Estimation of a Multimodal Route Choice Model of Public Transport Users in the Greater Copenhagen Area

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