Szacowanie natężenia ruchu rowerowego na podstawie danych z systemu rowerów miejskich

Pogodzińska, S.

Artykuł - szczegóły

Tytuł artykułu

Szacowanie natężenia ruchu rowerowego na podstawie danych z systemu rowerów miejskich

Autorzy

Pogodzińska S.

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

Warianty tytułu

Estimation of bicycle traffic flow based on bike share system data

Języki publikacji

Abstrakty

W artykule przedstawiono metodę szacowania natężenia ruchu rowerowego na podstawie danych GPS z systemu rowerów miejskich. Badania wykonano na przykładzie miasta Krakowa, wykorzystując dane o dobowym natężeniu ruchu rowerowego z 5 pętli pomiaru automatycznego oraz dane GPS z systemu rowerów miejskich Wavelo. Na podstawie dwuczynnikowej analizy wariancji (ANOVA) oraz testu post-hoc Tukey’a określono wpływ czynników „lokalizacja” i „dzień tygodnia” na udział rowerów systemu miejskiego w całym potoku rowerzystów. Wykazano, że badany udział zmienia się statystycznie istotnie pomiędzy analizowanymi lokalizacjami. W przypadku udziału szacowanego w poszczególnych dniach tygodnia zmiana jest nieistotna. Wyznaczona zależność pomiędzy ogólnym natężeniem ruchu rowerowego i natężeniem ruchu rowerów systemu Wavelo charakteryzuje się wysokimi współczynnikami determinacji R2 (przekraczającymi wartość 0,90) oraz średnim błędem oszacowania nie większym od 11,5%. Wyniki przeprowadzonych badań wskazują na możliwość szacowania natężenia całości ruchu rowerowego na podstawie danych GPS z systemu rowerów miejskich. Praktyczne wdrożenie takiego sposobu szacowania natężenia ruchu rowerowego wymaga jednak przeprowadzenia pomiarów kontrolnych weryfikujących opracowane zależności wraz z określeniem wpływu lokalizacji przekroju pomiarowego.

The article presents a method of estimation of bicycle traffic flow based on the GPS data from bike share system. Analyses have been made for the city of Krakow, using daily traffic data from 5 automatic counter loops and the GPS data from bike share system called Wavelo. Based on the two-factor analysis of variance (ANOVA) and the Tukey post-hoc test, the influence of „localization” and „day of the week” factors on the share of Wavelo bicycles in the entire bicycle flow was estimated. It has been proved that examined share is not significantly different between individual days of the week, but changes significantly between analyzed locations. Developed models are characterized by the high R2 coefficients (exceeding 0.90) and average error of estimation up to 11.5%. The results of the studies show that bicycle traffic flow can be estimated based on the GPS data provided by bike share system. However, it is necessary to carry out control measurements to verify developed models and their possibilities of application in bicycle traffic flow estimation in other locations.

Słowa kluczowe

natężenie ruchu rowerowego system rowerów miejskich dane GPS Wavelo

bicycle traffic flow bike share system GPS data Wavelo

Wydawca

Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej

Czasopismo

Transport Miejski i Regionalny

Rocznik

2018

Tom

nr 1

Strony

5--11

Opis fizyczny

Bibliogr. 40 poz., rys., tab.

Twórcy

autor

Pogodzińska S.

spogodzinska@pk.edu.pl

Instytut Inżynierii Drogowej, Kolejowej i Transportu, Politechnika Krakowska, ul. Warszawska 24, 31-155 Kraków

