Trafikdage 2015

(1)

Trafikdage 2015

Ove Andersen

oan@flexdanmark.dk

(2)

Hvem er vi?

• Planlægger og udfører flextrafik

• Dækker hele Danmark, bortset fra Bornholm

• Handicap, teletaxa, flextur, patient, kommunal

• Håndterer 6 mio. rejser

• Afregner til vognmænd 1 mia. DKK årligt

• 24/7 call-center (bestilling og vognstyring)

• Udvikler nye produkter

• Selvbetjeningsmoduler, Den samlede rejse

(3)

Køretider

• Hjørnestenen for FlexDanmark

• Planlægning

• Hvor lang tid tager en tur?

• Hvornår er en vogn et bestemt sted?

• Giver det mening at samle flere rejser i en vogn?

• Afregning

• Chauffører betales efter forventet rejsetid

• Korrekte køretider er argumentet for korrekt

afregning

(4)

”Big data”

• Hvordan vil vi gerne udnytte big data?

• Bygge modeller ud fra data

• Lære hvorfor trafikken afviger fra modeller

• Automatisk tilpasse os ændringer

• Gøre vores planlægning mere dynamisk

• Selv opdage når vejnettet bryder ned

• Gøre os uafhængige af dataudbydere

• Faktiske data stærkt argument for kvalitet

(5)

Datagrundlag

• >4 milliarder GPS målinger

• ~10% med brændstofforbrug

• ~17.000 køretøjer

• Integreres med vejr (NOAA), regionsdata (DAGI) og kort (OSM)

• Nye data hver nat

• ~2,4M GPS målinger fra ~3.500 køretøjer

• Dækning af Danmark

• Dækker 99 % af hovedfærdselsnettet

• Dækker 78 % af hele vejnettet

• Dækker 100 % af vejnettet, hvor vognene kører 

• Kortgrundlag - OpenStreetMap

• I processen med skifte fra kommercielle kort

• Vi kan selv bidrage med vores viden om kortet

• Kvalitetsdata er vigtige for os – teknologivalg mindre vigtigt

(6)

Dækning pr. vejsegment

100.000 +

10.000 – 99.999

1000 – 9999

100 – 999

1 – 99

0

(7)

Use-cases

• Planlægning – Før rejse starter

• Udførsel – Mens rejse udføres

• Afregning – Efter rejse er afsluttet

• Historiske analyser – Efterrationalisering

• Grønne analyser – Regnskab og kørselsøkonomi

(8)

Use-case: Planlægning

• Før: Køretider baseret på vurderinger af zoner

• Hastigheder bestemt efter vejkategori

• Nu: Køretider baseret på ”virkeligheden” (GPS)

• Stor variation i køretider

• Individuelt køretid for hvert vejsegment

• Køretider afhængige af mange parametre

• Tid på døgnet, ugedag, måned, ferier

• Vind/vejr

• Chauffør og lokalkendskab

(9)

Use-case: Planlægning

http://daisy.aau.dk/its/

(10)

Use-case: Udførsel

• Opdage uforudsete begivenheder

• Vind/vejr

• Ulykker

• Vejarbejde

• Bestemme implikation

• Hvilke vogne bliver ramt

• Hvor meget forsinkelse kan forventes

• Reagere

• Skal vogn ledes af anden vej

• Skal rejse aflyses

• Skal nogen underrettes (f.eks. sygehus)

• Være på forkant og reagere tidligt

(11)

Use-case: Udførsel

(12)

Use-case: Afregning

• Afregnes ud fra GPS køretider

• Enkelt at forklare vognmænd og chauffører

• Bliver betalt for planlagt rejsetid

• Rejsetid udregnet ud fra historiske data

• Chauffører tror de kan påvirke afregning

(13)

Use-case: Historiske analyser

• Er rejser afviklet som forventet?

• Hvilke områder er der ofte problemer i?

• Kan rejse klassificeres?

• Hvad påvirker at rejser bliver forsinkede?

• Er der forskel på chauffører/vognmænd?

