![Page 1: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/1.jpg)
Bevorzugter Zitierstil für diesen Vortrag
Axhausen, K.W. (2016) Big Data und Mobilität: WelcheVerkehrsprobleme können ‘Big Data’ nicht lösen?, Vortrag beider ZIF-KONFERENZ “Big Data - Herausforderung furWissenschaft und Gesellschaft”, Universität Bielefeld, Oktober2016.
ZIF
![Page 2: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/2.jpg)
Big Data und Mobilität: WelcheVerkehrsprobleme können ‘Big Data’ nicht lösen?
KW Axhausen
IVTETHZürich
Oktober 2016
![Page 3: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/3.jpg)
Danksagung
A Loder für die Arbeiten zum PW/GA Besitz
G Sarlas und R Fuhrer zum Lohn-Errreichbarkeitszusammenhang
L Sun für die ‘big data’ Analyse
P Fourie und A Erath für MATSim SG und MATSim CEPAS
ZIF
![Page 4: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/4.jpg)
Aktuelle Probleme in z.B. Singapur
ZIF
![Page 5: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/5.jpg)
Busgeschwindigkeiten in Singapur (2012)
ZIF
Sun,
201
3
![Page 6: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/6.jpg)
Zeitliche Abstände der Busses einer Linie (SG) (2012)
ZIF
Sun,
201
3
![Page 7: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/7.jpg)
Konzeptioneller Ansatz
ZIF
![Page 8: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/8.jpg)
Verkehr ist
ein System sich selbstorganisiernder, bewegender
Warteschlangen
ZIF
![Page 9: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/9.jpg)
Die entscheidende kurzfristige Wechselwirkung ist die
zwischen der Kapazität, d.h. der
Anzahl Zeitfenster (slots)
für die gewünschte Geschwindigkeit und der
momentanen Nachfrage
ZIF
![Page 10: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/10.jpg)
Wartezeiten als Funktion der Auslastung (M/M/1)
0
25
50
75
100
125
150
0% 20% 40% 60% 80% 100%
Belastung [Prozent der Leistungsfähigkeit]
Mittlere Wartezeit [sek]
)(
1
λµµλµ
−=
−= WWS
ZIF
![Page 11: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/11.jpg)
Stadtverkehr als geregeltes SystemKn
oten
punk
tsfo
rmen
unte
r am
erik
anis
chen
Bed
ingu
ngen
un
ter b
estim
mte
n An
nahm
en z
ur V
erte
ilung
der
Be
last
ung;
ein
spur
ig
0
25
50
75
0 1'000 2'000 3'000 4'000
Gesamtverkehrsstärke [Fz/h]
Mittlere Wartezeit [Fz/h]
Zwei-Stop-SchilderAlles-Stop-SchilderLSA ohne AbbiegespurenKreisverkehrLSA mit Abbiegespuren
ZIF
![Page 12: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/12.jpg)
Freie Strecke als selbstorganisierendes System
0
1000
2000
3000
4000
5000
0255075100125
025
5075100
Verkehrsstärke [Fz/h]
MomentaneGeschwindigkeit [km/h]Verkehrsdichte [Fz/km]
Gestörter VerkehrFreier Verkehr
ZIF
![Page 13: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/13.jpg)
Freie Strecke - Fundamentaldiagramm (k, q)
0
1000
2000
3000
4000
5000
0 25 50 75 100 125
Verkehrsdichte [Fz/km]
Verkehrsstärke [Fz/h]
ZIF
![Page 14: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/14.jpg)
1414
CH: Mittlere Zusammenbruchwahrscheinlichkeit
0%
1%
2%
3%
4%
5%
6%
7%
8%
9%
10%
0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00r60=Q60/CVSS
P b
15 - 25% 5 - 15% 0 - 5%
Schwerverkehr:
Que
lle: B
erna
rd u
nd A
xhau
sen
(200
9) S
.13
Auslastung:
ZIF
![Page 15: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/15.jpg)
1515
Big data im Verkehr: Das Versprechen
ZIF
![Page 16: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/16.jpg)
Das Versprechen
Bei aktueller Erfassung aller Bewegungen (der Nutzer und der Fahrzeuge) und der Fahrtwünsche kann den Kunden das
richtige Zeitfenster (slots)
gezeigt oder zugeteilt werden und sofort
die notwendigen Fahrscheine/zeuge
reserviert oder verkauft werden
ZIF
![Page 17: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/17.jpg)
Makler als Umsetzer des Versprechens
Slots in Fahrzeugen: • Taxi: Uber, Lyft, Grab, (und jede Taxizentrale)• Mitfahren: bla-bla-car (und jede Mitfahrzentrale)• Lastern: gogovan (und jede Spedition)• Fahrzeuge: alle carsharing Unternehmen• ÖV und mehr: moovel, MaaS, etc.
