Potentialer for optimering af den kollektive trafik

Transkript

1 Potentialer for optimering af den kollektive trafik - Med hensyntagen til passagerstrømme og deres præferencer 26 Oktober, 2017 Otto Anker Nielsen, oani@dtu.dk

2 Om indlægget Passagerstrømme og dør-til-dør præferencer Optimering af køreplaner Og hvordan disse aspekter sammenknyttes i IPTOP projektet Robusthed

3 5-årigt projekt finansieret af den danske Innovationsfond og medfinansieret af projektdeltagerne Integrated Planning and Optimisation of Public Transport (IPTOP)

4 Forskningspartnere DTU Andre universiteter; MIT Univ. of Auckland & Technion North Eastern (Erasmus Univ.) Univ. Of Bologna Hong Kong Tech

5 Sektor partnere Rapidis (software) MOVIA DSB Banedanmark Trafikstyrelsen

6 Adgang til store mængder data Hele Østdanmark, tog og bus Tog i Vestdanmark Køreplaner, planlagte og realiserede (både tog og busser), for flere år Forsinkelsesårsager (tog) Rullende materiel og driftsomkostninger Trafiktællinger, turmatricer, rejsekortdata Transportvaneundersøgelser, holdningsundersøgelser Takst strukturer Detaljerede infrastruktur data (GIS) 27/10/2017

7 IPTOP Aktiviteter, Work Packages

8

9 Eksempel på parvis problemløsning

10

11

12 Måling af rejseadfærd Generelle spørgsmål F.eks. kundeundersøgelser Eksperimenter med hypotetiske spørgsmål og valg F.eks. tidsværdistudier Observation af faktisk adfærd og estimation af statisk model F.eks. Transportvaneundersøgelsen (TU), rejsekortdata Kalibrering af modeller på aggregerede data (typisk tællinger) F.eks. Landstrafikmodellen

13 Problemer med målemetoder Forskel på om eksisterende brugere spørges eller hele befolkningen Forskel på stikprøvestørrelser Detaljerede men små analyser Mindre detaljerede men større analyser Repræsentativitet (stikprøve korrektion) F.eks. internetpaneler Typer brugere (rejsekortet) Ikke dør-til-dør (rejsekortet) Længden af interview (tidsværdier) 27/10/2017

14 Observerede kollektive ruter dør-til-dør i Transportvaneundersøgelsen

15 Udledte præferencer Rejsetid og skinnefaktor Skiftestraf Frekvens Kompleksitet af terminaler Butikker på stationer Overdækning af stop #niveau skift Table 6. Estimated parameter coefficients, t-tests and values scaled to bus in-vehicle time for PSC model for each trip purpose. Work Leisure Scaled to Bus IVT Parameters Coeff. t-test Coeff. t-test Work Leisure In-vehicle time: Bus Local train Metro Reg. train, length > 20 km Reg. train, length < 20 km S-train Access/Egress Transfer attributes: Walk time Path Size Correction: PSC Frequency: Headway > 6 minutes Headway < 6 minutes Ease of wayfinding: Easy Little difficulty Moderate difficulty Difficulty Shop level: No shop Wait time, leg level: Bus, no shelter Bus, small shelter Bus, large a Metro, overground Metro, underground Train, all Level changes: Ascending Descending, escalator No level change No. of est. parameters: Number of observations: 2,667 2,454 Null log-likelihood: -13,063-11,659 Final log-likelihood: -5,895-6,064 Likelihood ratio test: 14,337 11,191 Adjusted rho-square: /10/2017

16 , gør det muligt at kvantificere fordele af bedre skiftemuligheder Bedste investeringer Bedste design

17 Ankomstfordelinger til tog (rejsekort) 27/10/2017

18 Tilfældigt versus timede ankomster 27/10/2017

19 Alternative design principper Modeller kan hjælpe vurderingen Mange forskellige direkte lavfrekvente linjer med mange stop God arealdækning, få skift, korte gangafstande F.eks. traditionelle bussystemer Færre højfrekvente linjer med mange stop Mellemgod arealdækning, mange skift, korte gangafstande F.eks. A-busser i København Få mellemfrekvente linjer med få stop Hurtig service mellem hovedpunkter, flere skift, længere gangafstande F.eks. S-busser i København Forskellige betjeningsprincipper Skip-stop service versus metro style service for S-tog Mange stoptog med homogene standsningsmønstre versus blandet drift med hurtigtog og stoptog

