Estimation of a Multimodal Route Choice Model of Public Transport Users in the Greater Copenhagen Area
|
|
- Minna Torp
- 6 år siden
- Visninger:
Transkript
1 Estimation of a Multimodal Route Choice Model of Public Transport Users in the Greater Copenhagen Area Marie K. Anderson DTU Transport Aalborg Trafikdage Aalborg, d august, 2013
2 Baggrund/motivation Udforske rutevalgsadfærd for rejsende med kollektiv transport Identificere relevante faktorer som påvirker rutevalgsbeslutninger Guide interessenter mod serviceforbedringer i den kollektive transport Gøre den kollektive transport mere attraktiv Begrænset litteratur om dataindsamling og modelestimation af observerede rutevalg i kollektive transport netværk
3 Forskningsmål Designe en survey til at indsamle rutevalg i kollektiv transport Generere valgsæt til brug i modelestimationen Estimere en rutevalgsmodel for rejsende med multimodale kollektive transportnetværk
4 Litteraturgennemgang Dataindsamling Bilisters rutevalg kan indsamles vha. rutebeskrivelser (Ramming 2002; Prato 2005; Vrtic 2006) og indsamles vha. GPS enheder (Jan et al. 2000; Schönfelder et al. 2002; Wolf 2004) Faktiske rutevalg for passagerer i kollektiv transport: indsamlet vha. ansigt til ansigt interviews (overvejede og faktiske ruter) i en Hollandsk togkorridor (Hoogendoorn-Lanser 2005) og på metrostationer (kun metro rejsende) i Santiago (Raveau et al. 2011) Smart cards, GPS Generering af valgsæt for rutevalg Øget opmærksomhed på vigtigheden af størrelsen og sammensætningen af valgsæt (Bovy 2009; Prato 2009) Viser at teknikker hvormed stierne genereres har stor indflydelse på rutevalgsmodel-estimater samt trafikprognoser (Prato & Bekhor 2007; Bliemer & Bovy 2008; Bekhor et al. 2008; Prato 2009) Estimering af rutevalgsmodeller Nielsen (2000): ECL Koppelman & Wen (2000): MNL, PCL, NL Hoogendoorn-Lanser (2005): MNL, PSL, GNL, estimerede transportmiddel-specifikke konstanter (access/egress), køretider, attributter for skift Raveau et al. (2011): MNL, introducerede attributter for netværkstopologi (hvor direkte en rute er, brugerkendskab til ruter, brugerkomfort, stationskarakteriska)
5 Design af undersøgelsen Transportvaneundersøgelsen Alle ture på dagen før interviewet Demografisk information Indsamlet via telefon (80%) eller internet (20%) Manglende rutevalgsinformation Krav til designet af dataindsamlingsmetoden: Stor antal besvarelser Omkostningseffektiv metode med lav byrde på respondenten Repræsentere faktisk valgte ruter Muligt at reproducere i et GIS netværk med et minimum af ekstra kodning Enkel information gør det muligt at rekonstruere ruten: Lokalitet for begyndelse og afslutning af turen Stoppesteder og stationer rejst via Bus- og toglinjer benyttet
6 Design af undersøgelsen Rutevalgspørgsmål i Transportvaneundersøgelsen - Turbeskrivelse
7 Visualisering af tur
8 Kollektivt transport netværk Netværk Zoner Connectorer Vej/sti netværk Jernbanenetværk Stop og stationer Skift Linjer Linjevarianter Kørsler Køreplan Adresser Transportmidler Gang Cykler Biler Busser (alm., højklasset) Tog (lokal, S-tog, regional, intercity) Metro Betaling er fast ud fra fra-til takstzone
9 Generering af valgsæt - Model Dobbelt-stokastisk model tager højde for heterogenitet i Opfattede omkostninger Opfattede linkmodstande Køreplansbaseret stokastisk kollektiv assignment model Probit-baseret for at tage højde for overlap mellem alternative ruter Løst vha. Monte Carlo simulation
10 Valgsætsgenerering - Nyttefunktion Fejlled i nyttefunktionen for at udtrykke forskellige præferencer for forskellige individer: U ( ) = β + ξ t + ε i j j ji i j Detaljer fra modellen med koefficienter for visse tidskomponenter og deres variation: U = VoT TT + VoT TT + V + i walktime walktime waittime waittime changepen VoT TT + VoT TT + VoT TT + conntime conntime waitzone waitzone IVT, train IVT, train VoT TT + VoT TT + VoT VoT IVT, ICtrain IVT, ICtrain IVT, S train IVT, S train IVT, bus TT + ε IVT, metro IVT, metro i TT + IVT, bus
11 Sammenligning mellem valgsæt og observeret rute Tre formuleringer af nyttefunktionen testes Forskellige værdier af skaleringsparameteren for VoT Seks forskellige skaleringsparametre for fejlledet Ruter genereres ved at simulere nyttefunktionen 100 gange for hver af de seks skaleringsparametre for hver af de tre formuleringer Overlap af rute k beregnes vha. den observerede rute r for individ i: Overlap k L = kr L r Attributter sammenlignes på Link level (kun den samme linje på den samme vejkant betragtes som et match) Stop level (forskellige linjer der betjener de samme stop betragtes som et match)
12 Valgsætsgenerering Coverage og antal unikke ruter Der opnås de bedste coverage resultater for den dobbelt-stokastiske formulering hvor Der trækkes fra en log-normal fordeling for VoT For fejlled trækkes fra en Gamma fordeling Variationen i VoT bidrager mere til at opnå en høj coverage end fejlledet Valgsæt for ture Configuration Scale Par Total Min Max GnmSnit ErrCompErrTerm Line Level 0, ,1 0, ,9 0, ,0 0, ,0 0, , ,4