Slots im Netz:• Dieser Markt ist im Verkehr noch nicht richtig da• (Parkplatzreservierungssysteme)• Telephonunternehmen
ZIF
![Page 18: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/18.jpg)
Die Erfassungstechnologien
Querschnitt: • Schleifen, Laser, RFID, SRMF, CCTV (Bilderkennung),
Präsenz: • (GPS+) GSM, Wifi, Blue tooth, CCTV, Waagen, Mikrophon
Bewegung: • (GPS+) GSM, Smartcards, verknüpfte Systeme: CCTV,
Smartcards, Wifi, oder Bluetooth
Fahrtwunsch: • Einzelfahrschein, verknüpfte Reservierung, (QZ-
Matrixschätzung)
ZIF
![Page 19: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/19.jpg)
Die Probleme der Erfassungstechnologien
Vollständigkeit• GPS, GSM, RFID, SRMF, Blue tooth, Wifi selektive
Ausstattung der Personen und Fahrzeuge • GPS, GSM, CCTV, Blue tooth, Wifi, RFID durch Verschattung
Genauigkeit, z.B.• Fehler in der Videoauswertung• Eichung der Schleifen, Waagen• Spiegelung der Signale durch Gebäude
Nichtnutzung: • Smartcards, Einzelfahrscheine, (Monatskarten)
ZIF
![Page 20: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/20.jpg)
Fahrtwunschimputation
Unverknüpfte Daten: • Nicht individualisiert: (Dynamische) OD Matrizen
Verknüpfte Daten:• Individualisierte Impution mit historischen Daten
Problem:• Über längere Zeit und entfernte Orte verknüpfte Daten
verletzen die Datenschutzansprüche in Europa und anderenorts
ZIF
![Page 21: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/21.jpg)
Was hilft das bei
ZIF
![Page 22: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/22.jpg)
22
fehlenden ‚slots‘ für die Fahrtwünsche (Jakarta 2014) So
urce
: glo
balin
done
sian
voic
es.co
m
ZIF
![Page 23: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/23.jpg)
Kurzfristige Lösungen
Information über Alternativen vor Fahrtbeginn• Fahrzeiten• Verkehrsmittel• Ziele
Kurzfristig dynamische Preise:• Zur räumlichen und/oder zeitlichen Verlagerung oder
Unterdrückung des Fahrtwunsches (z.B. Uber: surgepricing)
Verkehrsregelung:• Lichtsignalanlagen• Spursperrungen/öffnungen
ZIF
![Page 24: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/24.jpg)
Langfristige Lösungen
Schaffung oder Vernichtung von slots• Bessere Nutzung der vorhandenen Infrastruktur (LSA, AF,
ETCS, usw.)• Strassenraum• Schieneninfrastruktur• ÖV-Linien und deren Frequenz
Mittelfristige dynamische Preise:• Zur Verlagerung oder Unterdrückung des Fahrtwunsches
(z.B. Singapur: ERP; SFpark für die Parkplätze)
Statische Preise:• Verkehrsmittelwahl oder Wahl der Fahrscheinklasse• Fahrzeugbesitzsteuern (Zölle, Luxussteuern, COE (SG))
ZIF
![Page 25: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/25.jpg)
Bewertung und Verfügung über die Lösungen
Kurzfristig (0.5-30 min):• Automatisierte Systeme • Fixe (lokale) Zielfunktionen, die schnell messbar sind• Zeithorizont 0.5 bis 30 (60) min• Statistische Zusammenhänge ohne kausale Begründung
Mittelfristig (Tag)• Nutzergleichgewicht• Systemoptimum
Langfristig:• Kosten-Nutzen-Analysen • (Verhandelte) ‚teure‘ Zielfunktionen • Zeithorizont bis zu 30 Jahre oder mehr• Modelle mit kausalen Begründungen
ZIF
![Page 26: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/26.jpg)
Modelle für langfristige Prognosen
ZIF
![Page 27: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/27.jpg)
Agentenbasierte Simulation Singapores
ZIF
![Page 28: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/28.jpg)
Vereinfachtes Gesamtmodel
ZIF
mMFDqcarqbusqrail
vcarvbusvrail
AcccarAccbusAccrail
ncar
nGA
NumberPop, Firm
ProductivityIncome
taxcar
taxGA
feePT
feecar
budgettransport
%capcar %capbus%caprail
taxincome
![Page 29: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/29.jpg)
Was wissen wir?
