BIG DATA & OV, presentatie Niels van Oort op het Grote Big Data Congres 4/2/14

Beeld plaatsenter grootte van

dit kader

Big Dataen OV

Kansen op beteren 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 prio riteit

voor verkeerslichten?� Waar kan de dienstregeling strakker of moet het jui st

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 verbetervoorstell en

Optimaliseren OV produkt (hogere kwaliteit, lagere kost en)

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

4%

17%

10%

6%

4% 4%5%

6%

8%

10%10%

8%

3%

2% 1% 1% 1% 1%

0%

2%

4%

6%

8%

10%

12%

14%

16%

18%

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

Berekend0%

Expertjudgement13%

Kwalitatief27%

Niet60%

MKBA Verkeersmodellen

34

Case lijn 12: van OV naar HOV

35

MKBA > 1,0

JA NEE

+

Rol MKBA

36

� Combinatie van voertuig- en reizigersdata� Analyse verleden en voorspelling toekomst� Voertuigpunctualiteit+reizigersgedrag =

betrouwbaarheid vanuit reizigersperspectief

� Verwachte baten: >200 miljoen maatschappelijke batendoor verbeterde betrouwbaarheid (ca. 60% totaal)

� I en M steunt het project

Aanpak en conclusie

37

- Grote uitdagingen in het OV- Big Data faciliteert verbeterproces- Inzicht in:

Voertuig -> ReizigerseffectenRit -> KetenKosten -> Baten

Data Informatie Kennis Verbeteringen

Conclusies

38

Contact

Niels van [email protected]@TUDelft.nl

Artikelen:https://nielsvanoort.weblog.tudelft.nl/

http://www.goudappel.nl/adviseurs/niels-van-oort/