Recommended
Recommended
More Related Content
More from Luuk Brederode
More from Luuk Brederode (20)
Presentatie resultaten segmentatie zwaartekrachtmodellen V-MRDH op stedelijkheidsgraad
- 1. Kenmerk: Datum: Segmentatie van bestemmings- keuzemodellen in V-MRDH Jesse Voorhorst - Goudappel Luuk Brederode – DAT.Mobility (spreker) 1 15 december 2022 12322bdl
- 2. - Inhoud Deel 1 (15/12/2022) 1. Context: segmentatie van zwaartekrachtmodellen 2. Stavaza verder segmenteren van zwaartekrachtmodellen binnen V-MRDH 3. Voorlopige conclusies en doorkijk Deel 2 (22/03/2023) 1. Schattingsresultaten en analyse 2. Aandachtspunten, conclusie en doorkijk 27 maart 2023 2
- 3. - Context: segmentatie van zwaartekrachtmodellen 27 maart 2023 3
- 4. - Bi-proportioneel zwaartekrachtmodel Synthetische Hbmatrices (6) 𝛼𝑚 per modaliteit 𝛽𝑚 per modaliteit Riteind Constraints Skims Netwerken SEGS Zwaartekrachtmodel voor …. 6 segmenten per model: • Modaliteit (3) x Autobesch (2) 15 modellen: • Motief (5) x Dagdeel (3) 90 distributiefuncties in 15 modellen (!) Bi-proportioneel zwaartekrachtmodel Synthetische Hbmatrices (6) 𝛼𝑚 per modaliteit 𝛽𝑚 per modaliteit Riteind Constraints Skims Netwerken SEGS Zwaartekrachtmodel voor motief, dagdeel Bi-proportioneel zwaartekrachtmodel Synthetische Hbmatrices (6) 𝛼𝑚 per modaliteit 𝛽𝑚 per modaliteit Riteind Constraints Skims Netwerken SEGS Zwaartekrachtmodel voor overig, ochtendspits Bi-proportioneel zwaartekrachtmodel Synthetische Hbmatrices (6) 𝛼𝑚 per modaliteit 𝛽𝑚 per modaliteit Riteind Constraints Skims Netwerken SEGS Zwaartekrachtmodel voor onderwijs, ochtendspits Bi-proportioneel zwaartekrachtmodel Synthetische Hbmatrices (6) 𝛼𝑚 per modaliteit 𝛽𝑚 per modaliteit Riteind Constraints Skims Netwerken SEGS Zwaartekrachtmodel voor winkel, ochtendspits Bi-proportioneel zwaartekrachtmodel Synthetische Hbmatrices (6) 𝛼𝑚 per modaliteit 𝛽𝑚 per modaliteit Riteind Constraints Skims Netwerken SEGS Zwaartekrachtmodel voor zakelijk, ochtendspits Reguliere segmentatie zwaartekrachtmodellen in V-MRDH 27 maart 2023 4 Bi-proportioneel zwaartekrachtmodel Synthetische Hbmatrices (6) 𝛼 per modaliteit, autobeschikbaarheidsklasse 𝛽 per modaliteit, autobeschikbaarheidsklasse Riteind Constraints Skims Netwerken SEGS Zwaartekrachtmodel voor werk, ochtendspits 6 segmenten per model
- 5. - Distributiefunctie? Wat is dat ook alweer? (1/2) • Een distributiefunctie zet weerstand (in gegeneraliseerde kosten) om in een relatieve aantrekkelijkheid • 𝛼 bepaalt de hoogte van de functie op 𝑐𝑖𝑗 = 0 • 𝛽𝑚 bepaalt het verloop (negatiever steiler) • Het zwaartekrachtmodel verdeelt reizigers over bestemmingen en vervoerwijzen naar rato van de relatieve aantrekkelijkheid per vervoerwijze/bestemming 27 maart 2023 5
- 6. - Voorbeeld: bestemmingskeuze vanuit 1 herkomst naar 2 zones en 3 vervoerwijzen 27 maart 2023 6 𝑓𝑏𝑖𝑘𝑒 𝑐11 = 9 𝑓𝑐𝑎𝑟 𝑐!1 = 8 𝑐11 = 0.5 𝑐12 = 10 𝑓𝑃𝑇 𝑐11 = 0.9 𝑓𝑃𝑇 𝑐12 = 0.09 𝑓𝑐𝑎𝑟 𝑐12 = 0.2 𝑓𝑏𝑖𝑘𝑒 𝑐12 = 0.02 Bestemming f(cijm) 1 2 car 8 0.2 pt 0.9 0.09 bike 9 0.02 18.21 Bestemming Aantal ritten 1 2 car 44% 1% pt 5% 0% bike 49% 0% 100%
