Modelowanie wpływu otoczenia trasy na postoje użytkowników rowerów miejskich

Banet, Krystian

Artykuł - szczegóły

Tytuł artykułu

Modelowanie wpływu otoczenia trasy na postoje użytkowników rowerów miejskich

Autorzy

Banet Krystian

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

Warianty tytułu

Modeling the impact of the path environment on urban bicycle user stops

Języki publikacji

Abstrakty

Pojęcie zrównoważonej mobilności jest obecnie jednym z częściej poruszanych zagadnień w transporcie. Z pojęciem tym wiąże się m.in. rozwój ruchu pieszego i proekologicznych środków transportu, do których zaliczają się rowery, w tym rowery publiczne. W niniejszym artykule analizie poddane zostały dane z systemu rowerów publicznych Wavelo, który funkcjonował w latach 2017–2020 w Krakowie. Dane zawierały informacje o wybranych przez użytkowników trasach i czasie podróży, dzięki czemu możliwa była ocena rozkładu czasowo-przestrzennego podróży rowerami miejskimi. Po przeprowadzonej procedurze czyszczenia danych o podróżach rowerowych w ramach systemu Wavelo i filtrowania danych o postojach opracowano metodykę oceny atrakcyjności otoczenia trasy oraz modele regresji logistycznej wpływu otoczenia trasy na postoje użytkowników rowerów miejskich. Dzięki temu uzyskano narzędzie dla decydentów i urbanistów służące do identyfikacji miejsc atrakcyjnych dla rowerzystów, co będzie pomocne w kształtowaniu przestrzeni publicznej pod kątem wymagań tej grupy użytkowników.

The concept of sustainable mobility is one of the more frequently discussed issues in transportation today. Among others, the development of pedestrian traffic and environmentally friendly means of transport, which include bicycles, including public bicycles, is associated with this idea. This article analyzes data from the Wavelo bike sharing system, which operated between 2017 and 2020 in Kraków. The data contained information on user-selected routes and travel times, so that it was possible to assess the spatial and temporal distribution of urban bicycle trips. Following a procedure for cleaning the Wavelo cycling trip data and filtering the stop data, a methodology was developed to assess the attractiveness of the path environment and logistic regression models of the impact of the path environment on urban bicycle user stops. This resulted in a tool for policy makers and urban planners to identify places attractive for cyclists, which will be helpful in shaping public space to meet the requirements of this user group.

Słowa kluczowe

zrównoważona mobilność ruch rowerowy modelowanie systemów transportowych urbanistyka

sustainable mobility bicycle traffic modeling of transport systems urban planning

Wydawca

Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej

Czasopismo

Transport Miejski i Regionalny

Rocznik

2021

Tom

nr 11-12

Strony

31--37

Opis fizyczny

Bibliogr. 43 poz., rys., tab.

Twórcy

autor

Banet Krystian

kbanet@pk.edu.pl

Politechnika Krakowska, Katedra Systemów Transportowych ul. Warszawska 24, 31-155 Kraków

