ݺߣ

ݺߣShare a Scribd company logo

Strafica Telia Crowd Insights

•Download as PPTX, PDF•
•
Sonera
Sonera

Istutko ruuhkassa vai eteneekö matka? Mobiiliverkkodata liikennesuunnittelun ytimessä

1 of 11
Download to read offline
Istutko ruuhkassa vai eteneekö matka? Mobiiliverkkodata liikennesuunnittelun ytimessä! 14.3.2018 | Markku Kivari, Strafica Oy
Strafica  Perustettu v. 2000  Liikevaihto n. 2,0 milj. euroa (2017) – ELY-keskukset (39 %) – Kunnat (23 %), Maakuntaliitot (6 %), – Liikennevirasto (16 %) – HSL (9 %) – Trafi (4 %) – Vienti (3%) – LVM (1 %), Yritykset (1 %)  SKOL (2016): Liikennetekniikassa 3. suurin yritys  Työntekijöitä yhteensä 20 kpl  www.strafica.fi  http://apps.strafica.fi/  www.mobilitymodeling.com Olemme suomalainen avainhenkilöidensä perustama ja omistama insinööritoimisto
Osaaminen ja palvelut  Liikennejärjestelmien ja maankäytön strategiat  Liikenteen tutkimukset, analyysit ja mallit  Liikennepolitiikan selvitykset  Älyliikenne ja liikenteen hallinta  Liikenteen ja liikenteen järjestelmien vaikutusten arviointi  Maankäytön ja palveluverkkojen vaikutusten mallintaminen ja arviointi  Liikenneverkkojen ja väylänpidon selvitykset  Kestävän liikkumisen ja liikkumisen ohjauksen suunnitelmat  Joukkoliikenteen suunnitelmat ja selvitykset  Jalankulun ja pyöräilyn selvitykset  Liikenneturvallisuus  Liikennesuunnitelmat  Pyöräliikenteen suunnitelmat ja ohjeistukset
Miksi liikkumistietoa tarvitaan…  Perinteiset käyttötavat – Hankesuunnittelu (mitoitus, vaikutukset, ennen- jälkeen, jne.) – Operatiivinen suunnittelu (reitti- ja linjastosuunnittelu, liikenteen ohjaus- ja hallinta, kalustoselvitykset, jne.) – Mallintaminen – Tilastointi ja muutosten seuranta  Uudempia käyttötarpeita / -kohteita: – Reaaliaikatiedon hyödyntäminen operatiivisessa toiminnassa – Jatkuva muutoksen seuranta – Viipymäanalyysit – Tiedottamisen/markkinoinnin kohdentaminen – Jne.
… ja miten sitä kerätään Perinteisiä  Liikkumiskyselyt (henkilöhaastattelut, paneelihaastattelut, stated preference, jne.)~tilastollisesti luotettavin, työläs/hidas/kallis?  Laskennat / mittaaminen (automaattiset laskurit, kameratunnistus, matka-aikamittaus, jne) ~useimmiten pistemäistä tietoa  Tienvarsihaastattelut, kulkutapakohtaiset kyselyt ~häiriö käyttäjälle. Uudempia:  Kehittyneemmät kameratunnistuksen menetelmät ~OD tieto puutteellinen  Reaaliaikadata liikenteestä (jatkuvat mittauspisteet, GPS-paikannus, jne.) ~kertoo ensisijassa järjestelmän toimivuudesta  Sosiaalisen median tietojen hyödyntäminen ”Big data”  Mobiiliverkkodata ~ kokonaiskuva toteutuneesta
Maailma muuttuu – muuttuuko suunnittelu?  Muutoksen nopeus (esim. liikkumispalveluissa), reagointikyky! => Datan elinkaari lyhenee, ”parasta ennen”  Yksilöllisyys, tarpeiden pirstaloituminen! => ”sitä saa mitä tilaa”, osataanko kysyä oikeita asioita? Luottamus instituutioihin rapautuu, mutta sosiaalinen luottamus digipalveluissa lisääntynyt! => Perinteiset kyselyt aiempaa haastavampia  Tehokkuusvaatimukset lisääntyvät => Enemmän, nopeammin, edullisemmin,
