmål, og lærer/husker ikke svarene næste dag

Ved flere tilfælde stopper appen sporing (måske max ture pr. dag?)

Husker ikke formålet ”Andet” på bestemt lokalitet Kører måske kun vha. GPS?

Stopper med at tracke i over 24 timer – gætter

efterfølgende at den rejsende har taget en tur på 24,5 t Følsom ved korte udflugter, hopper i stjerner

Registrerer ikke ture på 100 m til børnehave Fantomture (f.eks. tur rundt om huset)

(17)

Testeres vurdering af bedste/dårligste

(18)

Der rejses mange spørgsmål

• Kan ophold detekteres ud fra tidsophold alene?

– Og så så fald hvor lang tid?

– Eller bør andre faktorer også indgå f.eks.

• Lokalitet,

• Formål (fra andre brugere/Open street map..?)

• Kan transportmiddel detekteres ud fra hastighed alene?

– Er det nok at tilføje acceleration?

– Er GTFS data nok til skelne mellem privat og kollektiv trafik?

– Veje dedikeret til særlige transportsystemer?

• Hvor meget data skal gemmes?

– GPS data til validering

– Accelerationsdata til validering

– Oplysninger om app’ens gæt og brugerens eventuelle rettelser

• Skal data valideres af brugeren for at det kan bruges?

– Og er det bedst at app’en gætter eller lader brugeren notere alt?

(19)

Forsknings-retninger

• Algoritmer for genkendelse af transportmiddel og formål

• Mapmatching algoritmer

• Dag-til-dag variation

• Husholdninger

• Paneldata

• Rutevalg

• Ventetider/skift

• Smartphone-data repræsentavitet

• Transportmodellering

• Adfærdsmodellering

• RP/SP

• ???

(20)

Konklusioner

• Alle apps opfylder krav delvist, men ingen fuldt ud

• Vigtigt at gøre sig klart hvad der er fokuseret på i udviklingen af app’en – iOS/Android

– Brugerflade/tracking

– Machine learning/evne til at lære af erfaringer

• Brugervenlighed er vigtig, men også vigtigt hvordan respondenterne introduceres til undersøgelsen

• De enkelte brugeres oplevelser kan være meget forskellige – Platform

– Persontype

(21)

Videre forløb

• Map-matche indsamlet data – teste præcision ift. testeres ”ground truth”

• Udformning af large scale forsøg baseret på erfaringer fra testen – Formentlig udvælgelse af app fra den interne test

– 100+ testere (ikke ”kollegaer”)

• Klarlægning af rammer for smartphone+TU