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

ZIF

Freie Strecke als selbstorganisierendes System

0

1000

2000

3000

4000

5000

0255075100125

025

5075100

Verkehrsstärke  [Fz/h]

MomentaneGeschwindigkeit  [km/h]Verkehrsdichte  [Fz/km]

Gestörter  VerkehrFreier  Verkehr

ZIF

Freie Strecke - Fundamentaldiagramm (k, q)

0

1000

2000

3000

4000

5000

0 25 50 75 100 125

Verkehrsdichte  [Fz/km]

Verkehrsstärke  [Fz/h]

ZIF

1414

CH: Mittlere Zusammenbruchwahrscheinlichkeit

0%

1%

2%

3%

4%

5%

6%

7%

8%

9%

10%

0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00r60=Q60/CVSS

P b

15  -­  25%  5  -­  15%  0  -­    5%

Schwerverkehr:

Que

lle: B

erna

rd u

nd A

xhau

sen

(200

9) S

.13

Auslastung:

ZIF

1515

Big data im Verkehr: Das Versprechen

ZIF

Das Versprechen

Bei aktueller Erfassung aller Bewegungen (der Nutzer und der Fahrzeuge) und der Fahrtwünsche kann den Kunden das

richtige Zeitfenster (slots)

gezeigt oder zugeteilt werden und sofort

die notwendigen Fahrscheine/zeuge

reserviert oder verkauft werden

ZIF

Makler als Umsetzer des Versprechens

Slots in Fahrzeugen: • Taxi: Uber, Lyft, Grab, (und jede Taxizentrale)• Mitfahren: bla-bla-car (und jede Mitfahrzentrale)• Lastern: gogovan (und jede Spedition)• Fahrzeuge: alle carsharing Unternehmen• ÖV und mehr: moovel, MaaS, etc.

Slots im Netz:• Dieser Markt ist im Verkehr noch nicht richtig da• (Parkplatzreservierungssysteme)• Telephonunternehmen

ZIF

Die Erfassungstechnologien

Querschnitt: • Schleifen, Laser, RFID, SRMF, CCTV (Bilderkennung),

Präsenz: • (GPS+) GSM, Wifi, Blue tooth, CCTV, Waagen, Mikrophon

Bewegung: • (GPS+) GSM, Smartcards, verknüpfte Systeme: CCTV,

Smartcards, Wifi, oder Bluetooth

Fahrtwunsch: • Einzelfahrschein, verknüpfte Reservierung, (QZ-

Matrixschätzung)

ZIF

Die Probleme der Erfassungstechnologien

Vollständigkeit• GPS, GSM, RFID, SRMF, Blue tooth, Wifi selektive

Ausstattung der Personen und Fahrzeuge • GPS, GSM, CCTV, Blue tooth, Wifi, RFID durch Verschattung

Genauigkeit, z.B.• Fehler in der Videoauswertung• Eichung der Schleifen, Waagen• Spiegelung der Signale durch Gebäude

Nichtnutzung: • Smartcards, Einzelfahrscheine, (Monatskarten)

ZIF

Fahrtwunschimputation

Unverknüpfte Daten: • Nicht individualisiert: (Dynamische) OD Matrizen

Verknüpfte Daten:• Individualisierte Impution mit historischen Daten

Problem:• Über längere Zeit und entfernte Orte verknüpfte Daten

verletzen die Datenschutzansprüche in Europa und anderenorts

ZIF

Was hilft das bei

ZIF

22

fehlenden ‚slots‘ für die Fahrtwünsche (Jakarta 2014) So

urce

: glo

balin

done

sian

voic

es.co

m

ZIF

Kurzfristige Lösungen

Information über Alternativen vor Fahrtbeginn• Fahrzeiten• Verkehrsmittel• Ziele

Kurzfristig dynamische Preise:• Zur räumlichen und/oder zeitlichen Verlagerung oder

Unterdrückung des Fahrtwunsches (z.B. Uber: surgepricing)

Verkehrsregelung:• Lichtsignalanlagen• Spursperrungen/öffnungen

ZIF

Langfristige Lösungen

Schaffung oder Vernichtung von slots• Bessere Nutzung der vorhandenen Infrastruktur (LSA, AF,

ETCS, usw.)• Strassenraum• Schieneninfrastruktur• ÖV-Linien und deren Frequenz

Mittelfristige dynamische Preise:• Zur Verlagerung oder Unterdrückung des Fahrtwunsches

(z.B. Singapur: ERP; SFpark für die Parkplätze)

Statische Preise:• Verkehrsmittelwahl oder Wahl der Fahrscheinklasse• Fahrzeugbesitzsteuern (Zölle, Luxussteuern, COE (SG))

ZIF

Bewertung und Verfügung über die Lösungen

Kurzfristig (0.5-30 min):• Automatisierte Systeme • Fixe (lokale) Zielfunktionen, die schnell messbar sind• Zeithorizont 0.5 bis 30 (60) min• Statistische Zusammenhänge ohne kausale Begründung

Mittelfristig (Tag)• Nutzergleichgewicht• Systemoptimum

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

ZIF

• Volkszählung (auf Hektarraster) • Lohnerhebung• Gebäuderegister• Netze

• Querschnitte: Schleifen, smart card• Bewegungen: FCD, smart card, GSM

• ‚Small data‘: • Mikrozensen (Verkehrsverhalten, Zeitbudgettagebücher)• Stated choice Experimente • Natürliche Experimente im Netz oder Preissystem

Was könnte man machen?