13 Visualisering af valgsæt Valgsæt for rute mellem København og Roskilde
14 Valgsæt og observerede ruter rejsetid og antal delture
15 Formulering af rutevalgsmodeller Multinomial Logit, MNL: Path Size Logit for at tage højde for overlap mellem alternativer: P kn U = Mixed Path Size Logit til at beskrive forskellige præferencer for forskellige individer: U = β t + ε i j ji i j exp j K n ( V + β *ln PS ) exp ( ) kn PS kn ( V jn + βps *ln PS jn ) = β + ξ t + ε i j j ji i j PS Modellerne er estimeret vha. Biogeme 1.8 k = a Γ k L L a k j K n 1 δ aj L L * K j n
16 Modelestimation Undersøgte variable Tid Gang (skift) Ventetid (skift) Total Busstop/togstation Gangtid på connector Til/fra bus/tog Ventetid i zone (skjult ventetid) Køretid Skift Totalt antal skift Opdeling ml. Bus-Bus, Tog-Tog, Tog-Bus Path Size Headway Længste/første Split ved 3 eller 6 min Transportmiddel Servicetype Køretøjstype Definitioner Kollektive transportmidler Bus Ekspresbus og S-bus (E- og S-bus) Lokal, højfrekvent rute (A-bus) S-tog Regional og intercity tog (Regional og IC-tog) Metro Lokaltog Forskelle for grupper af rejsende Bolig-arbejde Erhverv Uddannelse Fritid og andre
17 Antal observationer ture med kollektive transportmidler bestående af delture med kollektiv transport Turformål Alle Pendler/ Erhverv Fritid Transportmiddel Antal % Antal % Antal % Bus , , ,2 Lokaltog 169 2,1 94 2,2 75 2,2 Metro , , ,8 Regional + IC-tog 636 6, , ,7 S-tog , , ,2 Total
18 Præferencer - Path Size Logit I Estimerede koefficienter skaleret til rejsetid i bus 1 minut i regionaltog til 0,8 min i bus for pendlere 0,7 min i bus for fritidsrejser 1 skift svarer til 12,2 min i bus for pendlere 17,9 min i bus for fritidsrejser Simpel model med rejsetider og få skifteattributter Pendler/ erhvervsture Turformål Fritids-/ andre ture Parameter Rejsetid Bus 1,0 1,0 Lokaltog 0,8 0,5 Metro 0,3 - Regional + IC-tog 0,8 0,7 S-tog 0,6 0,4 Access/Egress 2,2 2,8 Skift Ventetid 0,5 0,7 Gangtid 0,8 1,1 Antal skift 12,2 17,9
19 Præferencer - Path Size Logit II Estimerede koefficienter skaleret til rejsetid i bus Højeste headway på ruten opdelt ved Op til/over 6 min Regionaltog opdelt ved Op til/over 20 km Skift opdelt efter fra/til kombination De nye variable forbedrer modellens evne til at beskrive de rejsendes valg Forbedring i modelfit Pendler/ erhvervsture Turformål Fritids- / andre ture Parameter Headway Op til 6 min 1,7 2,9 Over 6 min 0,3 0,4 Rejsetid Bus 1,0 1,0 Lokaltog 0,8 0,5 Metro 0,6 0,5 Regional + IC-tog Op til 20km 1,3 1,4 Over 20km 0,6 0,6 S-tog 0,8 0,6 Access/Egress 2,5 3,2 Skift Ventetid 0,5 0,8 Gangtid 0,9 1,5 Antal skift Bus->Bus 17,1 23,5 Bus->Tog 12,7 17,2 Tog->Bus 14,2 18,6 Tog->Tog 7,2 12,3
20 Simulerede præferencer - Mixed Path Size Logit Estimerede koefficienter skaleret til rejsetid i bus Simuleret gennemsnit og 90 % konfidensinterval Gennemsnit ligger højere end for PSL pga. den højreskæve lognormal fordeling Arbejdsture 90% konf.int. Fritidsture 90% konf.int. Parameter Gnm.snit Gnm.snit Headway Op til 6 min 1,3 [1,0-1,7] 2,8 [1,3-4,6] Over 6 min 0,6 [0,1-1,4] 0,7 [0,1-1,5] Rejsetid IVT Bus 1,0 [1,0-1,0] 1,0 [1,0-1,0] IVT Lokaltog 1,0 [0,7-1,2] 0,8 [0,4-1,4] IVT Metro 0,7 [0,5-0,8] 0,6 [0,3-1,0] IVT Regional + IC-tog Op til 20 km 1,4 [0,8-2,1] 1,9 [0,5-4,0] Over 20 km 0,7 [0,5-0,8] 0,7 [0,3-1,1] IVT S-tog 0,8 [0,6-1,0] 0,7 [0,4-1,2] TT Access/Egress 2,6 [2,0-3,3] 3,7 [1,8-6,1] Skift Gangtid 0,9 [0,7-1,1] 1,8 [0,9-2,9] Ventetid 0,5 [0,4-0,6] 0,9 [0,4-1,4] Antal skift Bus -> Bus 18,8 [10,1-29,5] 26,2 [12,5-43,2] Bus -> Tog 14,2 [5,7-25,3] 21,8 [5,7-44,0] Tog -> Bus 17,3 [5,9-32,4] 26,5 [5,7-55,8] Tog -> Tog 7,2 [5,5-9,0] 13,4 [6,4-22,2]
21 Konklusioner Design af undersøgelsen Rutevalg i kollektiv transport kan indsamles vha. et spørgeskema Relativt let at besvare Ingen signifikant forøgelse i tidsforbrug Observationer kan reproduceres i et GIS-netværk Giver et unikt indblik i de faktisk valgte ruter i det kollektive transportnetværk Generering af valgsæt Bedst coverage resultater for den dobbeltstokastiske funktion til generering af valgsæt hvor For VoT trækkes fra en log-normal fordeling For fejlled trækkes fra en Gamma fordeling Variation i VoT bidrager mere end variationen i fejlledet til at opnå en god coverage Modelestimering Præferencer varierer efter turformål Præferencer varierer efter turlængde Højere præference for tog Forskellige præferencer for tog Stor forskel på typen af skift
22 Videre arbejde Teste formuleringen af modellen i et GIS netværk
23 Tak for opmærksomheden! Kontakt:
24 Implementering af kollektive rutevalgsspørgmål i TU - Introduktion
25 Implementering af kollektive rutevalgsspørgmål i TU - Introduktion
26 Implementering af kollektive rutevalgsspørgmål i TU - Turbeskrivelse
27 Implementering af kollektive rutevalgsspørgmål i TU - Turbeskrivelse
