Komunikacja zbiorowa – droga do wysokiej jakości rozwiązań transportowych

• Autorzy: Ilba Mateusz

Warianty tytułu

EN

Public transport – way to high quality urban transport solutions

• Języki publikacji: PL

Abstrakty

EN

Transport is one of the factors influencing the development of metropolitan areas. However, for its efficient work, numerous optimizations are required. Main tasks are shortening travel time, improving service quality and increasing the number of passengers served. The author has presented current studies on the field in optimization of public transport, mainly ways to optimize the transport network construction, based on large data sets about the population and their communication behaviour. Methods of combining various types of public transport with each other are presented. In the paper also are presents authors studies on the communication accessibility within the city of Cracow. Estimated distances from buildings to various types of public transport stops. The results were presented in aggregated form. Calculated communication speed of three types of public transport functioning in Cracow has also been discussed.

Słowa kluczowe

PL

optymalizacja transportu publicznego; analiza dostępności transportu publicznego; transport w Krakowie

EN

optimization of public transport; analysis of the availability of public transport; transport in Cracow

• Wydawca: Komitet Przestrzennego Zagospodarowania Kraju PAN ; Towarzystwo Urbanistów Polskich
• Czasopismo: Biuletyn Komitetu Przestrzennego Zagospodarowania Kraju PAN
• Rocznik: 2018
• Tom: No 272
• Strony: 230--242
• Opis fizyczny: Bibliogr. 26 poz., ryc., tab.

Twórcy

autor

Ilba Mateusz

• Uniwersytet Ekonomiczny w Krakowie, Wydział Gospodarki i Administracji Publicznej, Katedra Gospodarki Regionalnej, ul. Rakowicka 27, 31-510 Kraków

Bibliografia

• 1. Agard B., Morency C., Trépanier M., 2006, Mining public transport user behaviour from smart card data. IFAC Proceedings Volumes, 39(3): 399–404.
• 2. Allan, A., 2018, Transport Map [https://wiki.openstreetmap.org/wiki/Transport_Map].
• 3. Brzuchowska J., 2010, Propozycje analiz zjawisk transportowych oparte na mapach rastrowych i narzędziach GIS. Czasopismo Techniczne. Architektura, 107(1-A): 125–138.
• 4. Caprara A., Fischetti M., Toth P., 2002, Modeling and solving the train timetabling problem. Operations Research, 50(5): 125–138.
• 5. Cichociński P., Dębińska E., 2012, Badanie dostępności komunikacyjnej wybranej lokalizacji z wykorzystaniem funkcji analiz sieciowych. Roczniki Geomatyki–Annals of Geomatics, 10(4 (54)): 41–48.
• 6. Daniels R., Mulley C., 2013, Explaining walking distance to public transport: The dominance of public transport supply. Journal of Transport and Land Use, 6(2): 5–20.
• 7. Ding C., Wang D., Ma X., Li H., 2016, Predicting short-term subway ridership and prioritizing its influential factors using gradient boosting decision trees. Sustainability, 8(11).
• 8. Dybalski J., 2014, Jak daleko do przystanku to za daleko? [https://www.transport-publiczny.pl/wiadomosci/jak-daleko-do-przystanku-to-za-daleko–2440.html].
• 9. Gadziński J., 2012, Lokalizacja przystanków a konkurencyjność transportu publicznego w aglomeracji poznańskiej, [w:] Transport publiczny w aglomeracji poznańskiej – propozycje usprawnień, M. Szymczak (red.). Biblioteka Aglomeracyjna, 9: 69–90.
• 10. Gadziński J., Beim M., 2009, Dostępność przestrzenna lokalnego transportu publicznego w Poznaniu. Transport Miejski i Regionalny, 5: 10–16.
• 11. Guzik R., 2003, Przestrzenna dostępność szkolnictwa ponadpodstawowego w województwie małopolskim. Instytut Geografii i Gospodarki Przestrzennej Uniwersytetu Jagiellońskiego, Kraków.
• 12. Kisielewski P., Ulman B., 2016, Planowanie rozkładów jazdy komunikacji miejskiej w aspekcie punktualności i synchronizacji kursów. Autobusy: Technika, Eksploatacja, Systemy Transportowe, 17: 648–653.
• 13. Lantseva A.A., Ivanov S.V., 2018, Assessment of pedestrian flow volumes through public transport modelling. Procedia Computer Science, 136: 463–471.
• 14. Li Y., Wang X., Sun S., Ma X., Lu G., 2017, Forecasting short-term subway passenger flow under special events scenarios using multiscale radial basis function networks. Transportation Research Pt C: Emerging Technologies, 77: 306–328.
• 15. Łepecki M., 2013, Autobus kontra samochody: zaskakujący wynik eksperymentu [https:// krakow.onet.pl/autobus-kontra-samochody-zaskakujacy-wynik-eksperymentu/ qzzj4].
• 16. Mendes-Moreira J., Moreira-Matias L., Gama J., de Sousa J.F., 2015, Validating the coverage of bus schedules: A machine learning approach. Information Sciences, 293: 299– 313.
• 17. MPK Kraków S.A., 2018, Mapki komunikacyjne [http://www.mpk.krakow.pl/pl/mapki- -komunikacyjne].
• 18. Nguyen-Phuoc D.Q., Currie G., De Gruyter C., Young W., 2018, How do public transport users adjust their travel behaviour if public transport ceases? A qualitative study. Transportation Research Pt F: Traffic Psychology and Behaviour, 54: 1–14.
• 19. Oostendorp R., Gebhardt L., 2018, Combining means of transport as a users’ strategy to optimize traveling in an urban context: empirical results on intermodal travel behavior from a survey in Berlin. Journal of Transport Geography, 71: 72–83.
• 20. Piątkowski P., Kraczkowski A., Surówka L., 2016, Analiza efektywności transportu zbiorowego w mieście. Autobusy: Technika, Eksploatacja, Systemy Transportowe, 17: 669–674.
• 21. PKP S.A., 2018, Wyszukiwarka połączeń kolejowych [https://rozklad-pkp.pl/].
• 22. Serafini P., Ukovich W., 1989, A mathematical model for periodic scheduling problems. SIAM Journal on Discrete Mathematics, 2(4): 550–581.
• 23. Świderski A., 2011, Neuronowe modelowanie oceny jakości usług transportowych. Logistyka, (4): 962–969.
• 24. Urząd Miasta Poznania, 2014, Plan transportowy aglomeracji poznańskiej [http://www. plantap.pl/wskazniki/zbiorowy/dane-techniczne/].
• 25. Vansteenwegen P., van Oudheusden D., 2006, Developing railway timetables which guarantee a better service. European Journal of Operational Research, 173(1): 337–350.
• 26. Wei Y., Chen M.C., 2012, Forecasting the short-term metro passenger flow with empirical mode decomposition and neural networks. Transportation Research Pt C: Emerging Technologies, 21(1): 148–162.