- 7. - Waarom verder segmenteren? • In de huidige V-MRDH bepaalt de 𝛽 hoe ver mensen bereid zijn te reizen met een bepaalde vervoerwijze voor een bepaalde activiteit (motief). • In de praktijk hangt deze bereidheid echter ook af van herkomst en bestemming! Bijvoorbeeld: • OV op een intercity-HB is veel gunstiger dan een belbus-HB • Auto wordt uit gewoonte veel vaker gekozen vanuit een rurale herkomst • In de stad zijn mensen sneller genegen de fiets te pakken dan op het platteland • Stedelijkheidsgraad blijkt een hele goede proxy te zijn voor dergelijke HB-type specifieke effecten, getuige een studie uitgevoerd voor WVL in 2019 27 maart 2023 7
- 8. - Verder segmenteren van zwaartekrachtmodellen binnen V-MRDH Stand van zaken 2022-12-15 27 maart 2023 10
- 9. - Uitgangspunten • In eerste instantie alleen verdere segmentatie binnen motief werk • Weer 2 stedelijkheidsklassen op zonaal niveau: Laag (1,2,3,4) en Hoog (5,6) • Dus weer 4 stedelijkheidsklassecombinaties op HB-niveau: • Het aantal zwaartekrachtmodellen blijft 15 (3 dagdelen, 5 motieven) • Het aantal segmenten per zwaartekrachtmodel stijgt van 6 (3 vervoerwijzen, 2 autobeschikbaarheidsklassen) naar 24 (!). • We maken gebruik van dezelfde ODiN data als gebruikt voor de reguliere schatting (2018+2019) 27 maart 2023 11
- 10. - Aantal waargenomen werk-ritten totale dataset Aantal waargenomen werk-ritten van/naar MRDH ODiN data 2018+2019 27 maart 2023 12 Autobest OV fiets Autobest OV fiets Laag > Laag 3,538 103 1,076 2,088 313 1,450 Laag > Hoog 682 308 243 462 407 254 Hoog > Laag 402 49 109 274 239 203 Hoog > Hoog 225 144 295 159 489 668 Laag > Laag 4,658 91 1,819 974 16 254 Laag > Hoog 645 131 157 580 181 141 Hoog > Laag 715 146 179 580 156 128 Hoog > Hoog 277 120 352 453 221 404 Laag > Laag 2,750 95 860 1,689 238 1,287 Laag > Hoog 300 34 83 177 165 149 Hoog > Laag 491 227 181 352 299 193 Hoog > Hoog 151 93 191 100 288 452 Restdag Avond- spits AutoBeschikbaar Niet AutoBeschikbaar Ochtend- spits Auto OV fiets Auto OV fiets Laag > Laag 277 5 73 184 27 125 Laag > Hoog 225 118 76 169 123 65 Hoog > Laag 145 16 20 90 69 39 Hoog > Hoog 156 94 150 109 305 290 Laag > Laag 471 4 129 265 34 227 Laag > Hoog 247 52 46 161 90 61 Hoog > Laag 279 54 47 153 84 59 Hoog > Hoog 188 69 161 119 299 390 Laag > Laag 226 7 52 163 27 98 Laag > Hoog 108 11 19 70 40 28 Hoog > Laag 156 86 61 126 98 51 Hoog > Hoog 109 58 93 73 177 191 Ochtend- spits Restdag Avond- spits AutoBeschikbaar Niet AutoBeschikbaar • Met de aantallen de MRDH gebonden selectie kunnen we onvoldoende uit de voeten • Met de aantallen in de totale (landelijk representatieve) dataset overwegend wel! • We willen dus naar de totale (landelijk representatieve) dataset switchen. Maar is het gedrag dan niet anders?