28 Traveller group Parameter All Trips Work Trips Leisure Trips In vehicle Time Bus (-31.4) (-25.3) (-18.7) Local Train (-9.07) (-10.6) (-3.54) Metro (-3.21) (-4.00) (-0.27) Regional + IC-train (-13.0) (-11.5) (-6.60) S-train (-14.5) (-13.7) (-5.89) Access/Egress (-50.9) (-36.6) (-35.0) Path Size Factor PSC (-14.0) (-9.78) (-10.1) Transfers Waiting Time (-13.7) (-14.1) (-7.05) Walking Time (-10.1) (-7.39) (-7.35) No. Transfer (-42.0) (-29.7) (-28.9) Number of estimated parameters: Number of observations: 5,641 2,952 2,689 Null log-likelihood: -20,172-10,724-9,442 Init log-likelihood: -20,172-10,724-9,442 Final log-likelihood: -11,760-6,082-5,645 Likelihood ratio test: 16,824 9,284 7,595 Rho-square: Adjusted rho-square:
29 Trip purpose Parameter All Work Leisure + Other Headway Up to 6 min (-7.12) (-4.91) (-5.23) Above 6 min (-7.16) (-5.11) (-5.24) In vehicle Time Bus (-29.6) (-23.6) (-17.6) Local Train (-8.14) (-9.10) (-4.09) Metro (-8.29) (-7.86) (-3.72) Regional + IC-train Up to 20km (-10.1) (-8.39) (-5.75) Above 20km (-7.01) (-6.70) (-2.94) S-train (-17.1) (-15.1) (-8.24) Access/Egress (-51.0) (-36.9) (-34.7) Path Size Factor PSC (-12.2) (-8.30) (-8.94) Transfers Waiting Time (-13.2) (-13.5) (-6.72) Walking Time (-8.74) (-6.20) (-6.49) No. Transfer Bus->Bus (-32.3) (-21.9) (-23.5) Bus->Train (-20.1) (-15.4) (-12.8) Train->Bus (-22.0) (-17.0) (-13.6) Train->Train (-19.7) (-14.0) (-14.0) Number of estimated parameters: Number of observations: 5,641 2,952 2,689 Null log-likelihood: -20,172-10,724-9,442 Init log-likelihood: -20,172-10,724-9,442 Final log-likelihood: -11,526-5,935-5,555 Likelihood ratio test: 17,291 9,578 7,776 Rho-square: Adjusted rho-square:
30 Estimated coeff. Mean St.dev Scaled to Bus IVT Headway Up to 6 min (-8.15) 1.7 Above 6 min, µ (-34.3) Above 6 min, σ (10.4) In-vehicle time IVT Bus, µ (-71.0) IVT Bus, σ (10.4) IVT Local Train (-6.34) 0.8 IVT Metro (-10.5) 0.6 IVT Regional + IC train Up to 20 km, µ (-25.3) Up to 20 km, σ (3.88) Above 20 km (-9.40) 0.6 IVT S Train, µ (-47.8) IVT S Train, σ (-1.08) TT Access/Egress, µ (-61.0) TT Access/Egress, σ (0.06) Path Size Factor PSC (-17.5) Transfer Transfer Walking Time (-17.5) 1.0 Transfer Waiting Time, µ (-24.0) Transfer Waiting Time, σ (17.1) No. Transfers Bus -> Bus, µ (30.4) Bus -> Bus, σ (-1.62) Bus -> Train, µ (9.39) Bus -> Train, σ (5.84) Train -> Bus, µ (14.4) Train -> Bus, σ (6.14) Train -> Train, µ (0.81) Train -> Train, σ (0.01) Number of Hess-Train draws: 200 Number of estimated parameters: 26 Number of observations: 5,641 Null log-likelihood: -20,172 Init log-likelihood: -16,976 Final log-likelihood: -11,227 Likelihood ratio test: 17,890 Rho-square: Adjusted rho-square: 0.442
Udvikling og vurdering af en dataindsamlingsmetode for rutevalg i kollektiv trafik. Marie K. Larsen, DTU Transport,
Udvikling og vurdering af en dataindsamlingsmetode for rutevalg i kollektiv trafik Marie K. Larsen, DTU Transport, mkl@transport.dtu.dk Baggrund Ønske om at få et større indblik i rutevalget i kollektiv
Læs mereMatching af observeret kollektivt rutevalgsdata til et GIS-netværk
Matching af observeret kollektivt rutevalgsdata til et GIS-netværk Marie K. Larsen, DTU Transport, mkl@transport.dtu.dk Thomas K. Rasmussen, masterstuderende, DTU Transport Baggrund Ønske om at matche
Læs mereIndsamling af data for rutevalg i kollektiv transport. Marie K. Larsen Ph.d.-studerende DTU Transport
Indsamling af data for rutevalg i kollektiv transport Marie K. Larsen Ph.d.-studerende DTU Transport mkl@transport.dtu.dk Outline Baggrund Rutevalg Transportvaneundersøgelsen Undersøgelsens udformning
Læs mereStationsnærhed kun for banetrafik? - Regressionsmodeller
kun for banetrafik? - Regressionsmodeller Aalborg Trafikdage, Tirsdag d. 28. august 2018 Marie Karen Anderson, Adjunkt (marie@dtu.dk) Jesper Bláfoss Ingvardson, Postdoc (jbin@dtu.dk) DTU Management Engineering
Læs mereAnalyse af TU data for privat og kollektiv transport. Marie K. Larsen, DTU Transport,
Analyse af TU data for privat og kollektiv transport Marie K. Larsen, DTU Transport, mkl@transport.dtu.dk Analyser af TU Analyserne er udført for at få et bedre overblik over data til brug i ph.d.-projekt
Læs mereNye danske tidsværdier
Nye danske Katrine Hjorth Danmarks TransportForskning, DTU Trafikdage 2007 Outline 1 2 3 4 Det danske tidsværdistudie har bestået af tre faser: Fase 0 Forstudie til at fastlægge metode vedr. dataindsamling
Læs mereKøreplansbaseret rutevalgsmodel og matricer for kollektiv trafik i Landstrafikmodellen v1.1. -Otto Anker Nielsen
Køreplansbaseret rutevalgsmodel og matricer for kollektiv trafik i Landstrafikmodellen v1.1 - Overblik Generel baggrund Netværk/køreplan Tællinger Tidsværdier og turformål Kalibrering af modellen Rutevalg
Læs mereLandstrafikmodellen. - Otto Anker Nielsen
Kollektiv trafik i Landstrafikmodellen - Otto Anker Nielsen Hvorfor en Landstrafikmodel? Forbedret beslutningsgrundlag Samme beslutningsgrundlag Sammenligning af projekter Fokus på projekterne Understøtter
Læs mereIndre Ringvej i København. Foranalyse
Indre Ringvej i København Foranalyse Foranalyse Regeringsgrundlaget, juni 2015 Samarbejdsaftale 22. marts 2017 mellem Staten, Transport, Bygnings- og Boligministeriet Københavns Kommune Region Hovedstaden