Nostoja kansainvälisestä tutkimuksesta (1/3)  Resestatistik för långväga resor baserat på aggregerade och anonymiserade mobil-nätsdata (2018, Linköpings universitet, ITN) – “Mobile network data describing the travel in Sweden for journeys over 100 kilometers was compared with data from RVU Sverige based on the number of journeys, the geographic spread of the travel, its distribution over time, and its length.”  ”Möjligheten att få rimliga uppskattningar på långväga totalresande och geografisk fördelning är redan i dagsläget mycket god.”  ”Baserat på de mobilnätsdata som gjorts tillgänglig för detta pilotprojekt så RVU-data (24 kk) Mobiiliverkkodata (2 kk)
Nostoja kansainvälisestä tutkimuksesta (2/3)  Investigating the mobile phone data to estimate the origin- destination flow and analysis; case study: Paris region (Transportation Research Procedia 6 ( 2015 ) 64–78) – “In the first step, the metro segments are possible to be detected.” – “Secondly, it turns out that the commuter trains are rather traceable.” – “For road traffic this segmentation is only possible on long continuous distances, when the mean speed is relatively high and when consecutives segments are near to the high speed roads such a highway, internal and externals rings.”
Nostoja kansainvälisestä tutkimuksesta (3/3)  Origin-Destination Trip Matrix Development: Conventional Methods versus Mobile Phone Data (Transportation Research Procedia 26 (2017), 39–52): – “Comparison of assigned flows with traffic counts across a range of independent screenlines (trip-ends (NTEM), trip rates (NTS), trip length distributions (NTS).” – “The outcome of using the mobile phone data, when systematically refined and adjusted using independent data sources to address various known limitations and biases, does not seem to be either biased or less accurate than conventional methods, using RSI data.” – “Where no RSI data or other similar observed data are available, use of mobile data could result in a more consistent estimate of trips, benefiting from a significantly larger sample size.”
Mobiiliverkkodatan haasteita ja etuja Haasteet:  Kulkutavan tunnistus kaupunkiliikenteessä ei onnistu riittävän laajasti  Matkan tarkoitukset vain päättelemällä  Käyttäjän taustatiedot rajallisesti saatavilla  Otoksen vinoutuminen Edut:  Havaintomäärät O-D tasolla erittäin suuria, korvaa ainakin osittain otoksen vinoutumaongelmaa  Toistettavuus  Nopeus  Reagointi jälkikäteen  Matkan reitti- ja aikatiedot osamatkoittain.
Sovelluskohteita ainakin …. Business as usual:  Poikkeustilanteiden jälkeen analyysit  Pitkämatkaisen liikenteen suuntautuminen ja kulkutavat (Kaupunkiseutujen/maakuntien välisen liikenteen suuntautuminen valtakunnantasolla)  Säännöllisten yleisötilaisuuksien räätälöidyt liikkumispalvelut  Liikennekäytäväselvitykset  Kauppakeskusten ja vastaavien kohteiden vaikutusalueanalyysit  Viipymäanalyysit (pysäköinti jne.)  Ennen – jälkeen analyysit  Täydentävä aineisto perinteisten tutkimusten rinnalla => Kotitehtävä: Mitä kokonaan uudenlaisia käyttökohteita voidaan tunnistaa?

