Bevorzugter Zitierstil für diesen Vortrag

Transkript

1 Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität: Welche Verkehrsprobleme können Big Data nicht lösen?, Vortrag bei der -KONFERENZ Big Data - Herausforderung fu r Wissenschaft und Gesellschaft, Universität Bielefeld, Oktober 2016.

2 Big Data und Mobilität: Welche Verkehrsprobleme können Big Data nicht lösen? KW Axhausen IVT ETH Zürich Oktober 2016

3 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

4 Aktuelle Probleme in z.b. Singapur

5 Busgeschwindigkeiten in Singapur (2012) Sun, 2013

6 Zeitliche Abstände der Busses einer Linie (SG) (2012) Sun, 2013

7 Konzeptioneller Ansatz

8 Verkehr ist ein System sich selbstorganisiernder, bewegender Warteschlangen

9 Die entscheidende kurzfristige Wechselwirkung ist die zwischen der Kapazität, d.h. der Anzahl Zeitfenster (slots) für die gewünschte Geschwindigkeit und der momentanen Nachfrage

10 Wartezeiten als Funktion der Auslastung (M/M/1) 150 Mittlere Wartezeit [sek] W S 1 = W µ λ = µ ( µ λ) % 20% 40% 60% 80% 100% Belastung [Prozent der Leistungsfähigkeit]

11 Stadtverkehr als geregeltes System 75 Knotenpunktsformen unter amerikanischen Bedingungen unter bestimmten Annahmen zur Verteilung der Belastung; einspurig Mittlere Wartezeit [Fz/h] Zwei-Stop-Schilder Alles-Stop-Schilder LSA ohne Abbiegespuren Kreisverkehr LSA mit Abbiegespuren 0 1'000 2'000 3'000 4'000 Gesamtverkehrsstärke [Fz/h]

12 Freie Strecke als selbstorganisierendes System 5000 Gestörter Verkehr Freier Verkehr Verkehrsstärke [Fz/h] Verkehrsdichte [Fz/km] Momentane Geschwindigkeit [km/h]

13 Freie Strecke - Fundamentaldiagramm (k, q) 5000 Verkehrsstärke [Fz/h] Verkehrsdichte [Fz/km]

14 CH: Mittlere Zusammenbruchwahrscheinlichkeit 10% Schwerverkehr: Quelle: Bernard und Axhausen (2009) S.13 P b 9% 8% 7% 6% 5% 4% 3% 2% 1% 0% 15-25% 5-15% 0-5% Auslastung: r 60 =Q 60 /C VSS 14

15 Big data im Verkehr: Das Versprechen 15

16 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

17 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

18 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)

19 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)

20 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

21 Was hilft das bei

22 fehlenden slots für die Fahrtwünsche (Jakarta 2014) Source: globalindonesianvoices.com 22

23 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: surge pricing) Verkehrsregelung: Lichtsignalanlagen Spursperrungen/öffnungen

24 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))

25 Bewertung und Verfügung über die Lösungen Kurzfristig ( 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

26 Modelle für langfristige Prognosen

27 Agentenbasierte Simulation Singapores

28 Vereinfachtes Gesamtmodel tax income Income Productivity Number Pop, Firm tax car tax GA n car n GA Acc car Acc bus Acc rail fee car fee PT q car q bus q rail mmfd v car v bus v rail budget transport %cap car %cap bus%cap rail

29 Was wissen wir?

30 Erreichbarkeit und Produktivität: Schweiz Income Productivity Acc car Acc bus Acc rail

31 Bevölkerungserreichbarkeit mit dem ÖV: 2010 Axhausen et al., 2015

32 Räumliches Regressionsmodelle (nicht alle Variablen) Y: Ln mean salary Estimate Sig. Estimate Sig. Estimate Sig. Axhausen et al., 2015 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 *** *** *** 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 # observations

33 Erreichbarkeit und Mobilitätswerkzeuge: Schweiz 2010 n car n GA Acc car Acc bus Acc rail

34 Schweiz: Besitz und Haushaltseinkommen

35 Schweiz: Besitz und Gesamterreichbarkeit

36 Fahrzeuge und Geschwindigkeiten q car MFD v car

37 3d MFD (Zürich, FCD & Schleifen) Stadtzentrum Loder et al., 2016

38 3d MFD (Zürich, FCD & Schleifen) Stadtzentrum Loder et al., 2016

39 (Big data) in den Modellen für die langfristigen Ansätze 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