Læs mereForskningsidéer til analyser af Rejsekortdata
Forskningsidéer til analyser af Rejsekortdata Special session: Bedre planlægning af kollektiv trafik med Rejsekort Trafikdage 2018 28. august Morten Eltved Ph.d.-studerende DTU Management Engineering Agenda
Læs mereIndsamling af data for rutevalg i kollektiv transport
Indsamling af data for rutevalg i kollektiv transport Af Marie K. Larsen, DTU Transport, mkl@transport.dtu.dk Abstract I dette paper beskrives udformningen og resultaterne af en spørgeskemaundersøgelse
Læs mereEn model for elbilers energiforbrug baseret på GPS-data fra Test en elbil
En model for elbilers energiforbrug baseret på GPS-data fra Test en elbil Gebeyehu Fetene og Stefan L. Mabit Trafikdage, Aalborg d. 24. august 2015 Overblik Motivation Data GPS-data Analyser ECR vs. rækkevidde
Læs merePotentialer for optimering af den kollektive trafik
Potentialer for optimering af den kollektive trafik - Med hensyntagen til passagerstrømme og deres præferencer 26 Oktober, 2017 Otto Anker Nielsen, oani@dtu.dk Om indlægget Passagerstrømme og dør-til-dør
Læs mereRegionale trafikanters præferencer for kollektiv trafik
Regionale trafikanters præferencer for kollektiv trafik Jane Ildensborg-Hansen TetraPlan A/S Kronprinsessegade 46 E 1306 København K Tlf. 33 73 71 00, Fax: 33 73 71 01 E-mail: jih@tetraplan.dk Homepage:
Læs mereThe role of urban form in sustaining public transport, car and bicycle based travel styles
Trafikdage på Aalborg Universitet, 25-26 August 2014 The role of urban form in sustaining public transport, car and bicycle based travel styles Betydningen af by- og infrastruktur for befolkningens transport-stile
Læs mereHele Danmark. TU-rapport for. Dataperiode 2012 Dataperiode 2012
TU-rapport for Hele Danmark Dataperiode 2012 Dataperiode 2012 Danmarks Tekniske Universitet Institut for Transport Bygningstorvet 116 Vest 2800 Kgs. Lyngby Rapporten er udarbejdet: 30-10-2013 TU-rapport
Læs mereLandstrafikmodellens struktur
Landstrafikmodellens struktur Landstrafikmodellen set fra Jylland Onsdag d. 30. maj 2012 Indeni Landstrafikmodellen Efterspørgsel, person Efterspørgsel, gods Forudsætninger Langsigtet efterspørgsel Lokalisering
Læs merePotentiale for integreret planlægning og optimering af den kollektive trafik med passageren i centrum. Otto Anker Nielsen, oan@transport.dtu.
Potentiale for integreret planlægning og optimering af den kollektive trafik med passageren i centrum Otto Anker Nielsen, oan@transport.dtu.dk Måling af passagerpræferencer - hvad betyder noget? Rejsetid
Læs mereStationsoplands- og trafikmodelberegninger af Bent Jacobsen, civ. ing., RAMBØLL og Flemming Larsen, civ. ing., lich. tech, Anders Nyvig
Stationsoplands- og trafikmodelberegninger af Bent Jacobsen, civ. ing., RAMBØLL og Flemming Larsen, civ. ing., lich. tech, Anders Nyvig Indledning og resumé I forbindelse med det københavnske Projekt Basisnet
Læs mereIndsamling af data for rutevalg i kollektiv transport
Indsamling af data for rutevalg i kollektiv transport Af ph.d.-studerende, cand. polyt. Marie K. Larsen, DTU Transport, mkl@transport.dtu.dk Abstract I dette paper beskrives udformningen og visse foreløbige
Læs mereNye turmatricer for Hovedstadsområdet
Nye turmatricer for Hovedstadsområdet Otto Anker Nielsen, oan@ctt.dtu.dk Christian Overgård Hansen, coh@ctt.dtu.dk (CTT) Disposition Justering af zonestruktur Fremgangsmåde Datagrundlag Justering af bilmatricer
Læs mereHenrik Paag, Havnetunnelgruppen / TetraPlan A/S Henrik Nejst Jensen, Vejdirektoratet, Plan- og telematikafdelingen
HAVNETUNNEL I KØBENHAVN Henrik Paag, Havnetunnelgruppen / TetraPlan A/S Henrik Nejst Jensen, Vejdirektoratet, Plan- og telematikafdelingen 1. Baggrund og indledning Vejdirektoratet foretager i øjeblikket
Læs mereRutevalg. - Otto Anker Nielsen
Rutevalg - Otto Anker Nielsen Overblik Generel sammenhæng med resten af modellen Zonestruktur og modelniveauer Vejvalgsmodellen Kollektiv rutevalg Kort om cykel 2 DTU Transport Landstrafikmodellens struktur
Læs mereStatikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression
Statikstik II 2. Lektion Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression Sandsynlighedsregningsrepetition Antag at Svar kan være Ja og Nej. Sandsynligheden for at Svar Ja skrives
Læs mereBedre planlægning af kollektiv trafik med Rejsekort. 28. august 2018
Bedre planlægning af kollektiv trafik med Rejsekort 28. august 2018 Hvad har vi gjort med data? Passagertællinger hvor mange stiger af og på ved det enkelte stoppested? Rejsekort detaljeret viden om rejseruter,
Læs mereStatistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable
Statistik II Lektion 3 Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable Setup: To binære variable X og Y. Statistisk model: Konsekvens: Logistisk regression: 2 binære var. e e X Y P
Læs mereVed hjælp af Bootstrap metoden er der etableret en ramme for beregninger af varians og konfidensintervaller for Transportvaneundersøgelsen (TU).