ZIF
![Page 30: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/30.jpg)
Erreichbarkeit und Produktivität: Schweiz
ZIF
AcccarAccbusAccrail
ProductivityIncome
![Page 31: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/31.jpg)
Bevölkerungserreichbarkeit mit dem ÖV: 2010Ax
haus
en e
t al. ,
201
5
ZIF
![Page 32: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/32.jpg)
Räumliches Regressionsmodelle (nicht alle Variablen)Ax
haus
en e
t al. ,
201
5
2000 2005 2010
Y: Ln mean salary Estimate Sig. Estimate Sig. Estimate Sig.
Intercept 6.43*** 7.07*** 6.89***Ln car accessibility 0.01** 0.02 *** 0.01**Ln public transport accessibility 0.01** 0.01*** 0.01*Ln number of local employed 0.02 *** 0.01*** 0.01***From outside Switzerland -0.11 *** -0.09*** -0.09***Average duration in-post 0.00* 0.01*** 0.01***Ln average age 0.36*** 0.24 *** 0.32 ***Men 0.17*** 0.07*** 0.13***lamda parameter 0.33*** 0.41*** 0.40 ***Nagelkerke pseudo-R-squared 0.693 0.665 0.623# observations 1448 2298 2229
ZIF
![Page 33: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/33.jpg)
Erreichbarkeit und Mobilitätswerkzeuge: Schweiz 2010
ZIF
AcccarAccbusAccrail
ncar
nGA
![Page 34: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/34.jpg)
Schweiz: Besitz und Haushaltseinkommen
ZIF
![Page 35: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/35.jpg)
Schweiz: Besitz und Gesamterreichbarkeit
ZIF
![Page 36: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/36.jpg)
Fahrzeuge und Geschwindigkeiten
ZIF
MFDqcar vcar
![Page 37: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/37.jpg)
3d MFD (Zürich, FCD & Schleifen) Stadtzentrum
ZIF
Lode
r et a
l., 20
16
![Page 38: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/38.jpg)
3d MFD (Zürich, FCD & Schleifen) Stadtzentrum
ZIF
Lode
r et a
l., 20
16
![Page 39: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/39.jpg)
(Big data) in den Modellen für die langfristigen Ansätze
ZIF
• Volkszählung (auf Hektarraster) • Lohnerhebung• Gebäuderegister• Netze
• Querschnitte: Schleifen, smart card• Bewegungen: FCD, smart card, GSM
• ‚Small data‘: • Mikrozensen (Verkehrsverhalten, Zeitbudgettagebücher)• Stated choice Experimente • Natürliche Experimente im Netz oder Preissystem
![Page 40: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/40.jpg)
Was könnte man machen?
