Big Data en OV Beeld plaatsen ter grootte van dit kader
Kansen op beter en efficiënter OV Niels van Oort
2
Uitdagingen in het OV Kosten staan onder druk: lijnen schrappen, frequenties verlagen? Reiziger eist hogere kwaliteit To do: Hogere kostendekkingsgraad Hogere bezettingsgraad
3
Big Data
Allerlei soorten en maten Voetgangersstromen via Bluetooth, Wifi, GSM Social media Beveiliging, voertuigen, haltes Focus onderzoek: reizigers en voertuigen
4
Onderzoek en toepassingen Netwerk en dienstregelingoptimalisatie Van voertuig naar reiziger Van rit naar keten Van kosten naar baten
5
Concrete inzichten Waar stappen mensen over (en welke richtingen)? Op welke haltes moet ik DRIS borden plaatsen? Wat is een effectieve plek voor een busbaan of prioriteit voor verkeerslichten? Waar kan de dienstregeling strakker of moet het juist ruimer?
Wat zijn reizigerseffecten van ontwerpkeuzes (aantal, stromen, maatschappelijke effecten)? Gisteren, vandaag en in de toekomst
6
Uitdagingen
Verzamelen en verwerken data
Visualiseren en analyseren data
Verbetervoorstellen
Berekenen en voorspellen effect van verbetervoorstellen
Optimaliseren OV produkt (hogere kwaliteit, lagere kosten)
7
Voorbeelden Toegevoegde waarde Big Data in OV Nieuwe verkeersprognose: Chipkaartdata in verkeersmodellen
Doorstroming en betrouwbaarheid: GOVI analyse
Planproces: Betere MKBA’s en verkeersmodellen
8
Chipkaartdata Koppelen aan verkeersmodel: Zicht op verleden Grip op de toekomst Elasticiteitenmethode (unimodaal, snel en goedkoop) Whatif scenario’s Halte erbij of samenvoegen Sneller of frequenter Andere routes
Snel inzicht in veranderingen: Kostendekkingsgraad Bezettingsgraad
9
Fictieve data
10
Fictieve data
11
Fictieve data
12
Fictieve data
13
Fictieve data
14
Fictieve data
15
Fictieve data
16
Fictieve data
17
Fictieve data
18
Fictieve data
19
Fictieve data
20
Fictieve data
21
Fictieve data
22
Fictieve data
23
Fictieve data
24
Alle stromen vanuit een specifieke halte
Fictieve data
25
Indicatie kostendekkingsgraad
Fictieve data
26
Reizigers over de dag
18%
17%
16% 14% 12%
10%
10%
10%
8% 8%
8% 4%
2%
6%
6%
6% 4%
10%
5% 4%
4%
3% 2%
1%
1%
1%
1%
0% 06-07 07-08 08-09 09-10 10-11 11-12 12-13 13-14 14-15 15-16 16-17 17-18 18-19 19-20 20-21 21-22 22-23 23-24
27
GOVI
28
GOVI Primaire doel GOVI: aansturing van DRIS Goede bijvangst: database met gerealiseerde dienstregeling Data helpt te illustreren Functioneren huidige netwerk en dienstregeling Voorspellen toekomstige effecten Financiële en maatschappelijke effecten van:
Lage snelheid en doorstroming Suboptimaal netwerk Suboptimale dienstregeling
29
Inzicht in kansen Inschatting > €10- €50 miljoen te besparen op OV in Nederland met hogere kwaliteit Voorbeelden Utrecht: 30 s. sneller op corridor: tot € 400.000 minder kosten per jaar Den Haag: 5-15% meer reizigers door hogere betrouwbaarheid Tram Maastricht:> €4 Miljoen /jaar aan maatschappelijke baten door hogere snelheid en betrouwbaarheid
30
Stiptheid-wegdiagram
veel ritten te vroeg wachthalte CS: daar wordt niet te vroeg vertrokken 15% v.d. ritten bijna 7 min of meer te vroeg op eindpunt (!)
31
Bron: GVB
32
Beslissingsondersteunende systemen
33
Reiziger in beslissingsondersteunende systemen: betrouwbaarheid Berekend 0%
Expertjudgement 13%
Kwalitatief 27%
Niet 60%
MKBA
Verkeers modellen
34
Case lijn 12: van OV naar HOV
35
Rol MKBA
MKBA > 1,0 JA
+
NEE
36
Aanpak en conclusie Combinatie van voertuig- en reizigersdata Analyse verleden en voorspelling toekomst Voertuigpunctualiteit+reizigersgedrag = betrouwbaarheid vanuit reizigersperspectief Verwachte baten: >200 miljoen maatschappelijke baten door verbeterde betrouwbaarheid (ca. 60% totaal) I en M steunt het project
37
Conclusies - Grote uitdagingen in het OV
- Big Data faciliteert verbeterproces - Inzicht in: Voertuig -> Reizigerseffecten Rit -> Keten Kosten -> Baten
Data
Informatie
Kennis
Verbeteringen
38
Contact Niels van Oort
[email protected] [email protected]
Artikelen: https://nielsvanoort.weblog.tudelft.nl/ http://www.goudappel.nl/adviseurs/niels-van-oort/