Denne artikel er publiceret i det elektroniske tidsskrift Artikler fra Trafikdage på Aalborg Universitet (Proceedings from the Annual Transport Conference at Aalborg University) ISSN 163 9696 www.trafikdage.dk/artikelarkiv
Læs mereTILFREDSHED MED BUSSERNE PÅ FREDERIKSBERG
TILFREDSHED MED BUSSERNE PÅ FREDERIKSBERG 17 Side 1 Frederiksberg Kommune Oktober 17 INDHOLD NØGLESPØRGSMÅL 3 KONKLUSIONER RESULTATER - TILFREDSHED MED BUSTUREN RESULTATER -TILFREDSHED MED VENTEFORHOLD
Læs mereNyt økonomisk værktøj til regulering af transport
Nyt økonomisk værktøj til regulering af transport Ole Kveiborg Danmarks Transportforskning Ph.D. projektet støttet af Transportrådet og Forskerakademiet (Forskningsstyrelsen) Udført på Danmarks Miljøundersøgelser
Læs mereModule 4: Ensidig variansanalyse
Module 4: Ensidig variansanalyse 4.1 Analyse af én stikprøve................. 1 4.1.1 Estimation.................... 3 4.1.2 Modelkontrol................... 4 4.1.3 Hypotesetest................... 6 4.2
Læs mereLandstrafikmodellen i anvendelse. Camilla Riff Brems cab@transport.dtu.dk
Landstrafikmodellen i anvendelse Camilla Riff Brems cab@transport.dtu.dk Landstrafikmodellen i anvendelse Introduktion til Landstrafikmodellen Hvad kan LTM 1.0? Præsentation af delmodeller Andre modeller
Læs mereTilbringer-transportens indflydelse på togpassagerernes tilfredshed
Tilbringer-transportens indflydelse på togpassagerernes tilfredshed Notat baseret på NPT data oktober 2016 Side 2 1. Indledning En stor del af passagererne i den kollektive trafik benytter mere end et
Læs mereVariation i rejsetid
1 Variation i rejsetid - effekter for modellering og værdisætning Camilla Riff Brems Danmarks TransportForskning cab@dtf.dk Variation i rejsetid 2 Rejsetidsvariation Engelske resultater Trafikmodeller
Læs mereIntentions to use bike-sharing for holiday cycling: an application of the Theory of Planned Behavior
Trafikdage på Aalborg Universitet 25 og 26 august 2014 Intentions to use bike-sharing for holiday cycling: an application of the Theory of Planned Behavior Sigal Kaplan, Francesco Manca, Thomas Alexander
Læs mereTidsværdi for gods i Sverige
Tidsværdi for gods i Sverige Mogens Fosgerau 1 og Mikkel Birkeland, COWI 1 Indledning COWI har sammen med INREGIA i Stockholm gennemført en undersøgelse af tidsværdien for gods for SIKA, Statens Institut
Læs mereForbedringer i den kollektive trafik Forskningsmæssige bidrag og resultater
Forbedringer i den kollektive trafik Forskningsmæssige bidrag og resultater, oani@dtu.dk Om indlægget 1. Data og data(gis)modeller 2. Trafikmodeller og passagerpræferencer 3. Forståelse af regularitet/punktlighed
Læs merePassagerforsinkelsesmodellens anvendelighed i samfundsøkonomiske analyser. Mikkel Thorhauge
Passagerforsinkelsesmodellens anvendelighed i samfundsøkonomiske analyser Mikkel Thorhauge Dagsorden Formål & problemformulering Kort om passagerforsinkelsesmodellen Problemstillinger vedrørende prissættelse
Læs mereFølsomhedsanalyse af samfundsøkonomiske tidsværdier for kollektive trafikprojekter
Følsomhedsanalyse af samfundsøkonomiske tidsværdier for kollektive trafikprojekter Jonas Lohmann Elkjær Andersen Alex Landex Otto Anker Nielsen Trafikdage Aalborg Universitet 27. august 2007 Disposition
Læs mereMultipel Linear Regression. Repetition Partiel F-test Modelsøgning Logistisk Regression
Multipel Linear Regression Repetition Partiel F-test Modelsøgning Logistisk Regression Test for en eller alle parametre I jagten på en god statistisk model har vi set på følgende to hypoteser og tilhørende
Læs mereByfortætning og bæredygtig mobilitet Mobilitetsplanlægning i Roskilde Bymidte Jakob Høj, Tetraplan A/S, jah@tetraplan.dk
Denne artikel er publiceret i det elektroniske tidsskrift Artikler fra Trafikdage på Aalborg Universitet (Proceedings from the Annual Transport Conference at Aalborg University) ISSN 1603 9696 www.trafikdage.dk/artikelarkiv
Læs mereBedre beslutningsgrundlag med rejsekortdata. Carsten Jensen
Bedre beslutningsgrundlag med rejsekortdata Carsten Jensen (cje@moviatrafik.dk) Klassiske passagertællinger Registrering af påstigere/afstigere pr. stop pr. tur på en given linje Automatiske eller manuelle
Læs mereTILFREDSHED MED BUSSERNE PÅ FREDERIKSBERG. Frederiksberg Kommune Oktober 2018
TILFREDSHED MED BUSSERNE PÅ FREDERIKSBERG Frederiksberg Kommune Oktober 2018 INDHOLD Nøglespørgsmål Konklusioner Resultater - Tilfredshed med busturen Resultater - Tilfredshed med buslinje Og stoppested
Læs mereMeget lange tidsserier med Transportvaneundersøgelsen. Hjalmar Christiansen, DTU Transport
