OV prognoses met anonieme
OV-Chipkaartdata
OV-Chipkaartdata
CVS 2014
Niels van Oort Goudappel Coffeng, TU Delft Marc Drost HTM Reizigers
Goudappel Coffeng, Universiteit Twente Ties Brands
Aanleiding
OV sector
• Zoektocht naar beter én efficienter OV
• Onderbouwen beslissingen steeds belangrijker
HTM Den Haag
• Veel werkzaamheden in de stad
• Grote consequenties voor OV
• Wat is het minst slechte scenario?
• Wat is het minst slechte scenario?
• Ontwikkelingen lijnennet en dienstregeling
• Wat is de beste keuze?
Ontwikkelingen
• Meer en meer data beschikbaar
• Helpt bij kiezen van richtingen en onderbouwen keuzes
Multimodaal model OV-lite Quick scan
Modaliteiten Auto, OV, fiets OV OV
Schaalniveau Nationaal, regionaal en lokaal
Nationaal,
regionaal en lokaal
Lijnsgewijs
Tijdshorizon 10-20 jaar <10 jaar <5 jaar
3 Tijdshorizon 10-20 jaar <10 jaar <5 jaar
Type projecten Strategische projecten, combinatie ruimte en verkeer OV projecten in een netwerkcontext Kleine aanpassingen OV lijnen
Pluspunten Inzicht in modal split, input voor MKBA
Goed verklaarbare effecten op OV netwerk
OV chipkaartdata
Vele (wetenschappelijke) toepassingen: (Pelletier et. al (2011). Transportation Research Part C)
Onze focus:
• Data verbinden met verkeersmodel • Verleden evalueren en visualiseren
4
• Verleden evalueren en visualiseren • Inschatten van de toekomst
Koppelen data aan verkeersmodel
OV netwerken en dienstregelingen importeren (GTFS) (Open data)
Anonieme chipkaartdata bewerken en importeren (Gesloten data)
Matchen data en netwerk
Bestaande modelmogelijkheden: visualisatie en routekeuze
Bestaande modelmogelijkheden: visualisatie en routekeuze
Nieuwe modelmogelijkheden: elasticiteitenmethode (OV-Lite)
Huidige situatie
Referentie: de huidige situatie
Het model werkt met de huidige situatie als basis
Referentie: de huidige situatie
Het model werkt met de huidige situatie als basis
Referentie: de huidige situatie
9
10
HB patronen
11
12 Fictieve data
13 Fictieve data
What if?
What if: elasticiteiten methode
Let op:
Kleine veranderingen Korte termijn
Alleen level of service Nauwkeurigheid
ܥ݆݅ = ߙ1݆ܶ݅ + ߙ2ܹ݆ܶ݅ + ߙ3݆ܰܶ݅ + ߙ4ܨ݆݅
Gegeneraliseerde kosten op HB paar i,j Gewichten in de gegeneraliseerde kosten
Invoertijd-tijd op HB paar i,j Wachttijd op HB paar i,j
Aantal overstappen op HB paar i,j
15 Elasticiteiten
Literatuur (e.g. Balcombe) Vuistregels
Tarief op HB paar i,j
Skimmatrix basissituatie
Skimmatrix variant
Groeifactoren per HB paar (met behulp van elasticiteiten) Basis HB matrix vanuit de OV chipkaart HB matrix in variant
Belasting van het netwerk in variant OV
Whatif scenario’s
Veranderingen in Snelheid Tarieven Routes Frequentie 16 Inzicht in: - Vervoerwaarde (aantal en rzgkm’s) - Bezetting - Opbrengsten - KostendekkingsgraadOmleiding
17
Hogere frequenties
Alle raillijnen 10% sneller
Conclusies
- Grote uitdagingen in het OV
- Data ondersteunt
- Korte termijn prognoses obv anonieme chipkaartdata
- Korte termijn prognoses obv anonieme chipkaartdata
- Ingebed in besluitvorming HTM
Langdurige omleidingen
Optimalisatie netwerk en dienstregeling