• Er der perioder vi er dårlige til at forudsige?

• Stort potentiale for data mining

(14)

Use-case: Historiske analyser

• Aalborg – Aarhus

• 98 km

• Hverdag morgen

• Historiske køretider

• Klart vejr: 54:05 min

• Regnvejr: 54:27 min

• Snevejr: 60:06 min

(15)

Use-case: Grønne analyser

• Fossil frit samfund i 2050

• Større fokus på brændstofforbrug og udledning

• Køretøjsdata (CAN-bus)

• RPM, temperature, forbrugsdata

• Værktøjer

• Trafikselskaber

• Grønt regnskab (CO

₂

, NO

_x

, partikler)

• Vognmænd / chauffører

• Værktøjer til overblik over brændstofforbrug

• Sammenligning af chauffører og kørestil

(16)

Use-case: Grønne analyser

• Op til 22% forskel mellem chauffører i km/l

• 8-10 % brændstofbesparelse mulig

(17)

Ønsker til fremtiden

• Bedre adgang til data

• Trafikuheld og vejarbejde

• Højfrekvent data

• Brændstofdata

• Flere køretøjsgrupper (bus, el, privat)

• Vejrdata

• Endnu flere frie geodata

• datafordeler.dk et godt skridt på vejen

• Andre offentlige institutioner samme vej

Big Data/Open Data er fremtidens nye råstof

”Lad os få sat offentlige data i spil! Initiativet 'Offentlige Data I Spil' handler om at skabe lettere og mere ensartet adgang til offentlige data . Offentlige data kan bruges

som råstof i udvikling af innovative digitale tjenester i den private sektor…”

- Digitaliseringsstyrelsen (http://www.digst.dk/Styring/Offentlige-data)

(18)

Opsummering

• Stort potentiale med big data

• Forbedrede planlægningsdata beregnet fra historiske data

• Troværdigt grundlag overfor kunder og chauffører

• Lærer os hvad der påvirker trafikken

• Kan optimere forretningen

• 1 % af 1 milliard DKK betyder noget!

• Dataintegration beriger data

• Åbne/frie eksterne data en vigtig kilde

• Data mining af big data har stort potentiale

• Men kræver meget benarbejde og forsigtighed

(19)

Diskussion

• Erfaringer med data mining af GPS data?

• Erfaringer med integration af GPS data?

• Vejr, geodata, kort, etc.

• Erfaringer med åbne/frie data og kommercielle data

• Kvalitet, kvantitet, tilgængelighed, distribution

• Bruger I big data/open data i jeres virksomhed?

(20)

Trafikdage 2015

GPS, Bluetooth og Wi-Fi i trafikken

Forskellige teknologier til forskellige formål

(21)

Jonas Olesen

› Civilingeniør, AAU (2003) – Speciale i trafik- og byplanlægning

› 5 års ansættelse hos Randers Kommune (Bl.a. trafikmodel + trafiksignalanlæg)

› 7 års ansættelse hos COWI:

› Specialist, ITS og trafiksignalanlæg

› Udvikling af metoder til anvendelse af forskellige data i trafikken

› Særlig fokus på data fra GPS, Bluetooth, Wi-Fi, trafiksignalanlæg og droner

(22)

Agenda

Data til forskellige formål – niveauer i data GPS: Aggregerede data – Screeningniveau

Bluetooth / Wi-Fi: Massedata i realtid - detailniveau Case: Trafiksignalregulerede kryds

Hvad bringer fremtiden?

(23)

Data til forskellige formål – niveauer i data

› 21. august 2015 kl. 12.30

Bluetooth/ Wi-fi: Forsinkelser

Ca. 2-3 samples pr. minut (ligeud) TomTom LiveTraffic®: Ingen kø

= ingen data?

(24)

GPS: Aggregerede data – Overordnet, historisk niveau

› God kilde til at skabe overblik

› Screeninger af fremkommelighed og trængsel

› Udpegning af lokaliteter med yderligere behov

› Mulighed for at "gå tilbage i tid"

› Typisk god geografisk dækning

› Uafhængig af hardware (langs vej!)