Meget lange tidsserier med Transportvaneundersøgelsen Hjalmar Christiansen, DTU Transport hjc@transport.dtu.dk Agenda Baggrund... Noget om de gamle data Udvalgte resultater Konklusion 2 DTU Transport Transportvaneundersøgelsen
Læs mereDanskernes rejsevaner ved lange rejser. Mette Aagaard Knudsen
Danskernes rejsevaner ved lange rejser Mette Aagaard Knudsen Analyse af karakteristika for lange rejser Indledende analyse af danskeres rejser Baggrundsviden til overnatningsmodellen i NTM Grundlæggende
Læs mereLandmålingens fejlteori - Repetition - Fordeling af slutfejl - Lektion 8
Landmålingens fejlteori Repetition - Fordeling af slutfejl Lektion 8 - tvede@math.aau.dk http://www.math.aau.dk/ tvede/teaching/l4 Institut for Matematiske Fag Aalborg Universitet 15. maj 2008 1/13 Fordeling
Læs mereModellering af multimodale turkæder
Modellering af multimodale turkæder Af Camilla Riff Brems Med stigende trafikmængder og stadig større udnyttelse af trafiknettenes kapaciteter er der i de seneste år kommet fokus på turkæder, hvor forskellige
Læs mereProdukt og marked - matematiske og statistiske metoder
Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 19, 2016 1/26 Kursusindhold: Sandsynlighedsregning og lagerstyring
Læs mereBenefitmodel togpassagerers tidsgevinster ved regularitetsforbedringer
Benefitmodel togpassagerers tidsgevinster ved regularitetsforbedringer Trafikplanlægger Jane Ildensborg-Hansen, TetraPlan A/S, København (jih@tetraplan.dk) Indledning Banedanmark arbejder pt. på at tilvejebringe
Læs mereUdvikling i risiko i trafikken
Udvikling i risiko i trafikken Seniorrådgiver Camilla Riff Brems, Danmarks TransportForskning, cab@dtf.dk Seniorforsker Inger Marie Bernhoft, Danmarks TransportForskning, imb@dtf.dk Resume I bestræbelserne
Læs mereOversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Oversigt 1 Gennemgående eksempel: Højde og vægt 2 Korrelation 3 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse
Læs mereLet at komme rundt Regional tilgængelighed med kollektiv transport. TØF d. 2.10.2012
Let at komme rundt Regional tilgængelighed med kollektiv transport Projekt i 2 faser 1.Analyse 2.Løsninger Regional tilgængelighed med kollektiv transport Hva snakker vi om? Hvad er regionale rejsemål?
Læs mereTESTENELBIL SP DATAINDSAMLING. Introduktion. Anders Fjendbo Jensen, DTU Transport, 2013-12-06
TESTENELBIL SP DATAINDSAMLING Anders Fjendbo Jensen, DTU Transport, 2013-12-06 Introduktion Denne kvartalsrapport beskriver data, indsamlet i samarbejde mellem DTU og Clever. Dataindsamlingen er baseret
Læs mereØkonometri Lektion 1 Simpel Lineær Regression 1/31
Økonometri Lektion 1 Simpel Lineær Regression 1/31 Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Statistisk model: Vi antager at sammenhængen
Læs mereOTM 7. Trafikdage 2018, Aalborg, 27. august Goran Vuk, Vejdirektoratet Henrik Paag, MOE Tetraplan
OTM 7 Trafikdage 2018, Aalborg, 27. august Goran Vuk, Vejdirektoratet Henrik Paag, MOE Tetraplan Dagsorden Projektaktiviteter: o Cykelmodellering (OTM 7) o VOT studie o Tilpasning til ØR-projektet (OTM
Læs mereβ = SDD xt SSD t σ 2 s 2 02 = SSD 02 f 02 i=1
Lineær regression Lad x 1,..., x n være udfald af stokastiske variable X 1,..., X n og betragt modellen M 2 : X i N(α + βt i, σ 2 ) hvor t i, i = 1,..., n, er kendte tal. Konkret analyseres (en del af)
Læs mereSAMFUNDSØKONOMISKE OMKOSTNINGER VED MANGLENDE RETTIDIGHED INDHOLD. 1 Indledning. 2 Datagrundlag og metode. 1 Indledning 1. 2 Datagrundlag og metode 1
FORBRUGERRÅDET TÆNK SAMFUNDSØKONOMISKE OMKOSTNINGER VED MANGLENDE RETTIDIGHED ADRESSE COWI A/S Parallelvej 2 2800 Kongens Lyngby TLF +45 56 40 00 00 FAX +45 56 40 99 99 WWW cowi.dk NOTAT INDHOLD 1 Indledning
Læs mereLandmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl
Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/36 Estimation af varians/spredning Antag X 1,...,X n stokastiske
Læs mereOverraskende hurtig 1
Overraskende hurtig 1 Overblik Sammenhæng mellem Movias buskoncepter Geografi Buskoncepter Byområder A-BUS Linjer i og mellem byområder og arbejdspladser i hovedstadsområdet ALMINDELIG BUS S-BUS +WAY Linjer
Læs mereØkonometri: Lektion 2 Multipel Lineær Regression 1/27
Økonometri: Lektion 2 Multipel Lineær Regression 1/27 Multipel Lineær Regression Sidst så vi på simpel lineær regression, hvor y er forklaret af én variabel. Der er intet, der forhindre os i at have mere
Læs mereLøsning eksamen d. 15. december 2008
Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
Læs mereModule 12: Mere om variansanalyse
Module 12: Mere om variansanalyse 12.1 Parreded observationer.................. 1 12.2 Faktor med 2 niveauer (0-1 variabel)......... 3 12.3 Tosidig variansanalyse med tilfældig virkning..... 9 12.3.1 Uafhængighedsbetragtninger..........
