Retrospective data model for analyzing transit network performance

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu | Master's thesis
Date
2022-01-24
Department
Major/Subject
Mcode
Degree programme
Master's Programme in Spatial Planning and Transportation Engineering (SPT)
Language
en
Pages
123
Series
Abstract
Operational reliability has a strong effect on the service quality and therefore ridership of collective transport. Unreliability in a transit system is often seen as variable driving times between stops and, thus, poor performance metric values, such as on-time performance and headway regularity. While stop event based methods to monitor these metrics are well known in both literature and practice, more granular data and methods to examine root causes behind unreliability have been less studied and demonstrated. Such methods could reveal significant patterns, such as excess stopping times at traffic lights, in bus or tram networks. This study aims at developing a relational data model that matches detailed automatic vehicle location (AVL) data to a geographical transit network, allowing transit vehicle movement and stopping patterns in space and time to be analysed and visualised by street links, transit routes, or arbitrary sections through the network. The model should also enable aggregated spatiotemporal metrics, such as dwell times at stops, times and mean speeds in movement, and time spent stopped outside transit stops. Another aim of the study is to learn what challenges are included in developing an advanced data model with large spatiotemporal data. It is found in the thesis that detailed AVL data from HSL buses along with the Digiroad street network data can be used to provide useful visualisations and metrics about realized transit trips on the network at various levels of geographical and temporal detail. However, the data model is prone to errors in the source AVL and network data, which requires caution from users examining analysis results. While publicly available data was of great advantage in creating the model, the development process was hard to manage, mainly due to model complexity and large data. It is recommended to continue further development in smaller, manageable steps.

Liikennöinnin luotettavuudella on merkittävä vaikutus joukkoliikenteen palvelutasoon ja kulkutapaosuuteen. Joukkoliikenteen epäluotettavuus näkyy usein pysäkkikohtaisten ajoaikojen vaihteluna ja sitä kautta suoritusmittareissa kuten liikenteen täsmällisyydessä ja todellisen vuorovälin säännöllisyydessä. Pysäkkikohtaista dataa ja menetelmiä luotettavuuden seurantaan on tutkittu ja sovellettu laajalti, mutta yksityiskohtaisemmat tietolähteet ja menetelmät epäluotettavuuden juurisyiden tutkimiseksi ovat jääneet vähemmälle huomiolle. Ne voisivat valottaa paremmin taustalla vaikuttavia tapahtumia bussi- ja raitioverkolla, esimerkiksi ylimääräisiä pysähdyksiä liikennevaloissa. Tämän opinnäytetyön tavoitteena on kehittää relaatiotietomalli, joka yhdistää joukkoliikenteen ajoneuvopaikannusdataa liikenneverkkomalliin mahdollistaen joukkoliikennevälineiden liikkeiden spatiotemporaalisen analyysin ja visualisoinnin esimerkiksi tielinkkeihin, reitteihin ja katuosuuksiin perustuen. Malli toimii myös perustana aggregoiduille mittareille kuten pysäkkiajoille, liikkeessä ja pysäkkien ulkopuolella pysähdyksissä vietetylle ajalle ja keskinopeuksille. Niin ikään tavoitteena on oppia, mitä haasteita kehittyneen, laajaan paikkatieto- ja aikasarja-aineistoon perustuvan mallin laatimiseen liittyy. Työn tuloksena voidaan todeta, että HSL:n busseista saatavan paikannustiedon (HFP) ja Digiroad-tiestödatan avulla voidaan tuottaa hyödyllisiä visualisointeja ja mittareita joukkoliikenneverkon tapahtumista eri tarkkuustasoilla. Kehitetty tietomalli on kuitenkin herkkä virheille sekä paikannus- että verkkodatassa, mikä tuloksia hyödyntävän käyttäjän tulee huomioida. Kehitykseen liittyen todetaan, että avoimet datalähteet olivat työssä suureksi hyödyksi, mutta kehitysprosessista tuli vaikeasti hallittava johtuen ennen kaikkea mallin monimutkaisuudesta ja suuresta datamäärästä. Kehitystä on syytä jatkaa pienin, hallittavammin askelin.
Description
Supervisor
Mladenović, Miloš
Thesis advisor
Latva-Käyrä, Petri
Keywords
collective transport, performance, analysis, database, GIS, AVL
Other note
Citation