- 11. - Is het gedrag van de MRDH-inwoners anders? 27 maart 2023 13
- 12. - Voorlopige conclusies en doorkijk 27 maart 2023 14
- 13. - Voorlopige conclusies • Op basis van eerdere ervaringen is de verwachting dat segmentering naar 4 stedelijkheidsklasse combinaties realistischer vervoerwijze/bestemmingskeuze gedrag oplevert • Verder segmenteren o.b.v. MRDH gebonden ODiN 2018+2019 data kan niet • Verder segmenteren o.b.v. landelijke ODiN 2018+2019 data kan wel • Aantallen observaties in vrijwel elk segment voldoende • Datapunten waar dit onvoldoende is zullen we niet meenemen in de schatting • Waargenomen gedrag in MRDH niet significant anders dan landelijk gedrag 27 maart 2023 15
- 14. - Verwachte bijvangst • Op basis van de landelijke gesegmenteerde resultaten wordt het mogelijk om te kijken welke clusters van segmenten er bestaan • Is dagdeel specifieke schatting voor elk motief zinvol? • Is segmentatie naar 4 klassen voor elk motief zinvol? • Voor welke segmenten is het onderscheid naar autobeschikbaarheid relevant? • …? • Naast inzicht in verschillen en overenkomsten tussen segmenten levert het samenvoegen van deze clusters: • Betere databeschikbaarheid • Rekentijdwinst (indien clusters over motieven/dagdelen gevonden worden) 27 maart 2023 17
- 16. Kenmerk: Datum: Schattingsresultaten motief werk Luuk Brederode – DAT.Mobility DEEL 2 27 maart 2023 12322bdl
- 17. - Analyse bèta's motief werk, ochtendsp 27 maart 2023 20 • Auto: Hoog-Laag en Laag-Laag hebben gemiddelde bereidheid tot reizen Hoog-Hoog is verder* bereid te reizen Hoog-Laag in mindere mate ook • Fiets: Laag-Laag heeft gemiddelde bereidheid tot reizen of net iets lager wanneer auto beschikbaar Hoog-Laag en Laag-Hoog is minder ver bereid te reizen Hoog-Hoog kent de hoogste bereidheid tot reizen, vooral wanneer er geen auto beschikbaar is • OV: Hoog-hoog is (veel) verder bereid te reizen Overige segmenten rondom het gemiddelde Autobeschikbaarheid leidt tot andere rangschikking binnen overige segmenten *’verder’ in termen van gegeneraliseerde kosten, dus reistijd + afstand + (op/over/uitstap-)weerstanden
- 18. - Analyse bèta's: interpretatie* 27 maart 2023 21 • Auto: Gemiddelde bereidheid om met auto te reizen vanuit landelijk gebied Grote bereidheid om met auto te reizen tussen steden Bovengemiddelde bereidheid tot reizen naar laag • Fiets: Gemiddelde bereidheid (of net iets lager) om te fietsen tussen landelijke gebieden. Verrassend! Van stedelijk gebied wordt op grote afstanden eerder de auto gepakt, naar stedelijk gebied het OV of de auto Op hoog-hoog relaties wordt het verst gefietst, logisch gezien de fiets-infra op dergelijke relaties • OV: Op treinrelaties wordt relatief ver met OV gereisd Overige segmenten: OV beschikbaarheid is hit or miss Andere rangschikking binnen overige segmenten is verrassend *De parameters representeren correlaties, geen causale verbanden. Dit is pure eigen interpretatie!