Læs mereSimpel Lineær Regression: Model
Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 + β 1 x + u, hvor fejlledet u, har egenskaben E[u x] = 0. Dette betyder bl.a. E[y x]
Læs mereLTM 1.1. Gennemgang af data scenarier
LTM 1.1 Gennemgang af data scenarier Stephen Cochrane Januar 2016 Gennemgang af data scenarier og tilhørende tabeller i LTM Manager Gruppering Navne med grå markering Data scenarier Scenariestyrede input,
Læs mereMovia Rejsekort Analyse System. Opbygning af et driftssystem
Movia Rejsekort Analyse System Opbygning af et driftssystem About Rapidis Software developers and consultants in Logistics, Transport and Public Transportation. All products and solutions are based on
Læs mereKonklusioner Side 2
Københavns Kommune Resumé Ældre og gangbesværede borgeres behov og tilfredshed i forhold til busser Marts 2014 v. Anne Kathrine Zahle, Anders Albrechtsen og Janne Norup 2014 Side 1 Konklusioner De ældre
Læs mereLøsning til eksaminen d. 14. december 2009
DTU Informatik 02402 Introduktion til Statistik 200-2-0 LFF/lff Løsning til eksaminen d. 4. december 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition,
Læs mereNORDJYLLANDS TRAFIKSELSKAB S E P T E M B E R 2018
NORDJYLLANDS TRAFIKSELSKAB K UNDETILFREDSHEDSUNDERSØGELSE 2018 S E P T E M B E R 2018 I N D H O L D 1. R E S U M É S. 4 3. B Y- OG M E T R O B U S S E R S. 1 4 4. R E G I O N A L B U S S E R S. 2 6 5.
Læs mereMorten Frydenberg Biostatistik version dato:
Caerphilly studiet Design og Data Biostatistik uge 14 mandag Morten Frydenberg, Afdeling for Biostatistik Poisson regression En primær tidsakse og ikke stykkevise konstante rater Cox proportional hazard
Læs mereMultipel regression. M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model
Multipel regression M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model Y j 1 X 1j 2 X 2j... m X mj j eller m Y j 0 i 1 i X ij j BEMÆRK! j svarer til individ
Læs mereForelæsning 11: Kapitel 11: Regressionsanalyse
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereMultipel Lineær Regression
Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk model Specificer
Læs mereØkonometri: Lektion 2 Multipel Lineær Regression 1/33
Økonometri: Lektion 2 Multipel Lineær Regression 1/33 Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 +β 1 x +u, hvor fejlledet u,
Læs merePendlernes oplevelse af forsinkelser NPT NOTAT
Pendlernes oplevelse af forsinkelser NPT NOTAT September 2017 Side 2 Indhold 1. Baggrund og formål 3 2. Resultater 4 2.1 Resumé 4 2.2 Pendlernes oplevelser af forsinkelser 4 2.3 Konsekvensen af forsinkelser
Læs mereHvad har betydning for udviklingen i cyklingen? Analyse af brug af cykel på ture i transportvaneundersøgelsen 1996-2013.
Denne artikel er publiceret i det elektroniske tidsskrift Artikler fra Trafikdage på Aalborg Universitet (Proceedings from the Annual Transport Conference at Aalborg University) ISSN 1603-9696 www.trafikdage.dk/artikelarkiv
Læs mereAnvendt Statistik Lektion 7. Simpel Lineær Regression
Anvendt Statistik Lektion 7 Simpel Lineær Regression 1 Er der en sammenhæng? Plot af mordraten () mod fattigdomsraten (): Scatterplot Afhænger mordraten af fattigdomsraten? 2 Scatterplot Et scatterplot
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Rune Haubo B Christensen (based on slides by Per Bruun Brockhoff) DTU Compute, Statistik og Dataanalyse Bygning
Læs mereAnalyser af GPS-data fra Test en elbil og TU-data
Analyser af GPS-data fra Test en elbil og TU-data Morten Aabrink og Stefan L. Mabit Trafikdage, Aalborg d. 24. august 2015 Overblik Motivation Data GPS-data TU-data Analyser Deskriptiv sammenligning Kørsel
Læs mereLektiebusser. Evaluering af gratis internet i busser. December 2013
Lektiebusser Evaluering af gratis internet i busser December 2013 1 Indhold 1 Baggrund og formål... 3 2 Facts og metode... 4 2.1 Repræsentativitet og validitet... 5 3 Respondenter... 6 4 Konklusioner...
