Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big Data’ nicht lösen?, Vortrag bei der ZIF-KONFERENZ “Big Data - Herausforderung für Wissenschaft und Gesellschaft”, Universität Bielefeld, Oktober 2016. ZIF
59
Embed
Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Bevorzugter Zitierstil für diesen Vortrag
Axhausen, K.W. (2016) Big Data und Mobilität: WelcheVerkehrsprobleme können ‘Big Data’ nicht lösen?, Vortrag beider ZIF-KONFERENZ “Big Data - Herausforderung furWissenschaft und Gesellschaft”, Universität Bielefeld, Oktober2016.
ZIF
Big Data und Mobilität: WelcheVerkehrsprobleme können ‘Big Data’ nicht lösen?
KW Axhausen
IVTETHZürich
Oktober 2016
Danksagung
A Loder für die Arbeiten zum PW/GA Besitz
G Sarlas und R Fuhrer zum Lohn-Errreichbarkeitszusammenhang
L Sun für die ‘big data’ Analyse
P Fourie und A Erath für MATSim SG und MATSim CEPAS
ZIF
Aktuelle Probleme in z.B. Singapur
ZIF
Busgeschwindigkeiten in Singapur (2012)
ZIF
Sun,
201
3
Zeitliche Abstände der Busses einer Linie (SG) (2012)
ZIF
Sun,
201
3
Konzeptioneller Ansatz
ZIF
Verkehr ist
ein System sich selbstorganisiernder, bewegender
Warteschlangen
ZIF
Die entscheidende kurzfristige Wechselwirkung ist die
zwischen der Kapazität, d.h. der
Anzahl Zeitfenster (slots)
für die gewünschte Geschwindigkeit und der
momentanen Nachfrage
ZIF
Wartezeiten als Funktion der Auslastung (M/M/1)
0
25
50
75
100
125
150
0% 20% 40% 60% 80% 100%
Belastung [Prozent der Leistungsfähigkeit]
Mittlere Wartezeit [sek]
)(
1
λµµλµ
−=
−= WWS
ZIF
Stadtverkehr als geregeltes SystemKn
oten
punk
tsfo
rmen
unte
r am
erik
anis
chen
Bed
ingu
ngen
un
ter b
estim
mte
n An
nahm
en z
ur V
erte
ilung
der
Be
last
ung;
ein
spur
ig
0
25
50
75
0 1'000 2'000 3'000 4'000
Gesamtverkehrsstärke [Fz/h]
Mittlere Wartezeit [Fz/h]
Zwei-Stop-SchilderAlles-Stop-SchilderLSA ohne AbbiegespurenKreisverkehrLSA mit Abbiegespuren
Langfristig:• Kosten-Nutzen-Analysen • (Verhandelte) ‚teure‘ Zielfunktionen • Zeithorizont bis zu 30 Jahre oder mehr• Modelle mit kausalen Begründungen
ZIF
Modelle für langfristige Prognosen
ZIF
Agentenbasierte Simulation Singapores
ZIF
Vereinfachtes Gesamtmodel
ZIF
mMFDqcarqbusqrail
vcarvbusvrail
AcccarAccbusAccrail
ncar
nGA
NumberPop, Firm
ProductivityIncome
taxcar
taxGA
feePT
feecar
budgettransport
%capcar %capbus%caprail
taxincome
Was wissen wir?
ZIF
Erreichbarkeit und Produktivität: Schweiz
ZIF
AcccarAccbusAccrail
ProductivityIncome
Bevölkerungserreichbarkeit mit dem ÖV: 2010Ax
haus
en e
t al. ,
201
5
ZIF
Räumliches Regressionsmodelle (nicht alle Variablen)Ax
haus
en e
t al. ,
201
5
2000 2005 2010
Y: Ln mean salary Estimate Sig. Estimate Sig. Estimate Sig.
Intercept 6.43*** 7.07*** 6.89***Ln car accessibility 0.01** 0.02 *** 0.01**Ln public transport accessibility 0.01** 0.01*** 0.01*Ln number of local employed 0.02 *** 0.01*** 0.01***From outside Switzerland -0.11 *** -0.09*** -0.09***Average duration in-post 0.00* 0.01*** 0.01***Ln average age 0.36*** 0.24 *** 0.32 ***Men 0.17*** 0.07*** 0.13***lamda parameter 0.33*** 0.41*** 0.40 ***Nagelkerke pseudo-R-squared 0.693 0.665 0.623# observations 1448 2298 2229
ZIF
Erreichbarkeit und Mobilitätswerkzeuge: Schweiz 2010
ZIF
AcccarAccbusAccrail
ncar
nGA
Schweiz: Besitz und Haushaltseinkommen
ZIF
Schweiz: Besitz und Gesamterreichbarkeit
ZIF
Fahrzeuge und Geschwindigkeiten
ZIF
MFDqcar vcar
3d MFD (Zürich, FCD & Schleifen) Stadtzentrum
ZIF
Lode
r et a
l., 20
16
3d MFD (Zürich, FCD & Schleifen) Stadtzentrum
ZIF
Lode
r et a
l., 20
16
(Big data) in den Modellen für die langfristigen Ansätze
Case Choice Probability1 None 𝑃+ = Φ/(−𝑥+𝛽+;−𝑥/𝛽/;𝚸/)2 Car & no ticket 𝑃/ = Φ/(−𝑥+𝛽+;𝑥/𝛽/;𝚸/)3 Car & local ticket 𝑃) = Φ)(𝑥+𝛽+;𝑥/𝛽/ −𝑥) 𝛽);𝚸))4 Car & GA 𝑃F = Φ)(𝑥+𝛽+;𝑥/𝛽/;𝑥)𝛽);𝚸))5 No car & local ticket 𝑃F = Φ)(𝑥+𝛽+;−𝑥/𝛽/;−𝑥)𝛽);𝚸))6 No car & GA 𝑃G = Φ)(𝑥+𝛽+;−𝑥/𝛽/;𝑥)𝛽);𝚸))
Choice environment
Likelihood function
Estimation method: • Maximum simulated likelihood in Stata using Newton Raphson technique• Using draws to compute the integral
Model formulation 2/2
ZIF
𝛿 Sample selection dummy, equal to 1 if observation holds season ticket
ΦH N-dimensional cumulative distribution function of the normal distribution
𝜙H N-dimensional probability density function of the normal distribution
𝛽 Parameters of the model
Σ Symmetric correlation matrix with typical elements 𝜌KL and 𝜌KK = 1. The same correlations appear in both Σ/ and Σ) by using their Cholesky decomposition and estimating the Cholesky factors in the model
𝛼 Parameter vector to be estimated that contains all 𝛽 and Choleskyfactors of Σ
𝒙NO,PQR Upper and lower limits of integration domain, determined by values of each observation
Local access to public transport: E -0.474 *** 0.505 ***Local access to public transport: D -0.348 *** 0.384 ***Local access to public transport: C -0.253 *** 0.286 ***Local access to public transport: B -0.097 *** 0.154 ***General accessibility 0.089 *** -0.028 ***Surplus public transport acc. -0.005 *** -0.066 ***Surplus workplace accessibility 0.729 *** -0.527 ***
Switzerland: GA given season ticket (2/2)
ZIF
Generalabonnement
Secondary residence 0.302 ***Log of monthly household income 0.128 ***Self-reported distance [1000km] 0.005 ***Constant -2.188 ***
Error correlations
Car available GASeason ticket -0.44 0.62Car available -0.24