- 19. - 27 maart 2023 22 Effect van segmentatie op wegvakniveau fiets (o.b.v. AON Toedeling om routekeuze uit te sluiten) Verschillen in fietsers ochtendspits motief werk • Hoger reistijdbudget (bèta) voor fiets (nab) op stedelijke relaties leidt tot toenames • Lager reistijdbudget (bèta) voor fiets op landelijke relaties leidt tot afnames • Click voor Analytics workspace t.b.v. interactieve weergave
- 20. - Effect van segmentatie op wegvakniveau auto (o.b.v. AON Toedeling om routekeuze uit te sluiten) 27 maart 2023 23 • Hoger reistijdbudget (bèta) voor auto op stedelijke relaties leidt tot toenames op HWN • Binnenstedelijke afnames zijn met name gevolg van modal split effect van toename fiets op deze relaties • Lager reistijdbudget (bèta) voor auto (nab) op landelijke relaties is niet zichtbaar op wegvakniveau, want auto (nab) is een heel klein segment, en het wordt overschaduwd door hoger reistijdbudget (bèta) op stedelijk<>landelijke relaties Verschillen in personenauto’s ochtendspits motief werk
- 21. - Effect van segmentatie op wegvakniveau OV 27 maart 2023 24 • Hoger reistijdbudget (bèta) voor OV op stedelijke relaties leidt tot toenames in trein • Forse afnames in bus, tram, metro buiten de steden. Dit is met name een modal split effect door de toename auto • Forse afnames in bus, tram, metro in Rotterdam (fiets toenames zijn daar ook sterker), maar overwegend toenames in Den Haag (fiets toenames zijn daar ook zwakker) Verschillen in OV reizigers ochtendspits motief werk
- 22. - Aandachtspunten (1/3) • De verschillen in parameters (en dus ook toedeelresultaten) zijn veroorzaakt door: 1. Segmentatie op stedelijkheidsgraad vs geen segmentatie 2. Schatting op landelijke ODiN data vs schatting op MRDH gerelateerde ODiN data • Ik denk dat het effect van 1 veel groter is dan dat van 2, maar een extra niet gesegmenteerde schattingsrun o.b.v. landelijke ODiN data is nodig om dat te toetsen • Dat zou ook gelijk antwoord op de vraag geven hoe anders het gedrag van MRDH bewoners is t.o.v. het landelijk gemiddelde gedrag 27 maart 2023 25
- 23. - Aandachtspunten (2/3) • De verschillen in toedeelresultaten per modaliteit zijn veroorzaakt door 1. Effecten op bestemmingskeuze (als gevolg van de bèta's) 2. Effecten op vervoerwijzekeuze (als gevolg van bèta's, en geschaald naar OViN dmv de modal split parameters (alphas)). • Deze effecten zijn niet te isoleren uit deze resultaten, al heb ik dat wel o.b.v. mijn eigen interpretatie geprobeerd (bij de fiets en OV plaatjes). Isoleren kan wel door: • Kort door de bocht: schaal de matrices per modaliteit naar de totalen van de referentie run • Draai een tri-proportioneel (ipv bi-proportioneel) zwaartekrachtmodel zodat het effect van alpha’s geïsoleerd kan worden. Dit zou ook de parameterschatting kunnen versnellen en verbeteren* 27 maart 2023 26 *Zie Brederode, L., Pots, M., Fransen, R., Brethouwer, J.-T., 2019. Big Data fusion and parametrization for strategic transport demand models, in: 2019 6th International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS). Presented at the 2019 6th International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS), pp. 1–8. https://doi.org/10.1109/MTITS.2019.8883333
- 24. - Aandachtspunten (3/3) • De plaatjes tonen alleen de verschillen op totaalniveau • Tussen de segmenten onderling zitten waarschijnlijk nog veel aansprekender verschillen • Omwille van beschikbare tijd is hier nu niet ingedoken 27 maart 2023 27
- 25. - Clusteren van segmenten • Zie slide 17 over waarom clusteren • Op basis van de parameters lijkt het logisch om: • Per modaliteit / autobeschikbaarheid- klasse de segmenten die op/rondom het gemiddelde liggen samen te nemen: • Per modaliteit / autobeschikbaarheid-klasse de segmenten die dicht bij elkaar liggen samen te nemen: • Bovenstaande zou leiden tot 17 ipv 24 segmenten; merk op dat de gehanteerde tolerantie en welke parameters samen genomen worden hier nog tamelijk arbitrair gekozen is • Dit zou moeten gebeuren op basis van test-analyses op het effect en wenselijkheid vanuit de toepassing • Clustering over autobeschikbaarheidsklassen, motieven of dagdelen kan ook, is nu nog niet naar gekeken 27 maart 2023 28 C
- 26. - Conclusies en doorkijk • Segmentering op stedelijkheidsgraad binnen motief werk in de ochtendspits laat veelbelovende resultaten zien • Er is nog veel bijvangst en verbreding mogelijk • Uiteen trekken van vervoerwijze- en bestemmingskeuze effecten • Verbreding naar alle dagdelen en motieven • Clustering van segmenten • Uiteen trekken verschillen in gedrag (bèta's) en ruimtelijk systeem (skims, segs) door herhaling op een ander regiomodel: kunnen we naar een landelijke set gesegmenteerde parameters voor toepassing in alle regio’s? 27 maart 2023 29