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
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
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
28.08.2018 Smartphone Data Collection
4 DTU Management Engineering, Danmarks Tekniske Universitet
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
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
28.08.2018 Smartphone Data Collection
6 DTU Management Engineering, Danmarks Tekniske Universitet
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
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
28.08.2018 Smartphone Data Collection
8 DTU Management Engineering, Danmarks Tekniske Universitet
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
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
28.08.2018 Smartphone Data Collection
10 DTU Management Engineering, Danmarks Tekniske Universitet
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?
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
28.08.2018 Smartphone Data Collection
12 DTU Management Engineering, Danmarks Tekniske Universitet
Turdagbog – overblik
Præsentation af rute
28.08.2018 Smartphone Data Collection
14 DTU Management Engineering, Danmarks Tekniske Universitet
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)
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)
28.08.2018 Smartphone Data Collection
16 DTU Management Engineering, Danmarks Tekniske Universitet
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)
Testeres vurdering af bedste/dårligste
28.08.2018 Smartphone Data Collection
18 DTU Management Engineering, Danmarks Tekniske Universitet
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?
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
• ???
28.08.2018 Smartphone Data Collection
20 DTU Management Engineering, Danmarks Tekniske Universitet
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
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