Possibility of big data application for OD-matrix callibration in transport demand models

• Autorzy: Brzeziński Andrzej , Dybicz Tomasz

Identyfikatory

DOI

10.24425/ace.2021.136470

Warianty tytułu

PL

Możliwość zastosowania Big Data do kalibracji macierzy źródło-cel w modelach podróży

• Języki publikacji: EN

Abstrakty

EN

Modern IT and telecommunications technologies create new possibilities of data acquisition for the needs of traffic analyses and transport planning. At the same time, the current experience suggests that it is becoming increasingly difficult to obtain data on interurban travels of people in a traditional way (among others, in Poland there has been no comprehensive survey of drivers on the sections of non-urban roads since 2006). Within the framework of the INMOP 3 research project, an attempt was made to analyse the use of the Big Data application possibilities including data from SIM cards of the mobile telephony operator [1] and data from probe vehicle data (also known as “floating car data”), as data sources for carrying out the traffic analyses and modelling of travels by all means of transport in Poland. The article presents the manner, in which the data were used, as well as methodological recommendations for creating transport models at the national, regional and local levels. Especially the results of work can be applied for systematic passenger cars trip matrix update.

PL

Współczesne technologie informatyczne oraz telekomunikacyjne tworzą nowe możliwości pozyskiwania danych na potrzeby analiz ruchu i modelowania systemów transportu. Równocześnie dotychczasowe doświadczenia wskazują, że coraz trudniej jest pozyskiwać dane o międzymiastowych podróżach osób w sposób tradycyjny (między innymi od 2006 r. nie odbyło się żadne kompleksowe badanie ankietowe kierowców na odcinkach dróg zamiejskich). Prowadzone są jedynie wyrywkowe badania w małej skali do tego w sposób niesystematyczny. Tworzy to problemy lub wręcz uniemożliwia wykonywanie systematycznej aktualizacji modeli systemów transportowych, które są stosowane do analiz i prognozowania ruchu. Dotyczy to także Krajowego Modelu Ruchu Generalnej Dyrekcji Dróg Krajowych i Autostrad stosowanego praktycznie we wszystkich największych projektach drogowych w Polsce, zwłaszcza w budowie autostrad i dróg ekspresowych. Dane typu Big Data w stosunku do danych gromadzonych w sposób tradycyjny (np. na podstawie badań i pomiarów) zbierane są na skalę hurtową. Mogą być gromadzone, analizowane i udostępniane w czasie przeszłym (pozyskane wstecz). W szczególnych przypadkach mogą być pozyskiwane i analizowane w czasie rzeczywistym (np. dane o prędkościach pojazdów pozyskiwane z sondowania pojazdów w centrach zarządzania ruchem). Możliwe jest również zaplanowanie okresów dla których dostawcy danych będą je pozyskiwać z uwzględnieniem specjalnych wymogów, jak np. uwzględnienie wybranej szczególnej grupy użytkowników. W ramach projektu badawczego INMOP 3 podjęto próbę wykorzystania do modelowania podróży danych z tzw. sondowania pojazdów, czyli danych o użytkownikach nawigacji satelitarnej i systemów GPS zamontowanych w pojazdach, bez informacji osobowych i rzeczywistych identyfikatorów pojazdów. Pozyskano dane z ponad 80 tys. pojazdów flotowych wyposażonych we wbudowane urządzenia GPS oraz 275 tys. urządzeń i aplikacji do nawigacji osobistej. Ujęto je w formie macierzy podróży odbywanych pomiędzy rejonami komunikacyjnymi. Przyjęty w projekcie układ rejonów komunikacyjnych opiera się o administracyjny podział kraju na powiaty. Uwzględniono w nim również przejścia graniczne drogowe i kolejowe, porty morskie i lotniska.

Słowa kluczowe

EN

big data; traffic modelling; trip matrix; trip distribution; traffic forecast; vehicle probe data

PL

big data; modelowanie podróży; macierz podróży; rozkład przestrzenny ruchu; prognoza ruchu; sondowanie pojazdu

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2021
• Tom: Vol. 67, nr 1
• Strony: 215--232
• Opis fizyczny: Bibliogr. 10 poz., il., tab.

Twórcy

autor

Brzeziński Andrzej

• Warsaw University of Technology, Faculty of Civil Engineering, Warsaw, Poland

autor

Dybicz Tomasz

• Warsaw University of Technology, Faculty of Civil Engineering, Warsaw, Poland

Bibliografia

• 1. Brzeziński A., Dybicz T., Szymański Ł.: Demand Model in the Agglomeration using Sim Cards, w: Archives of Civil Engineering, vol. 65, nr 1, 2019, ss. 143-156, DOI:10.2478/ace-2019-0010
• 2. M. Baręsewicz, Big data w statystyce publicznej - nadzieje, osiągnięcia, wyzwania i zagrożenia, Ekonometria 2(48), (2015)
• 3. L. Douglas, "3D Data Management: Controlling Data Volume, Velocity and Variety". Gartner. February (2001)
• 4. A. De Mauro, M. Greco, M. Grimaldi, "A Formal definition of Big Data based on its essential Features". Library Review. 65: 122-135. doi:10.1108/LR-06-2015-0061, (2016)
• 5. Feasibility Study on the Use of Mobile Positioning Data for Tourism Statistics Consolidated Report Eurostat Contract No 30501.2012.001-2012.452; Eurostat (2014)
• 6. A. Brzeziński, T. Dybicz, K. Jesionkiewicz-Niedzińska, Ł. Szymański, Zastosowanie "Big Data do budowy sezonowych macierzy podróży w Krajowym Modelu Ruchu". Problemy komunikacyjne miast w warunkach zatłoczenia motoryzacyjnego. Annały inżynierii ruchu i badań transportowych, t.1 (XI), (2017)
• 7. A. Brzeziński, T. Dybicz, Ł. Szymański, P. Włodarek, "Innowacyjne podejście do budowy Krajowego Modelu Ruchu". Problemy komunikacyjne miast w warunkach zatłoczenia motoryzacyjnego. Annały inżynierii ruchu i badań transportowych, t.1 (XI), (2017)
• 8. Klasyfikacja NUTS3 wg. http://stat.gov.pl/statystyka-regionalna/jednostki-terytorialne/klasyfikacja-nuts/klasyfikacja-nuts-w-polsce/, stan wg 1 stycznia 2018 r.
• 9. Generalny Pomiar Ruchu 2015 w którym dla odcinków sieci podany jest SDRD, a dla każdego odcinka pomiarowego podana jest jego długość. Zbiór taki jest dostępny dla obydwu typów dróg i w prosty sposób można uzyskać sumaryczną pracę przewozową.
• 10. Raport GUS o wielkości pracy przewozowej na sieci dróg z roku 2015.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).