ZIF
![Page 41: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/41.jpg)
Beobachtung der ‘familiar strangers’ im ÖV
ZIF
![Page 42: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/42.jpg)
42
Anzahl Kontakte versus Nutzungshäufigkeit der BusseSun et al., 2013
![Page 43: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/43.jpg)
43
MontagSun, 2013
![Page 44: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/44.jpg)
44
DienstagSun, 2013
![Page 45: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/45.jpg)
45
... FreitagSun, 2013
![Page 46: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/46.jpg)
46
... über die ganze WocheSun, 2013
![Page 47: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/47.jpg)
47
Eine ,kleine Welt‘ in Singapurs BussenQuelle: Sun, et al. 2013
• Eine Komponente bis Mittwoch
• Durchmesser: 6
• Pfadlänge: 2.95 • (Zufallsgraph: 2.63)
• Durchschnttlocher Clusteringkoefficient: 0.19 • (Zufallsgraph: 4.5x10-4)
• “Small-world”• Watts DJ & Strogatz SH (1998) Collective dynamics of
‘small-world’networks. Nature 393:440-442.
![Page 48: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/48.jpg)
Zusammenfassung
ZIF
![Page 49: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/49.jpg)
49
Im Querschnitt oder wiederholte Querschnitte
Big data erlaubt:
• Bessere Nutzung der bestehenden Kapazitäten
• Umsetzung von Knappheitspreise
• Höheres Bewusstsein der Gesellschaft Ihrer selbst
• Schnellere Erstellung der Modelle und ihre bessere Eichung
![Page 50: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/50.jpg)
50
Im Längsschnitt
Big data erlaubt:
• Bessere Imputation der Fahrtwünsche
• Bessere Imputation aller Konsumwünsche
• Erfassung der Privatsphäre durch • Bewegungsbilder• Kontaktmuster (Telephon, facebook, email, etc.)• Nutzungsmuster (Bücher, Zeitschriften, etc.)
![Page 51: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/51.jpg)
51
Big data
Ersetzt nicht
• Die Verhandlung über die gesellschaftlichen Zielfunktionen
• Die Verhandlung über die gesellschaftlichen Lösung
![Page 52: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/52.jpg)
Fragen ?
ZIF
![Page 53: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/53.jpg)
Appendix
ZIF
![Page 54: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/54.jpg)
Estimation of models – Spatial error model – full modelYear 2000 Year 2005 Year 2010
Independent Variable: Ln mean salary Estimate Pr(>|t|) Estimate Pr(>|t|) Estimate Pr(>|t|)Intercept 6.432 *** 7.068 *** 6.887 ***Ln car accessibility 0.010 ** 0.019 *** 0.011 **Ln public transport accessibility 0.014 ** 0.011 *** 0.012 *Ln number of local employed 0.016 *** 0.010 *** 0.013 ***Commuter from outside Switzerland -0.114 *** -0.094 *** -0.093 ***Short residence permit -0.236 *** -0.134 *** -0.226 ***Average duration in-post 0.003 * 0.008 *** 0.005 ***Ln average age 0.364 *** 0.237 *** 0.322 ***Men 0.169 *** 0.067 *** 0.132 ***Tertiary education 0.834 *** 0.663 *** 0.541 ***Professional training 0.553 *** 0.216 *** 0.324 ***Further vocational training 0.228 *** 0.171 *** 0.231 ***Teaching degree 0.197 ** 0.205 *** 0.321 ***Highschool diploma 0.601 *** 0.179 * 0.258 **Vocational training 0.074 *** 0.030 . 