ZIF

Beobachtung der ‘familiar strangers’ im ÖV

ZIF

42

Anzahl Kontakte versus Nutzungshäufigkeit der BusseSun  et  al.,  2013

43

MontagSun,  2013

44

DienstagSun,  2013

45

... FreitagSun,  2013

46

... über die ganze WocheSun,  2013

47

Eine ,kleine Welt‘ in Singapurs BussenQuelle:  Sun,  et  al.  2013

• Eine Komponente bis Mittwoch

• Durchmesser: 6

• Pfadlänge: 2.95 • (Zufallsgraph: 2.63)

• Durchschnttlocher Clusteringkoefficient: 0.19 • (Zufallsgraph: 4.5x10-4)

• “Small-world”• Watts DJ & Strogatz SH (1998) Collective dynamics of

‘small-world’networks. Nature 393:440-442.

Zusammenfassung

ZIF

49

Im Querschnitt oder wiederholte Querschnitte

Big data erlaubt:

• Bessere Nutzung der bestehenden Kapazitäten

• Umsetzung von Knappheitspreise

• Höheres Bewusstsein der Gesellschaft Ihrer selbst

• Schnellere Erstellung der Modelle und ihre bessere Eichung

50

Im Längsschnitt

Big data erlaubt:

• Bessere Imputation der Fahrtwünsche

• Bessere Imputation aller Konsumwünsche

• Erfassung der Privatsphäre durch • Bewegungsbilder• Kontaktmuster (Telephon, facebook, email, etc.)• Nutzungsmuster (Bücher, Zeitschriften, etc.)

51

Big data

Ersetzt nicht

• Die Verhandlung über die gesellschaftlichen Zielfunktionen

• Die Verhandlung über die gesellschaftlichen Lösung

Fragen ?

ZIF

Appendix

ZIF

Estimation of models – Spatial error model – full modelYear 2000 Year 2005 Year 2010

Independent Variable: Ln mean salary Estimate Pr(>|t|) Estimate Pr(>|t|) Estimate Pr(>|t|)Intercept 6.432 *** 7.068 *** 6.887 ***Ln car accessibility 0.010 ** 0.019 *** 0.011 **Ln public transport accessibility 0.014 ** 0.011 *** 0.012 *Ln number of local employed 0.016 *** 0.010 *** 0.013 ***Commuter from outside Switzerland -0.114 *** -0.094 *** -0.093 ***Short residence permit -0.236 *** -0.134 *** -0.226 ***Average duration in-post 0.003 * 0.008 *** 0.005 ***Ln average age 0.364 *** 0.237 *** 0.322 ***Men 0.169 *** 0.067 *** 0.132 ***Tertiary education 0.834 *** 0.663 *** 0.541 ***Professional training 0.553 *** 0.216 *** 0.324 ***Further vocational training 0.228 *** 0.171 *** 0.231 ***Teaching degree 0.197 ** 0.205 *** 0.321 ***Highschool diploma 0.601 *** 0.179 * 0.258 **Vocational training 0.074 *** 0.030 . 0.021Positions with highest demands 0.420 *** 0.385 *** 0.409 ***Positions with qualified indep. work 0.199 *** 0.246 *** 0.247 ***Positions with professional skills 0.135 *** 0.195 *** 0.140 ***Working (3rd sector) 0.214 *** 0.152 *** 0.056 .Working (other private sector) -0.096 *** -0.099 *** -0.059 ***Working (manufacturing) -0.226 *** -0.252 *** -0.107 ***Working (FIRE) 0.146 *** 0.006 0.085 ***Working (hotel, restaurants) -0.127 *** -0.132 *** -0.111 ***lamda parameter 0.331 *** 0.411 *** 0.402 ***AIC -2731 -4754 -4234AIC ols -2676 -4651 -4143Nagelkerke pseudo-R-squared 0.693 0.665 0.623Residuals' spatial autocorrelation -0.009 -0.009 -0.007OLS residuals' spatial autocorrelation 0.113 *** 0.103 *** 0.097 ***# observations 1448 2298 2229Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Axha

usen

et a

l. , 2

015

ZIF

Model formulation 1/2

ZIF

ℒ(𝜶) = 𝛿'𝜙) 𝛽+𝑥-+,𝛽/𝑥-/,𝛽)𝑥-);𝑷𝟑 𝑑𝒙5 +   1 − 𝛿 : 𝜙/ 𝛽+𝑥-+,𝛽/𝑥-/;𝑷𝟐 𝑑𝒙5

𝒙𝒖𝒑

𝒙𝒍𝒐𝒘

𝒙AB

𝒙𝒍𝒐𝒘

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

Switzerland: Ownership models (1/2)

ZIF

Season-ticket

owner

Car available

Age -0.059 *** 0.099 ***Age squared 0.052 *** -0.088 ***Male -0.132 *** 0.439 ***Working 0.066 *** 0.258 ***University level education 0.146 *** -0.054 **Log of monthly household income 0.075 *** 0.391 ***Center of agglomeration 0.132 *** -0.22 ***Constant 0.052 -6.039 ***

Switzerland: Ownership models (2/2)

ZIF

Season-ticket

owner

Car available

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