https://orcid.org/0000-0002-9560-483X

Bibliografia

1. Hunt J.D., Abraham J.E., Influences on bicycle use, “Transportation” (Amst)., vol. 34, no. 4, 2007, doi: 10.1007/s11116-006-9109-1.
2. Sener I. N., Eluru N., Bhat C. R., An Analysis of Bicycle Route Choice Preferences Using a Web-Based Survey to Examine Bicycle Facilities, “Transportation” (Amst)., vol. 36, no. 5, 2009.
3. Rudloff C., Lackner B., Modeling Demand for Bikesharing Systems, Transp. Res. Rec. J. Transp. Res. Board, vol. 2430, no. 1, Jan. 2014, doi: 10.3141/2430-01.
4. Shaheen S., Guzman S., Zhang H., Bikesharing in Europe, the Americas, and Asia, Transp. Res. Rec. J. Transp. Res. Board, vol. 2143, no. January 2010, doi: 10.3141/2143-20.
5. Pogodzińska S., Szacowanie natężenia ruchu rowerowego na podstawie danych z systemu rowerów miejskich, „Transport Miejski i Regionalny”, 2018, nr 1.
6. Wang Z., Cheng L., Li Y., Li Z., Spatiotemporal characteristics of bike-sharing usage around rail transit stations: Evidence from Beijing, China, Sustain., vol. 12, no. 4, 2020, doi: 10.3390/su12041299.
7. Wang J., Lindsey G., Neighborhood socio-demographic characteristics and bike share member patterns of use, J. Transp. Geogr., vol. 79, p. 102475, Jul. 2019, doi: 10.1016/j.jtrangeo.2019.102475.
8. Rodrigue J.-P., Comtois C., Slack B., The Geography of Transport Systems, 2009.
9. Tran T. D., Ovtracht N., D’Arcier B. F., Modeling bike sharing system using built environment factors, Procedia CIRP, vol. 30, 2015, doi: 10.1016/j.procir.2015.02.156.
10. Dębowska-Mróz M., Lis P., Kształtowanie przestrzeni transportowej dedykowanej pieszym i rowerzystom jako element poprawy mobilności w miastach, „Autobusy”, 2017, nr 12.
11. Turner S., Sandt L., Toole J., Benz R., Patten R., FHWA University Course on Bicycle and Pedestrian Transportation: Student Workbook, 2006, https://www.fhwa.dot.gov/publications/research/safety/pedbike/05085/pdf/combinedlo.pdf.
12. Fall M., Dąbrowski M., Jak rowery miejskie tworzą „smart cities, Biała Księga Mobilności, 2015.
13. Nair R., Miller-Hooks E., Hampshire R.C., Bušić A., Large-Scale Vehicle Sharing Systems: Analysis of Vélib’, Int. J. Sustain. Transp., vol. 7, no. 1, 2013, doi: 10.1080/15568318.2012.660115.
14. DeMaio P., Bike-sharing: History, impacts, models of provision, and future, J. Public Transp., vol. 12, no. 2004, 2009, doi: 10.1016/0965-8564(93)90040-R.
15. Shaheen S., Guzman S., Zhang H., Bikesharing in Europe, the Americas, and Asia, Transp. Res. Rec. J. Transp. Res. Board, vol. 2143, no. January 2010, doi: 10.3141/2143-20.
16. The Meddin Bike-sharing World Map, https://bikesharingworldmap.com/#/all/2.3/115.34/0/ (dostęp: 30.05.2021).
17. Dębowska-Mróz M., Lis P., Szymanek A., Zawisza T., Rower miejski jako element systemu transportowego w miastach, „Autobusy”, 2017, nr 6.
18. Bryniarska Z., Wilk N., Ocena systemu wypożyczalni rowerów miejskich Wavelo w rakowie, „Transport Miejski i Regionalny”, 2018, nr 10.
19. Zobacz, jak promuje się Wavelo – Magiczny Kraków, https://www.krakow.pl/aktualnosci/205572,29,komunikat,zobacz_jak_promuje_sie_wavelo.html (dostęp: 30.05.2021).
20. Imani A. F., Eluru N., El-Geneidy A., Rabbat M., Haq U., How does land-use and urban form impact bicycle flows: Evidence from the bicycle-1 sharing system (BIXI) in Montreal, 2014, doi: 10.1002/jgrd.50214.
21. Frade I., Ribeiro A., Bicycle Sharing Systems Demand, Procedia – Soc. Behav. Sci., vol. 111, no. February 2014, doi: 10.1016/j.sbspro.2014.01.085.
22. Nikiforiadis A., Aifadopoulou G., Grau J. M. S., Boufidis N., Determining the optimal locations for bike-sharing stations: Methodological approach and application in the city of Thessaloniki, Greece, Transportation Research Procedia, Jan. 2021, vol. 52, doi: 10.1016/j.trpro.2021.01.066.
23. Etienne C., Latifa O., Model-Based count series clustering for bike sharing system usage mining: a case study with the Vélib’ System of Paris, ACM Trans. Intell. Syst. Technol., vol. 5, no. 3, Jul. 2014, doi: 10.1145/2560188.