20 Analyser og simulering af togforsinkelser Luft i køreplaner Køretids supplement Togfølgetid Typisk tilgang i praksis Generelle vejledninger i størrelsesordener (f.eks. Capacity consumption i UIC406) Tommelfingerregler for allokering (f.eks. Uniform, koncentreret) Forstå forsinkelser Årsager Gentagne mønstre Robust design Køretidstillæg Togfølgetider Forhindre primær forsinkelse Indhent forsinkelse og reducer domino effekt

21 Data Tidsregistrering på stationer Tog karakteristika Station og drift Køreplan Forsinkelse og primær forsinkelsesårsag Kombinerede data fra DSB: Driftsplan og rullende materiel ~ 150M datarecords Scheduled time 06NOV13 09:12:00 06NOV13 09:12:30 06NOV13 09:12:00 06NOV13 09:16:00 Train ID Station ID Delay Record Type Input Source Product Operator Cause Group code Cause Type Code Delay Report Code Delay Report Cause 2720 KA I DWH RV DSB PASSAGER 611 DSB NULL 2720 KA -6 U DWH RV DSB PASSAGER 611 DSB NULL 2720 KA I DWH RV DSB PASSAGER 611 DSB NULL 2720 NA I DWH RV DSB PASSAGER 611 DSB NULL

22 Kombinerede data, eksempel Øresundtog mod nord København H Hellerup Fundne forsinkelsesmønstre: Nivå Alle Øresundtog Forsinkelse fra Kh fortsætter hele vejen 2. Forsinkelse øges mellem Kh og Nørreport 3. Forsinkelse øges mellem Østerport og Hellerup 4. Forsinkelse øges på Klampenborg 22 DTU Management Engineering, Technical University of Denmark BIG DATA ANALYSIS IN RAILWAY DELAYS 15 May 2017

23 Optimering af køreplaner med fokus på passager præferencer Mindre skiftetider (forskydning af starttidspunktet for hver linje) 1-16% forbedringer i forskellige danske studier Mere drastisk optimering Frekvens Standsningsmønstre Linjeføring Driftsoptimering Allokering af rullende materiel, medarbejder, udbudspakker Besparelser, der kan udnyttes til serviceforbedringer

24 Køreplansoptimering oversat til et matematisk program Dep. Time for j Arr. Time at st. s LV j Dwell time at S for j Orientation time at S NP-hård -> løses typisk med meta heuristik Simplificeret -> løses med eksakte metoder

25 Percentage change Optimering af standsningsmønstre på S- banen Delanalyse i RoboustRails projektet Jens Parbo s PhD-project Socio-økonomisk fordel +0.09% Køretid -5.48% Ventetid +1.38% #skift +1.60% Transfers In-Vehicle Time Generalised Cost Waiting Time Iteration #

26 IPTOP WP5 Forbedring af bus-tog skift

27 Matematisk program input & output Antal skift Tilladte ekstra stoptid Minimal og maksimal vendetid Justerede køreplaner Vognløbsplaner Driftsomkostninger Skiftetider For omfattende at beregne for en hel dag (optimal løsning) Heuristisk opsplitning i mindre problemer Løses iterativt

28 Resultater til nu 3 scenarier: 3, 5 og 8 S-buslinjer Skiftemønstre baseret på MOVIAs tællebusdata og modelberegninger S-togs køreplaner fastholdes Scenario Forbedring i skiftetid Forbedring af driftsomkostninger 3 liner 46,14% (58,39%) 7,85% (11,56%) 5 liner 51,74% (61,13%) 3,56% (8,70%) 8 liner 58,36% (75,36%) 2,35% (9,24%) Note: gennemsnit.% (bedste%)

29 Udfordringer i forhold til køreplansoptimering Mangel på viden om dør-tildør rejsemønstre Manglende driftsmodne software og modeller Organisering af sektoren kan lede til sub-optimering

30 Eksempler på organisatoriske problemstillinger Kommuner har fokus på delmængder af pasagerer og geografiske områder, ikke dør-til-dør rejser for alle Togkøreplaner frigiver for sent til at busdriften kan optimeres og idriftsættes inden for kontrakter Udbud af pakker af busruter kan måske hindre den bedst mulige driftsoptimering Lokalitet for vagtskift (for personale) kan forhindre optimal vognløbsplaner og kan lede til unødvendige forsinkelser og/eller køreplanstillæg Punktlighedsmål (KPI er) kan lede til ikke-optimal fokus i driftsplanlægning i forhold til passagerrettidighed DTU Integrated Public Transport Planning 21/9-2015

31 Konklusioner og diskussioner Data and modeller kan hjælpe til at forstå, forudse og forbedre den kollektive trafik Dør-til-dør fokus Størst potentiale for busser (til-fra tog) Men også et vist potentiale for tog