Læs mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs mereKOLLEKTIV TRANSPORT I YDEROMRÅDER Serviceniveau, udbud og brug af kollektiv trafik
KOLLEKTIV TRANSPORT I YDEROMRÅDER Serviceniveau, udbud og brug af kollektiv trafik Indholdsfortegnelse Dato: Januar 2016 Læsevejledning og metode Læsevejledning til faktaark (side 1) Side Læsevejledning
Læs mereMOBILITET I REGION HOVEDSTADEN En analyse af konkurrenceforhold målt ved rejsetid
MOBILITET I REGION HOVEDSTADEN En analyse af konkurrenceforhold målt ved rejsetid Rapport Dato: 19. marts 218 Indledning Baggrund I dag har Region Hovedstaden begrænset viden om konkurrenceforholdet mellem
Læs mereTransportvaner i Region Syddanmark Analyse af data fra den nationale transportvaneundersøgelse
Analyse af data fra den nationale transportvaneundersøgelse November 2010 Indholdsfortegnelse 1 Baggrund... 1 2 Databehandling... 2 2.1 Databasen... 2 2.2 Geografisk efterkodning... 2 2.3 Stikprøven...
Læs mereEN MODEL FOR PASSAGERERS RUTEVALG UNDER HENSYNTAGEN TIL KAPACITETS OG REGULARITETSPROBLEMER
EN MODEL FOR PASSAGERERS RUTEVALG UNDER HENSYNTAGEN TIL KAPACITETS OG REGULARITETSPROBLEMER Otto Anker Nielsen. Banestyrelsen Rådgivning samt Center for Trafik og Transportforskning (CTT), DTU Goran Jovicic
Læs mereNye sygehusstrukturer Nye trafikale udfordringer
Nye sygehusstrukturer Nye trafikale udfordringer Baggrund i projekter for Region Hovedstaden Hvilken rolle spiller den kollektive trafik i betjeningen af de eksisterende sygehuse og hvilke udfordringer
Læs mereTUS breder sig men hvad er erfaringerne? Jens Willars Programleder - TUS jewi@dsb.dk
TUS breder sig men hvad er erfaringerne? Jens Willars Programleder - TUS jewi@dsb.dk Effekten af TUS trafikinformation - tilfredshedsundersøgelser Effekten af TUS trafikinformation - tilfredshedsundersøgelser
Læs mereTilfredshed med busserne på Frederiksberg. Frederiksberg Kommune Oktober Side 1
Tilfredshed med busserne på Frederiksberg Frederiksberg Kommune Oktober 06 06 Side Indhold Om undersøgelsen Konklusioner 5 Konklusioner 6 Resultater 7 Positiv fremgang i tilfredshed med busturen 8 Fremgang
Læs mereNote om Monte Carlo metoden
Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at
Læs merePotentiale for overflytning af korte bilture til cykel og gang
Potentiale for overflytning af korte bilture til cykel og gang Seniorforsker Linda Christensen, DTU Transport, LCH@Transport.DTU.dk Forsker Thomas Jensen, DTU Transport, TCJ@Transport.DTU.dk Abstrakt Paperet
Læs mereIndhold. 2 Tosidet variansanalyse Additive virkninger Vekselvirkning... 9
Indhold 1 Ensidet variansanalyse 2 1.1 Estimation af middelværdier............................... 3 1.2 Estimation af standardafvigelse............................. 3 1.3 F-test for ens middelværdier...............................
Læs mereStatus for udviklingen af Landstrafikmodellen. Camilla Riff Brems
Status for udviklingen af Camilla Riff Brems cab@transport.dtu.dk Ønsker/krav til Transportsystemet som helhed (TRM, andre ministerier) Effektberegning af infrastrukturprojekter Kvaliteten og tilgængeligheden
Læs mereSURVEY OM INFRASTRUKTUR I REGION HOVEDSTADEN. Operate A/S Side 1
SURVEY OM INFRASTRUKTUR I REGION HOVEDSTADEN Operate A/S Side 1 METODE Stikprøve og dataindsamling Målgruppe: 18-74 årige mænd og kvinder i Region Hovedstaden (minus Bornholm Kommune). Metode: Web-survey.
Læs mereLogistisk Regression - fortsat
Logistisk Regression - fortsat Likelihood Ratio test Generel hypotese test Modelanalyse Indtil nu har vi set på to slags modeller: 1) Generelle Lineære Modeller Kvantitav afhængig variabel. Kvantitative
Læs mereNy metode til at indsamle interviewdata om rejser med overnatning. Linda Christensen
Linda Christensen lch@transport.dtu.dk Undersøgelse af udlandsrejser med overnatning Hvorfor? Indenlandske rejser med overnatning er fravalgt Med de senere års TU haves rimelig god viden om indenlandske
Læs mereVoksende segmenter i befolkningen og deres indflydelse på bilbrug
Voksende segmenter i befolkningen og deres indflydelse på bilbrug Sonja Haustein, DTU Transport Thomas Sick Nielsen, DTU Transport Anu Siren, Det Nationale Forskningscenter for Velfærd Overblik Det Danske
Læs mereBeregning af usikkerhed og varians for Transportvaneundersøgelsen
Beregning af usikkerhed og varians for Transportvaneundersøgelsen Hjalmar Christiansen Projektleder, Transportvaneundersøgelsen Center for Transport Analytics, DTU Agenda Transportvaneundersøgelsen Principper
Læs mereChristian Overgård 21. januar 2016 35425-009 rev A coh
FORELØBIGT NOTAT Titel Prognoseresultater for Basis 2020 og 2030 udført med LTM 1.1 Til Kontrol Godkendt Fra 1. Indledning Christian Overgård 21. januar 2016 35425-009 rev A coh Nærværende notat indeholder
Læs mereØkonometri 1. Inferens i den lineære regressionsmodel 25. september Økonometri 1: F6 1
Økonometri 1 Inferens i den lineære regressionsmodel 25. september 2006 Økonometri 1: F6 1 Oversigt: De næste forelæsninger Statistisk inferens: hvorledes man med udgangspunkt i en statistisk model kan
Læs mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Læs mereNaturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1
Matematisk Modellering 1 Side 1 I nærværende opgavesæt er der 16 spørgsmål fordelt på 4 opgaver. Ved bedømmelsen af besvarelsen vægtes alle spørgsmål lige. Endvidere lægges der vægt på, at det af besvarelsen
Læs mere