24. Zhao J., Fan W., Zhai X., Identification of land-use characteristics using bicycle sharing data: A deep learning approach, J. Transp. Geogr., vol. 82, no. August 2019, 2020, doi: 10.1016/j.jtrangeo.2019.102562.
25. Cantelmo G., Kucharski R., Antoniou C., A low dimensional model for bike sharing demand forecasting, MT-ITS 2019 – 6th Int. Conf. Model. Technol. Intell. Transp. Syst., 2019, doi: 10.1109/MTITS.2019.8883283.
26. Barth M., Todd M., Simulation model performance analysis of a multiple station shared vehicle system, Transp. Res. Part C Emerg. Technol., vol. 7, no. 4, 1999, doi: 10.1016/S0968-090X(99)00021-2.
27. Chen L. i in., Dynamic cluster-based over-demand prediction in bike sharing systems, Materiały: 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing – UbiComp ’16, 2016, doi: 10.1145/2971648.2971652.
28. Liu J., Sun L., Chen W., Xiong H., Rebalancing bike sharing systems: a multi-source data smart optimization, Materiały: 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining – KDD ’16, 2016, doi: 10.1145/2939672.2939776.
29. Lin F., Jiang J., Fan J., Wang S., A stacking model for variation prediction of public bicycle traffic flow, Intell. Data Anal., vol. 22, no. 4, Jun. 2018, doi: 10.3233/IDA-173443.
30. Kou Z., Cai H., Understanding bike sharing travel patterns: An analysis of trip data from eight cities, Phys. A Stat. Mech. its Appl., vol. 515, Feb. 2019, doi: 10.1016/j.physa.2018.09.123.
31. Froehlich J., Neumann J., Oliver N., Sensing and predicting the pulse of the city through shared bicycling, IJCAI Int. Jt. Conf. Artif. Intell., no. 3, 2009, doi: 10.1.1.150.4370.
32. Buck D., Buehler R., Bike lanes and other determinants of capital bikeshare trips, Transp. Res. Rec. J. Transp. Res. Board, 2012, http://scholar.google.com/scholar?hl=en&btnG=Search-&q=intitle:Bike+Lanes+and+Other+Determinants+of+Capital+Bikeshare+Trips#0.
33. Daddio D. W., Maximizing Bicycle Sharing: an empirical analysis of capital bikeshare usage, 2012.
34. Wang X. i in., Modeling Bike Share Station Activity: The Effects of Nearby Businesses and Jobs on Trips to and from Stations, Transp. Res. Rec., 2012.
35. Rixey R., Station-Level Forecasting of Bikesharing Ridership, Transp. Res. Rec. J. Transp. Res. Board, vol. 2387, 2013, doi: 10.3141/2387-06.
36. Lin P., Weng J., Hu S., Alivanistos D., Li X., Yin B., Revealing Spatio-Temporal Patterns and Influencing Factors of Dockless Bike Sharing Demand, IEEE Access, vol. 8, Apr. 2020, doi: 10.1109/access.2020.2985329.
37. Brinkmann J., Active Balancing of Bike Sharing Systems, Braunschweig, Germany, 2020.
38. Historyczne dane pomiarowe – Dane meteorologiczne Kraków Balice, https://meteomodel.pl/dane/historyczne-dane-pomiarowe/?data=2017-06-07&rodzaj=st&imgwi-d=350190566&dni=60&ord=desc (dostęp: 18.05.2021).
39. Naumov V., Banet K., Estimating parameters of demand for trips by public bicycle system using GPS data, Adv. Intell. Syst. Comput., vol. 1091 AISC, no. January 2020, doi: 10.1007/978-3-030-35543-2_17.
40. Banet K., Using data on bike-sharing system user stopovers in smart tourism: A case study, Commun. – Sci. Lett. Univ. Zilina, vol. 23, no. 2, Jul. 2021, doi: 10.26552/COM.C.2021.2.G1-G12.
41. Banet K., Modelowanie wpływu otoczenia trasy na parametry podróży rowerami miejskimi, Politechnika Krakowska, 2021.
42. Novakovic J., Veljovi A., Iiic S., Papic Z., Tomovic M., Evaluation of Classification Models in Machine Learning, Theory Appl. Math. Comput. Sci., vol. 7, no. 1, 2017, https://uav.ro/applications/se/journal/index.php/TAMCS/article/view/158.
43. Nowe przepisy dotyczące hulajnóg elektrycznych i urządzeń transportu osobistego – Ministerstwo Infrastruktury – Portal Gov.pl, https://www.gov.pl/web/infrastruktura/nowe-przepisy-dotyczace-hulajnog- elektrycznych-i-urzadzen-transportu-osobistego (dostęp: 30.05.2021).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-c8f7099e-b58c-46bb-85d8-38847504b4eb