› "Sort boks"-problematik

› Leverandører er tilbageholdende med detaljer

› Skævvridninger

› Er den enkelte tur "rigtig"?

(25)

Bluetooth / Wi-Fi: Realtid og detaljerede analyser

› God kilde til detaljeret data

› Meget data pr. strækning – hurtigt!

› Realtidsinformation

› Identifikation af specifikke problemer

› Kan også anvendes historisk

› Ingen "ud af kassen"-løsning

› Kræver detaljeret kendskab

› Drift og opfølgning (grundet vejudstyr)

› Hvordan ser BT og Wi-Fi ud i morgen?

› Kræver installation!

1 måling pr. 6-10 sekunder

(26)

Sammenhænge med mening

1. Screen vejnettet med GPS-data

2. Vurdér udpegede trængselsområder 3. Udvælg områder til detaljeret analyse 4. Anvend BT / Wi-Fi / ANPR osv. hér!

(27)

Case: Trafiksignalregulerede kryds

› Detaljeret registrering af køretøjer

› Samples i morgentrafik (21/08-15):

› 06-07: ca. 400

› 07-08: ca. 550

› 08-09: ca. 700

› 09-10: ca. 400

› Samples på hverdage: ca. 6.000

› Samples på weekenddage: ca. 4.000

(28)

2 tydelige rejsetidsbånd:

- ca. 40 sekunder

- ca. 80 sekunder

(29)

2 tydelige rejsetidsbånd:

- ca. 40 sekunder

- ca. 80 sekunder

(30)

Nåede igennem for grønt Måtte holde for rødt

Forsinkelse ved rødt, ca. 40 sekunder

(31)

Case: Trafiksignalregulerede kryds

› Og hvad kan vi så bruge dét til?

› Særdeles detaljeret information om trafikkens afvikling i kryds!

› Fungerer samordning optimalt?

› Oplever nogle strømme større forsinkelser end andre?

› Optimering af signalstyring

› Er rammerne for signalstyringen korrekte? – Konkrete forslag til optimering!

› Evaluering af gennemførte optimeringer – dag-til-dag overblik og konklusioner

› Rejsetidsbaserede programvalg og optimeringer i realtid

(32)

Case: Trafiksignalregulerede kryds

› Forsinkelsesanalyse på konfliktniveau

› 3 signalgrupper

› "Fordelingspolitik"

A: Høj forsinkelse

B2H: Middel forsinkelse

(33)

Case: Trafiksignalregulerede kryds

› Overvågning af fremkommelighed – information til trafikanter

› Overvågning af trafikteknisk drift – håndtering af ændringer i trafikgrundlag

› Overvågning af systemteknisk drift – registrering af eks. spolefejl mv.

(34)

Hvad bringer fremtiden?

› Sandsynligvis mere "floating car" – GPS kan måske overtage

› Samtænkning af funktioner, eks. eCall, telefondata osv.

› Integration med trafikledelsessystemer (Tyskland, Holland m.fl. er i gang)

› Måske en udfordring omkring privacylovgivning (eks. "Cookiedirektivet")

› Måske en udfordring omkring dataejerskab og kontrol over data

(35)

GPS-baseret trafikanalyser plus sammenligning med

Bluetooth/WiFi data

Kristian Torp

Daisy, Department of Computer Science Aalborg University, Denmark

torp@cs.aau.dk

(36)

Morgentrafikken i Sønderborg

(37)

10 minutter til sygehuset (et ”neg”)

• 100% når det

• 50 % når det

• 10 % når det

• 0 % når det

Ca. 7.500 ture forbi sygehuset

(38)

Hastigheder Alssundbroen

(39)

Overblik

• GPS data typer

• Analyser på GPS data



Udvikling i køretid



Krydsanalyser



Rutevalg

• Udfordringer/ikke-udfordringer med GPS data

• Fordele/ulemper



GPS data



Bluetooth/WiFi

• Konklusion

(40)

GPS data typer

• Lavfrekvent data (punkt data)



Bruges til hastigheds- og trængselskort

• Højfrekvent data (tur data)



Bruges til ”trafikneg”

(41)

Helsingørmotorvej, køretider 2009-2015

(42)

Oddervej, Aarhus, Køretider 2009-2015

(43)

Krydsanalyse: Roskildevej

11,4%

13,4%

71,7%

12,1%

36,7%

(44)

Rutevalg: Viborg nord til syd

420 ture/433 sek.