40 Was könnte man machen?

41 Beobachtung der familiar strangers im ÖV

42 Sun et al., 2013 Anzahl Kontakte versus Nutzungshäufigkeit der Busse 42

43 Montag Sun,

44 Dienstag Sun,

45 ... Freitag Sun,

46 ... über die ganze Woche Sun,

47 Eine,kleine Welt in Singapurs Bussen Eine Komponente bis Mittwoch Durchmesser: 6 Pfadlänge: 2.95 (Zufallsgraph: 2.63) Quelle: Sun, et al Durchschnttlocher Clusteringkoefficient: 0.19 (Zufallsgraph: 4.5x10-4 ) Small-world Watts DJ & Strogatz SH (1998) Collective dynamics of small-world networks. Nature 393:

48 Zusammenfassung

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 49

50 Im Längsschnitt Big data erlaubt: Bessere Imputation der Fahrtwünsche Bessere Imputation aller Konsumwünsche Erfassung der Privatsphäre durch Bewegungsbilder Kontaktmuster (Telephon, facebook, , etc.) Nutzungsmuster (Bücher, Zeitschriften, etc.) 50

51 Big data Ersetzt nicht Die Verhandlung über die gesellschaftlichen Zielfunktionen Die Verhandlung über die gesellschaftlichen Lösung 51

52 Fragen?

53 Appendix

54 Estimation of models Spatial error model full model Axhausen et al., 2015 Year 2000 Year 2005 Year 2010 Independent Variable: Ln mean salary Estimate Pr(> t ) Estimate Pr(> t ) Estimate Pr(> t ) Intercept *** *** *** Ln car accessibility ** *** ** Lnpublic transport accessibility ** *** * Ln number of local employed *** *** *** Commuter from outside Switzerland *** *** *** Short residence permit *** *** *** Average duration in-post * *** *** Ln average age *** *** *** Men *** *** *** Tertiary education *** *** *** Professional training *** *** *** Further vocational training *** *** *** Teaching degree ** *** *** Highschool diploma *** * ** Vocational training *** Positions with highest demands *** *** *** Positions with qualified indep. work *** *** *** Positions with professional skills *** *** *** Working (3rd sector) *** *** Working (other private sector) *** *** *** Working (manufacturing) *** *** *** Working (FIRE) *** *** Working (hotel, restaurants) *** *** *** lamda parameter *** *** *** AIC AIC ols Nagelkerke pseudo-r-squared Residuals' spatial autocorrelation OLS residuals' spatial autocorrelation *** *** *** # observations Signif. codes: 0 *** ** 0.01 *

55 Model formulation 1/2 Choice environment Case Choice Probability 1 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 P F = Φ ) (x + β + ;x / β / ;x ) β ) ;Ρ ) ) 5 No car & local ticket P F = Φ ) (x + β + ; x / β / ; x ) β ) ;Ρ ) ) 6 No car & GA P G = Φ ) (x + β + ; x / β / ;x ) β ) ;Ρ ) ) Likelihood function x AB L(α) = δ ' φ ) β + x- +, β / x- /, β ) x- ) ;P 3 dx5 + 1 δ x low x up : φ / β + x- +,β / x- / ;P 2 dx5 x low Estimation method: Maximum simulated likelihood in Stata using Newton Raphson technique Using draws to compute the integral

56 Model formulation 2/2 δ Φ H φ H β Sample selection dummy, equal to 1 if observation holds season ticket N-dimensional cumulative distribution function of the normal distribution N-dimensional probability density function of the normal distribution Parameters of the model Σ Symmetric correlation matrix with typical elements ρ KL and ρ KK = 1. The same correlations appear in both Σ / and Σ ) by using their Cholesky decomposition and estimating the Cholesky factors in the model α x NO,PQR Parameter vector to be estimated that contains all β and Cholesky factors of Σ Upper and lower limits of integration domain, determined by values of each observation

57 Switzerland: Ownership models (1/2) Seasonticket owner Car available Age *** *** Age squared *** *** Male *** *** Working *** *** University level education *** ** Log of monthly household income *** *** Center of agglomeration *** *** Constant ***

58 Switzerland: Ownership models (2/2) Seasonticket owner Car available Local access to public transport: E *** *** Local access to public transport: D *** *** Local access to public transport: C *** *** Local access to public transport: B *** *** General accessibility *** *** Surplus public transport acc *** *** Surplus workplace accessibility *** ***

59 Switzerland: GA given season ticket (2/2) General abonnement Secondary residence *** Log of monthly household income *** Self-reported distance [1000km] *** Constant *** Error correlations Car available GA Season ticket Car available -0.24