More Related Content

Strafica Telia Crowd Insights

  • 1. Istutko ruuhkassa vai eteneekö matka? Mobiiliverkkodata liikennesuunnittelun ytimessä! 14.3.2018 | Markku Kivari, Strafica Oy
  • 2. Strafica  Perustettu v. 2000  Liikevaihto n. 2,0 milj. euroa (2017) – ELY-keskukset (39 %) – Kunnat (23 %), Maakuntaliitot (6 %), – Liikennevirasto (16 %) – HSL (9 %) – Trafi (4 %) – Vienti (3%) – LVM (1 %), Yritykset (1 %)  SKOL (2016): Liikennetekniikassa 3. suurin yritys  Työntekijöitä yhteensä 20 kpl  www.strafica.fi  http://apps.strafica.fi/  www.mobilitymodeling.com Olemme suomalainen avainhenkilöidensä perustama ja omistama insinööritoimisto
  • 3. Osaaminen ja palvelut  Liikennejärjestelmien ja maankäytön strategiat  Liikenteen tutkimukset, analyysit ja mallit  Liikennepolitiikan selvitykset  Älyliikenne ja liikenteen hallinta  Liikenteen ja liikenteen järjestelmien vaikutusten arviointi  Maankäytön ja palveluverkkojen vaikutusten mallintaminen ja arviointi  Liikenneverkkojen ja väylänpidon selvitykset  Kestävän liikkumisen ja liikkumisen ohjauksen suunnitelmat  Joukkoliikenteen suunnitelmat ja selvitykset  Jalankulun ja pyöräilyn selvitykset  Liikenneturvallisuus  Liikennesuunnitelmat  Pyöräliikenteen suunnitelmat ja ohjeistukset
  • 4. Miksi liikkumistietoa tarvitaan…  Perinteiset käyttötavat – Hankesuunnittelu (mitoitus, vaikutukset, ennen- jälkeen, jne.) – Operatiivinen suunnittelu (reitti- ja linjastosuunnittelu, liikenteen ohjaus- ja hallinta, kalustoselvitykset, jne.) – Mallintaminen – Tilastointi ja muutosten seuranta  Uudempia käyttötarpeita / -kohteita: – Reaaliaikatiedon hyödyntäminen operatiivisessa toiminnassa – Jatkuva muutoksen seuranta – Viipymäanalyysit – Tiedottamisen/markkinoinnin kohdentaminen – Jne.
  • 5. … ja miten sitä kerätään Perinteisiä  Liikkumiskyselyt (henkilöhaastattelut, paneelihaastattelut, stated preference, jne.)~tilastollisesti luotettavin, työläs/hidas/kallis?  Laskennat / mittaaminen (automaattiset laskurit, kameratunnistus, matka-aikamittaus, jne) ~useimmiten pistemäistä tietoa  Tienvarsihaastattelut, kulkutapakohtaiset kyselyt ~häiriö käyttäjälle. Uudempia:  Kehittyneemmät kameratunnistuksen menetelmät ~OD tieto puutteellinen  Reaaliaikadata liikenteestä (jatkuvat mittauspisteet, GPS-paikannus, jne.) ~kertoo ensisijassa järjestelmän toimivuudesta  Sosiaalisen median tietojen hyödyntäminen ”Big data”  Mobiiliverkkodata ~ kokonaiskuva toteutuneesta
  • 6. Maailma muuttuu – muuttuuko suunnittelu?  Muutoksen nopeus (esim. liikkumispalveluissa), reagointikyky! => Datan elinkaari lyhenee, ”parasta ennen”  Yksilöllisyys, tarpeiden pirstaloituminen! => ”sitä saa mitä tilaa”, osataanko kysyä oikeita asioita? Luottamus instituutioihin rapautuu, mutta sosiaalinen luottamus digipalveluissa lisääntynyt! => Perinteiset kyselyt aiempaa haastavampia  Tehokkuusvaatimukset lisääntyvät => Enemmän, nopeammin, edullisemmin,
  • 7. Nostoja kansainvälisestä tutkimuksesta (1/3)  Resestatistik för långväga resor baserat på aggregerade och anonymiserade mobil-nätsdata (2018, Linköpings universitet, ITN) – “Mobile network data describing the travel in Sweden for journeys over 100 kilometers was compared with data from RVU Sverige based on the number of journeys, the geographic spread of the travel, its distribution over time, and its length.”  ”Möjligheten att få rimliga uppskattningar på långväga totalresande och geografisk fördelning är redan i dagsläget mycket god.”  ”Baserat på de mobilnätsdata som gjorts tillgänglig för detta pilotprojekt så RVU-data (24 kk) Mobiiliverkkodata (2 kk)
  • 8. Nostoja kansainvälisestä tutkimuksesta (2/3)  Investigating the mobile phone data to estimate the origin- destination flow and analysis; case study: Paris region (Transportation Research Procedia 6 ( 2015 ) 64–78) – “In the first step, the metro segments are possible to be detected.” – “Secondly, it turns out that the commuter trains are rather traceable.” – “For road traffic this segmentation is only possible on long continuous distances, when the mean speed is relatively high and when consecutives segments are near to the high speed roads such a highway, internal and externals rings.”
  • 9. Nostoja kansainvälisestä tutkimuksesta (3/3)  Origin-Destination Trip Matrix Development: Conventional Methods versus Mobile Phone Data (Transportation Research Procedia 26 (2017), 39–52): – “Comparison of assigned flows with traffic counts across a range of independent screenlines (trip-ends (NTEM), trip rates (NTS), trip length distributions (NTS).” – “The outcome of using the mobile phone data, when systematically refined and adjusted using independent data sources to address various known limitations and biases, does not seem to be either biased or less accurate than conventional methods, using RSI data.” – “Where no RSI data or other similar observed data are available, use of mobile data could result in a more consistent estimate of trips, benefiting from a significantly larger sample size.”
  • 10. Mobiiliverkkodatan haasteita ja etuja Haasteet:  Kulkutavan tunnistus kaupunkiliikenteessä ei onnistu riittävän laajasti  Matkan tarkoitukset vain päättelemällä  Käyttäjän taustatiedot rajallisesti saatavilla  Otoksen vinoutuminen Edut:  Havaintomäärät O-D tasolla erittäin suuria, korvaa ainakin osittain otoksen vinoutumaongelmaa  Toistettavuus  Nopeus  Reagointi jälkikäteen  Matkan reitti- ja aikatiedot osamatkoittain.
  • 11. Sovelluskohteita ainakin …. Business as usual:  Poikkeustilanteiden jälkeen analyysit  Pitkämatkaisen liikenteen suuntautuminen ja kulkutavat (Kaupunkiseutujen/maakuntien välisen liikenteen suuntautuminen valtakunnantasolla)  Säännöllisten yleisötilaisuuksien räätälöidyt liikkumispalvelut  Liikennekäytäväselvitykset  Kauppakeskusten ja vastaavien kohteiden vaikutusalueanalyysit  Viipymäanalyysit (pysäköinti jne.)  Ennen – jälkeen analyysit  Täydentävä aineisto perinteisten tutkimusten rinnalla => Kotitehtävä: Mitä kokonaan uudenlaisia käyttökohteita voidaan tunnistaa?