An activity-based model of travel demand using an open-source simulation framework

Abstract

As self-driving cars, mobility as a service and other new transport services start to shape the future of travel, decision makers need to have accurate and well-justified information about the possibilities and consequences of their decisions. With the emerging travel modes, we face novel situations and therefore the forecasts of future travel should rest on theoretically and practically sound basis.

The notion that travel is a derived demand, is universally accepted. We rarely travel just for the sake of travelling, but to reach spatially separated activities which we ultimately aim to do. Despite understanding that activities are the drivers of our demand for travel, the models used for forecasting future travel demand ignore this fundamental attribute and concentrate on trip based approaches. Researchers have studied activity-based travel demand models for decades, but the use of these behaviourally more justifiable models has not gained much traction.

In this thesis, we construct an activity-based simulation model of travel demand using the MATSim simulation framework. MATSim’s agent-based approach to travel demand simulation allows for a behaviourally justified model whose spatial resolution is greatly enhanced compared to the traditional models. The model is validated, and used to evaluate changes in travel behaviour induced by a large public transport infrastructure project, the new train line called Ring Rail line. The model performs fairly well in capturing the distance travelled distributions and aggregate measures of travel behaviour. In the case study, the model first predicts too low number of train passengers and then up to 600% increases in passengers on certain train stations after the changes in the public transport network.

The successes and possibilities of the model are discussed. Suggestions are given for the development of the model. It is discussed how to, on one hand, make the results more realistic and on the other hand, increase the model’s capability to capture ever more subtle facets of people’s travel behaviour.

Kun automaattiset ajoneuvot, liikkuminen palveluna sekä muut uudet liikkumisen palvelut alkavat muokata liikkumisen tulevaisuutta, päätöksentekoon tarvitaan tarkkaa ja hyvin perusteltua tietoa päätöksien mahdollisuuksista ja seurauksista. Kun uudet palvelut luovat täysin uudenlaisia toimintaympäristöjä, ennusteiden tulee olla mahdollisimman hyvällä pohjalla niin teoreettisesti kuin käytännöllisestikin.

Liikkuminen on johdettua kysyntää. Ihmiset kulkevat harvoin vain liikkumisen vuoksi vaan liikkumisella on päämäärä, jokin aktiviteetti, joka halutaan saavuttaa. Huolimatta siitä, että tämä liikkumisen erikoispiirre on tunnettu jo pitkään, käytetyt liikenteen ennustemallit eivät ota liikkumisen johdettua luonnetta huomioon vaan keskittyvät matkojen ennustamiseen pohjautuviin mallinnustapoihin. Aktiviteettipohjaisia liikkumiskysynnän malleja on tutkittu jo vuosikymmeniä, mutta näiden mallien mahdollisuudet ovat pitkälti hyödyntämättä palvelujen suunnittelussa ja poliittisessa päätöksenteossa.

Tässä diplomityössä rakennetaan aktiviteettipohjainen liikennekysynnän simulointimalli MATSim simulointiympäristössä. MATSimin agenttipohjainen lähestymistapa liikennekysynnän mallintamiseen mahdollistaa vakaalla teoreettisella pohjalla olevan mallin, jonka maantieteellinen tarkkuus on huomattavasti perinteisiä malleja parempi. Malli validoidaan ja sillä ennustetaan ison julkisen liikenteen infrastruktuuriprojektin, Kehäradan, liikennekäyttäytymisen muutoksia. Malli onnistuu kohtuullisesti matkan pituuden jakaumien, sekä laskettujen keskiarvomittareiden ennustamisessa. Case-tutkimuksessa malli ensin ennustaa liian alhaisia junaliikenteen käyttäjämääriä, minkä jälkeen jopa 600% matkustajamäärien kasvua tietyille juna-asemille Kehäradan avaamisen vaikutuksina.

Mallin onnistumisia ja mahdollisuuksia arvioidaan. Lisäksi tehdään ehdotuksia mallin kehittämiseksi. Kehityssuuntia pohditaan, jotta mallin tulokset olisivat totuudenmukaisempia ja jotta malli kykenisi mallintamaan yhä erilaisempia liikennekäyttäytymisen muotoja.