114 ture/454 sek.

(45)

Rutevalg: 7.00-9.00 Hirtshalsmotorvej

4.592

51

(46)

Rutevalg: 16.00-17.00 Hirtshalsmotorvej

1.682

21

(47)

Udfordringer med GPS data

• Punkt data



Nul hastigheder trafikrelateret stop eller ej?



Hvis flere veje tæt på hinanden



Helsingørmotorvejen, reddet af forskellige vejkategorier, se Sprogø

• Tur data



Map-matching er kompliceret og tidskrævende CPU tid



Anvender state-of-the-art Hidden Marcow Model



Endepunkter, hvornår tur slutter hvis bil på "parkeringsplads jagt”?

• Kortgrundlag



OSM har problemer med vejkategorier i nogle tilfælde

• Data leverancer



Natlig opdatering fordi udfordringer fra diverse data leverandør



Vil gerne mod real-time/live data (f.eks. opdatere kort hvert minut)

(48)

Ikke-udfordringer med GPS data

• Data mængder



Anvender multi-dimension data model



Tænk data warehouse/business intelligence



Kan estimeret skaleres faktor 70-100

• Hardware



På standard server hardware



Kan estimeret skalere en faktor 10-20

• Software



Kan umiddelbart gå til real-time/live opdateringer når data

leverandører er klar

(49)

GPS Data

Fordele

• Vognmænd betaler

• Lav opstartsomkost.

• Dækning af vejnettet

• Alle vogntyper med



Taxi/bus/lastbil

• Indikator for trafik

• Afledt information

• Aktive overvågning



Man ved det!

Ulemper

• Lav penetrations rate

• Lav reaktionstid



Analyser uge/måneder

• Uheld kan ikke altid ses



Specielle begivenheder

• Anonymitet

(50)

Bluetooth/WiFi Data

Fordele

• Vejmyndighed betaler

• Høj penetrations rate

• Kvantificere trafik



GPS kun indikator

• Hurtig reaktionstid



Minutter/kvarter

• Uheld kan ses



Specielle begivenheder

Ulemper

• Lav dækning vejnettet

• Højere startomkost.

• Special udstyr til vejinfrastruktur

• Passive overvågning



Man ved det ikke!

• Anonymitet?



WiFi Ready



WiFi alle lysmaster

(51)

Konklusion

• GPS data



I produktion siden marts 2011 (se links næste side)



Punkt- og turdata



Kan bruges forskelligt



Alt med detaljeret stianalyser



Rutevalg/trafikneg



Som indikator for hvor Bluetooth/WiFi kunne/burde anvendes

• Bluetooth/WiFi data



På hovedstrækninger



Meget mere data, hurtig reaktionstid

• Både Bluetooth/WiFi og GPS har mange muligheder



”Lidt information mange køretøjer versus meget information få køretøjer”



Data bør integreres (også med spole og kamera data)

(52)

Links

• Trængsels- og hastighedskort



http://www.daisy.aau.dk/its

• Tur og stivalg



http://www.daisy.aau.dk/its/spqdemo

• Trafikneg



http://www.daisy.aau.dk/its/sheaf

• Center for Data-Intensive Cyber-Physical Systems



http://www.dicyps.dk/



Fokus energi og trafik



62 mio. DKK forskningscenter 2015-2020



Partnere: Blip, Danfoss, Energistyrelsen, FlexDanmark, Rambøll,

Rejsekort, Aalborg Kommune, …

(53)