0.021Positions with highest demands 0.420 *** 0.385 *** 0.409 ***Positions with qualified indep. work 0.199 *** 0.246 *** 0.247 ***Positions with professional skills 0.135 *** 0.195 *** 0.140 ***Working (3rd sector) 0.214 *** 0.152 *** 0.056 .Working (other private sector) -0.096 *** -0.099 *** -0.059 ***Working (manufacturing) -0.226 *** -0.252 *** -0.107 ***Working (FIRE) 0.146 *** 0.006 0.085 ***Working (hotel, restaurants) -0.127 *** -0.132 *** -0.111 ***lamda parameter 0.331 *** 0.411 *** 0.402 ***AIC -2731 -4754 -4234AIC ols -2676 -4651 -4143Nagelkerke pseudo-R-squared 0.693 0.665 0.623Residuals' spatial autocorrelation -0.009 -0.009 -0.007OLS residuals' spatial autocorrelation 0.113 *** 0.103 *** 0.097 ***# observations 1448 2298 2229Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Axha
usen
et a
l. , 2
015
ZIF
![Page 55: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/55.jpg)
Model formulation 1/2
ZIF
ℒ(𝜶) = 𝛿'𝜙) 𝛽+𝑥-+,𝛽/𝑥-/,𝛽)𝑥-);𝑷𝟑 𝑑𝒙5 + 1 − 𝛿 : 𝜙/ 𝛽+𝑥-+,𝛽/𝑥-/;𝑷𝟐 𝑑𝒙5
𝒙𝒖𝒑
𝒙𝒍𝒐𝒘
𝒙AB
𝒙𝒍𝒐𝒘
Case Choice Probability1 None 𝑃+ = Φ/(−𝑥+𝛽+;−𝑥/𝛽/;𝚸/)2 Car & no ticket 𝑃/ = Φ/(−𝑥+𝛽+;𝑥/𝛽/;𝚸/)3 Car & local ticket 𝑃) = Φ)(𝑥+𝛽+;𝑥/𝛽/ −𝑥) 𝛽);𝚸))4 Car & GA 𝑃F = Φ)(𝑥+𝛽+;𝑥/𝛽/;𝑥)𝛽);𝚸))5 No car & local ticket 𝑃F = Φ)(𝑥+𝛽+;−𝑥/𝛽/;−𝑥)𝛽);𝚸))6 No car & GA 𝑃G = Φ)(𝑥+𝛽+;−𝑥/𝛽/;𝑥)𝛽);𝚸))
Choice environment
Likelihood function
Estimation method: • Maximum simulated likelihood in Stata using Newton Raphson technique• Using draws to compute the integral
![Page 56: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/56.jpg)
Model formulation 2/2
ZIF
𝛿 Sample selection dummy, equal to 1 if observation holds season ticket
ΦH N-dimensional cumulative distribution function of the normal distribution
𝜙H N-dimensional probability density function of the normal distribution
𝛽 Parameters of the model
Σ Symmetric correlation matrix with typical elements 𝜌KL and 𝜌KK = 1. The same correlations appear in both Σ/ and Σ) by using their Cholesky decomposition and estimating the Cholesky factors in the model
𝛼 Parameter vector to be estimated that contains all 𝛽 and Choleskyfactors of Σ
𝒙NO,PQR Upper and lower limits of integration domain, determined by values of each observation
![Page 57: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/57.jpg)
Switzerland: Ownership models (1/2)
ZIF
Season-ticket
owner
Car available
Age -0.059 *** 0.099 ***Age squared 0.052 *** -0.088 ***Male -0.132 *** 0.439 ***Working 0.066 *** 0.258 ***University level education 0.146 *** -0.054 **Log of monthly household income 0.075 *** 0.391 ***Center of agglomeration 0.132 *** -0.22 ***Constant 0.052 -6.039 ***
![Page 58: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/58.jpg)
Switzerland: Ownership models (2/2)
ZIF
Season-ticket
owner
Car available
Local access to public transport: E -0.474 *** 0.505 ***Local access to public transport: D -0.348 *** 0.384 ***Local access to public transport: C -0.253 *** 0.286 ***Local access to public transport: B -0.097 *** 0.154 ***General accessibility 0.089 *** -0.028 ***Surplus public transport acc. -0.005 *** -0.066 ***Surplus workplace accessibility 0.729 *** -0.527 ***
![Page 59: Big Data und Mobilität: Welche Verkehrsprobleme können ‘Big … · 2017. 11. 30. · Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2016) Big Data und Mobilität:](https://reader036.vdokument.com/reader036/viewer/2022071212/60281e7fb3c4032c4a147c09/html5/thumbnails/59.jpg)
Switzerland: GA given season ticket (2/2)
ZIF
Generalabonnement
Secondary residence 0.302 ***Log of monthly household income 0.128 ***Self-reported distance [1000km] 0.005 ***Constant -2.188 ***
Error correlations
Car available GASeason ticket -0.44 0.62Car available -0.24