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 tællinger i Movias busser og lokaltog Stikprøvebaseret (typisk 5 % af ture) Fordele Velprøvet metode gennem mange år Vigtig datakilde i planlægning og kommunikation Forholdsvis god datakvalitet Ulemper Ingen viden om rejsemønstre Statiske data - kun gennemsnit for hverdag/måned eller weekend/kvartal 2
Rejsekortdata stort potentiale for mere viden, men Nationalt system, i generel brug siden ca. 2011 Multiple check-ins og afsluttende check-out for hver rejse First check-in Check-in Check-in Checkout Fordele Detaljeret information om rejsestrømme Meget store datamængder Information på daglig basis (med forsinkelse) Ulemper Stikprøve pt. ca. 35 % af rejser i Movia, men ujævnt fordelt (tid, geografi, kundegrupper) Manglende viden om totale mængder Vanskeligt tilgængelige data Manglende tillid hos potentielle brugere? 3
Vores løsning: At kombinere to ikkeperfekte datakilder Passagertællinger antal påstigere/afstigere pr. stop Rejsekort detaljeret information om rejsemønstre, men skæv fordeling mellem brugergrupper Samlet matrix visende alle rejsemønstre på en gns. hverdag i en udvalgt måned Relationer mellem 14.000x14.000 stop/stationer Data for hver af døgnets 24 timer Produceret en gang hver måned Fokus lige nu på brug til planlægningsformål, men meget videre perspektiver 4
Justering af rejsestrømme på basis af passagertællinger Station - Zoo Rejsekort: 200 rejser Passagertælling: 300 påstigere Rejsemønster x 1,5 Station - Erhvervsbyggeri Rejsekort: 200 rejser Passagertælling: 600 påstigere Rejsemønster x 3 Beregne og justere alle relevante rejsemønstre mellem 14.000 stop og stationer i Movias område Brug af avanceret matrix estimation (MPME) og transportmodel værktøjer (kollektiv rutevalgsmodel) Fleksibel metode kan benytte mange forskellige data på forskellige detaljeringsniveauer Inputdata (køreplaner) fra Rejseplanen 5
Hvilke muligheder giver bedre viden om kundernes rejsemønstre? Flytte planlægningsfokus - indtægtsmaksimering vs. omkostningsminimering Styrke analyseberedskab ift. kommuner, regioner og andre interessenter Danne bedre grundlag for konsekvensberegninger Give bedre kommunikation til passagererne 6
Bygning af Letbane i Ring 3 hvordan påvirkes passagererne? Fra kommune Til kommune Procent af rejser Lyngby-Taarbæk Lyngby-Taarbæk 4,0% Lyngby-Taarbæk Gladsaxe 3,4% Lyngby-Taarbæk København 3,4% København Lyngby-Taarbæk 2,9% Gladsaxe Lyngby-Taarbæk 2,7% Glostrup København 2,4% Gladsaxe Gladsaxe 2,2% København Glostrup 2,1% Herlev Gladsaxe 1,9% Gladsaxe Herlev 1,8% Rejsestrømme 300S og 30E Linje Påstigere Vej Hele døgnet flows 0-5 5-25 25-75 75-150 150-300 300-50000 Bane Hele døgnet flows 0-5 5-25 25-75 75-150 150-300 300-50000 Opland udvalgt linje anvendes Hele døgnet 1-5 5-25 25-50 50-100 100-300 300-1000 1000-50000 B 3.327 E 1.820 A 1.805 H 1.091 C 1.090 350S 744 Metro 711 6A 705 F 459 9A 435 Øvrige 7.938 I alt 20.127 Hvordan skal vi tilpasse busdriften? Hvordan kommunikeres ændringer til passagererne? 7
Forskelle i rejsemønstre hen over dagen 60 9 34 9 12 7 121 116 157 143 108 139 103 125 102 116 112 138 129 113 16 6 19 209 9 370 33 8 27 0 227 3 38 340 172 139 328 439 104 164 14 9 411 397 420 43 7 12 2 11 8 154 101 40 7 36 6 41 6 12 8 49 1 43 0 50 8 40 2 52 5 400 503 105 113 2 14 108 129 15 8 145 137 132 118 136 135 143 156 168 141 147 5 35 8 23 127 151 0 16 118 163 112 112 119 17 2 10 2 3 51 4 51 101 117 127 482 517 659 637 122 524 551 5 11 2 6 18 12 8 18 13 3 172 181 173 7 10 161 13 0 19 6 4 11 145 13 4 20 5 13 3 12 5 120 103 5 13 9 13 5 11 178 629 141 9 58 10 3 106 134 129 135 1 26 13 9 115 7 56 611 Eftermiddag (15-17) 125 113 119 Morgen(7-9) 16 6 255 3 32 0 17 12 1 176 8