Bibliografia

1. Jónasson Á., Eiriksson H., Eðvarðsson I., Helgason K., Sæmundsson T., Optimizing expenditure on cycling roads using cyclists’ GPS data, School of Computer Science, Reykjavik University, 2013.
2. Strauss J., Miranda-Moreno L.F., Morency P., Mapping cyclist activity injury risk in a network combining smartphone GPS data bicycle counts, „Accident Analysis Prevention”, vol. 83, 2015.
3. Chen C., Anderson J.C., Wang H., Wang Y., Vogt R., Hernandez S., How bicycle level of traffic stress correlate with reported cyclist accidents injury severities: A geospatial mixed logit analysis, „Accident Analysis Prevention”, vol. 108, 2017.
4. Strauss J., Miranda-Moreno L.F., Morency P., Cyclist activity injury risk analysis at signalized intersections: A Bayesian modelling approach, „Accident Analysis Prevention”, vol. 59, 2013.
5. Miranda-Moreno L.F., Nosal T., Weather or not to cycle; whether or not cyclist ridership has grown: a look at weather’s impact on cycling facilities temporal trends in an urban environment, „Journal of the Transportation Research Board”, vol. 2247, 2011.
6. Liggett R., et al., Bicycle Crash Risk: How Does It Vary, Why?, Raport z projektu, 2016.
7. Lu T., Buehler R., Mondschein A., Hankey S., Designing a bicycle pedestrian traffic monitoring program to estimate annual average daily traffic in a small rural college town, „Transport and Environment”, vol. 53, 2017.
8. Schepers J.P., Kroeze P.A., Sweers W., Wüst J. C., Road factors bicycle-motor vehicle crashes at unsignalized priority intersections, „Accident Analysis Prevention”, vol. 43, no. 3, 2011.
9. Kröyer H.R.G., Pedestrian bicyclist flows in accident modelling at intersections. Influence of the length of observational period, „Safety Science”, vol. 82, 2016.
10. Beca Pty Ltd, Queensland Cycle Crash Models, Raport z projektu, 2013.
11. Amoh-Gyimah R., Saberi M., Sarvi M., Macroscopic modeling of pedestrian bicycle crashes: A cross-comparison of estimation methods, „Accident Analysis Prevention”, vol. 93, 2016.
12. Minikel E., Cyclist safety on bicycle boulevards parallel arterial routes in Berkeley, California, „Accident Analysis Prevention”, vol. 45, 2012.
13. Gates T.J., et al., Development of Safety Performance Functions Other Decision Support Tools to Assess Pedestrian Bicycle Safety, Transportation Research Center for Livable Communities (TRCLC), Report no. TRCLC 14–6, 2016.
14. Harvey F., Krizek K., Commuter Bicyclist Behavior Facility Disruption, Minnesota Department of Transportation, Report no. MN/RC-2007-15, 2007.
15. Menghini G., Carrasco N., Schüssler N., Axhausen K.W., Route choice of cyclists in Zurich, „Transportation Research Part A: Policy and Practice”, vol. 44, no. 9, 2010.
16. Broach J., Gliebe J., Dill J., Bicycle route choice model developed using revealed preference GPS data, TRB 2011 Annual Meeting, vol. 5464, 2011.
17. Broach J., Dill J., Gliebe J., Where do cyclists ride? A route choice model developed with revealed preference GPS data, „Transportation Research Part A: Policy and Practice”, vol. 46, no. 10,2012.
18. Reddy S., Shilton K., Denisov G., Cenizal C., Estrin D., Srivastava M., Biketastic: Sensing Mapping for Better Biking, Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI '10), vol. 3, 2010.
19. Hood J., Sall E., Charlton B., A GPS-based bicycle route choice model for San Francisco, California, „The International Journal of Transportation Research”, vol. 3, no. 1, 2011.
20. Hudson J.G., Duthie J.C., Rathod Y.K., Larsen K.A., Meyer J.L., Using Smartphones to Collect Bicycle Travel Data in Texas, Department of Transportation, Report no. UTCM 11-35-69, 2012.
21. Romanillos G., Zaltz Austwick M., Madrid cycle track: visualizing the cyclable city, „Journal of Maps”, vol. 12, no. 5, 2016.
22. Van de Coevering P., De Kruijf J., Bussche D., Policy Renewal Innovation by means of Tracking technology, Bijdrage aan het Colloquium Vervoersplanologisch Speurwerk, November, 2014.
23. Zimmermann M., Mai T., Frejinger E., Bike route choice modeling using GPS data without choice sets of paths, Transportation Research Part C: Emerging Technologies, vol. 75, no. October, 2017.
24. Strauss J., Zangenehpour S., Miranda-Moreno L.F., Saunier N., Cyclist deceleration rate as surrogate safety measure in Montreal using smartphone GPS data, Accident Analysis Prevention, vol. 99,2017.
25. Strauss J., Miranda-Moreno L.F., Speed, travel time delay for intersections road segments in the Montreal network using cyclist Smartphone GPS data, Transportation Research Part D: Transport and Environment, vol. 57, 2017.
26. El-Geneidy A., Krizek K.J., Iacono M., Predicting Bicycle Travel Speeds Along Different Facilities Using GPS Data: A Proof of Concept Model, Transportation Research Board, 86th Annual Meeting, Washington D.C., 2007.
27. Ma X., Luo D., Modeling cyclist acceleration process for bicycle traffic simulation using naturalistic data, Transportation Research Part F: Traffic Psychology and Behaviour, vol. 40, 2016.
28. Parkin J., Rotheram J., Design speeds acceleration characteristics of bicycle traffic for use in planning, design appraisal, Transport Policy, vol. 17, no. 5, 2010.
29. Luo D., Ma X., Modeling of Cyclist Acceleration Behavior Using Naturalistic GPS Data, Transportation Research Board, 95th Annual Meeting, January, 2016.
30. Gustafsson L., Archer J., A naturalistic study of commuter cyclists in the greater Stockholm area, Accident Analysis Prevention, vol. 58, 2013.
31. Manar A., Cao G., Adapting Car Traffic Models Concepts to Bicycle Traffic, Circular E-C197: Celebrating 50 Years of Traffic Flow Theory,2015.
32. Dill J., Bicycling for Transportation Health: The Role of Infrastructure, Journal of Public Health Policy, vol. 30, no. S1, 2009.
33. Woodcock J., Tainio M., Cheshire J., O’Brien O., Goodman A., Health effects of the London bicycle sharing system: health impact modelling study, BMJ, vol. 348, 2014.
34. Joo S., Oh C., Jeong E., Lee G., Categorizing bicycling environments using GPS-based public bicycle speed data, Transportation Research Part C: Emerging Technologies, vol. 56, 2015.
35. Fishman E., Schepers P., Global bike share: What the data tells us about road safety, Journal of Safety Research, vol. 56, 2016.
36. Buck D., Buehler R., Happ P., Rawls B., Chung P., Borecki N., Are Bikeshare Users Different from Regular Cyclists? A First Look at Short-Term Users, Annual Members, Area Cyclists in the Washington DC Region, Transportation Research Record: Journal of the Transportation Research Board, vol. 2387, 2013.
37. Fournier N., Christofa E., Knodler M.A., A sinusoidal model for seasonal bicycle demestimation, Transportation Research Part D: Transport and Environment, vol. 50, 2017.
38. Imani A.F., Eluru N., El-Geneidy A.M., Rabbat M., Haq U., How does land-use and urban form impact bicycle flows: Evidence from the bicycle-sharing system (BIXI) in Montreal, Journal of Transport Geography, vol. 41, 2014.
39. Łastowska A., Bryniarska Z., Analiza funkcjonowania wypożyczalni rowerów miejskich w Krakowie, „Transport Miejski i Regionalny”, 2015, nr 12.
40. Stanisz A., Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. Tom 2. Modele liniowe i nieliniowe. StatSoft Polska Sp. z o.o., 2007.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-3bb759a3-456b-481d-b30a-6f3b265c9372