287 148 215 Muligheder for at bore ned i data for at forstå sammenhængene Rejser, der alene benytter 300S 148 215 207 278 398 492 530 552 586 592 444 422 217 236 386 233 355 410 376 370 276 400 412 Fra kommune Til kommune Procent af rejser Lyngby-Taarbæk Lyngby-Taarbæk 11,4% Lyngby-Taarbæk Gladsaxe 6,8% Gladsaxe Lyngby-Taarbæk 5,5% Glostrup Ishøj 4,8% Herlev Gladsaxe 4,5% Lyngby-Taarbæk Rudersdal 4,3% Gladsaxe Herlev 4,1% Gladsaxe Gladsaxe 4,0% Lyngby-Taarbæk Herlev 3,7% Herlev Glostrup 3,6% 9
Muligheder for at bore ned i data for at forstå sammenhængene Rejser, der benytter 300S og udvalgt S-togslinje 114 380 336 123 106 320 309 285 307 111 129 141 282 277 154 312 301 181 323 285 135 261 303 233 275 224 211 266 252 190 222 190 213 178 169 189 178 204 188 Linje Påstigere B 2917 F 173 IC 110 RE 109 M2 74 29 67 M1 61 123 58 E 57 4A 54 411 389 105 210 179 322 489 543 111 222 304 456 597 124 174 480 535 448 488 420 454 333 381 273 321 251 296 304 Fra kommune Til kommune Procent af rejser Glostrup København 7,6% København Glostrup 5,3% København Brøndby 3,6% Brøndby København 3,4% København Gladsaxe 3,3% Gladsaxe København 3,3% Lyngby-Taarbæk Albertslund 2,4% Herlev Høje Taastrup 2,4% Høje Taastrup Herlev 2,1% København Herlev 2,0% 10
Muligheder for at bore ned i data for at forstå sammenhængene Rejser, der benytter 300S og starter/slutter i Furesø kommune 110 122 131 120 131 120 123 112 112 122 Linje Påstigere B 221 H 32 40E 17 500S 16 151 9 333 9 400S 9 55E 6 334 6 165 5 Fra kommune Til kommune Procent af rejser Lyngby-Taarbæk Furesø 26,5% Furesø Lyngby-Taarbæk 19,1% Furesø Herlev 10,4% Furesø Gladsaxe 10,3% Herlev Furesø 9,1% Gladsaxe Furesø 8,8% Furesø Glostrup 4,5% Glostrup Furesø 3,1% Rudersdal Furesø 2,6% Furesø Rudersdal 1,2% 11
Skift kan ikke undgås hvordan kan vi forbedre dem? Fysik: Placering af stop Køreplan: Prioritering af korrespondancer Services: Udstyr på terminaler 12
Skift kan ikke undgås hvordan kan vi forbedre dem? Sum af TrafLoad ToLineName ToLineEndStop B B B H H Hovedtotal FromLineName Farum St. Høje Taastrup St. København H Farum St. Frederikssund St. 68 6 38 1 0 11 56 200S 117 166 5 38 45 371 250S 73 32 1 10 9 125 300S 173 276 3 16 56 524 30E 90 102 16 10 218 6A 107 75 1 11 14 209 Hovedtotal 566 689 12 91 145 1503 90 80 70 60 50 40 30 20 10 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 50 % af buspassagerer til Buddinge St. skifter til S-tog 68 200S 250S 300S 30E 6A 13
Rejsestrømme fra/til stop, stationer og områder Rejser, der starter eller slutter i: - kommune x - område y - stoppested z Al kollektiv transport, hvor Movia er involveret, eller udvalgte linjetyper/linjer/ kombinationer 14
Eksempel: Alle rejser, der kombinerer Movia og S-tog Linje Påstigere/hverdag 5C 10.002 1A 9.643 4A 7.958 300S 6.855 6A 6.316 9A 4.451 8A 4.421 200S 4.037 500S 3.934 350S 3.932 317 andre linjer 102.396 I alt 163.945 40 % af alle S- togsrejser er kombineret med Movia-bus/tog 15
Konsekvenser af trafikale ændringer - ca. 100 rejser Ishøj - Herlev - køretid, gang- og ventetid + 4,5 min (15%) - kørt distance + 3% - antal skift + 16% Værktøj til at sammenligne forskellige køreplaner/ ruteføringer inden der træffes beslutninger Eksempel: Køretidsændring på Ring 3 pga. anlægsarbejder (2 x +5 min) Der regnes på, hvordan nuværende passagerer vil ændre rejserute på aktuelt datagrundlag Nøgletal for ændringer i: - køretid - gang- og ventetid - kørt distance - antal skift 16
Webportal skal sikre bredere adgang til data og resultater 17
Foreløbig udviklingsplan Ibrugtagning i Movia Ekstern adgang til data Udvikling, kort sigt Udvikling, længere sigt Prototypesystem i drift oktober 2018 Webportal ibrugtages ultimo 2018 Fuld information om Metro- og DSB-rejser implementeres start 2019 Forbedret kortdesign start 2019 Webportal åbnes for kommuner/regioner m.fl. 1. halvår 2019 Introduktion til brug af systemet 1. halvår 2019 Beregning af markedsandele start 2019 Opfølgningsværktøj for ny Cityring sommer 2019 Flere analyseværktøjer 2. halvår 2019 Hurtigere resultater og kobling med andre data Brug af machine learning/ai-metoder Brug af data til her og nu -driftsstyring 18