Application of bayesian networks to estimate the probability of a transfer at a public transport stop

dc.citation.epage32
dc.citation.issue2
dc.citation.spage22
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.authorZhuk, Mykola
dc.contributor.authorPivtorak, Halyna
dc.contributor.authorGits, Ivanna
dc.contributor.authorKozak, Mariana
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2023-02-09T14:47:29Z
dc.date.available2023-02-09T14:47:29Z
dc.date.created2022-03-01
dc.date.issued2022-03-01
dc.description.abstractОптимізація пересадок при функціонуванні громадського транспорту є одним з важливих компонентів підвищення якості перевезень. На сприйняття пересадки пасажиром впливає ряд чинників: від особистісних характеристик користувача транспортних послуг до параметрів маршрутної мережі, характеристик поїздки та дизайну пересадкових зупинок. Для пошуку взаємозв’язку між різними типами вхідних даних, які впливають на ймовірність виконання пересадки на зупинці, використано метод побудови Байєсівських мереж як один з ефективних методів розв’язання задач прогнозування складних систем. Потреба в пересадці виникає в пасажира при поєднанні двох причин: потреби у виконанні поїздки між двома транспортними районами та відсутності прямого маршруту громадського транспорту між цими транспортними районами. Кількість потреб у виконанні поїздки залежатиме від кількості жителів в районі відправки, а ймовірність відсутності прямого маршруту – від загальної кількості маршрутів, які відправляються з цього району. Для визначення впливу цих чинників на ймовірність пересадки на зупинці проведено моделювання у програмному середовищі PTV Visum (на прикладі м. Львова). В результаті отримано дані щодо загальної величини пасажирообміну на зупинках ГПТ з розподілом на кількість пасажирів, які здійснюють висадку на зупинці, кількість пасажирів, які здійснюють пересадку на цій зупинці та кількість пасажирів, які здійснюють перехід (до 200 м) на іншу зупинку для виконання пересадки. Середня тривалість очікування пересадки на зупинці залежить як від кількості маршрутів, що проходять через зупинку, так і від регулярності руху. Чітке дотримання розкладів руху сприяє зменшенню середньої тривалості очікування пересадки. Для перевірки адекватності моделювання проведено порівняння результатів розрахунку ймовірності пересадки на одній із зупинок з використанням розрахунків на основі даних натурних спостережень та з використанням моделювання. Розрахована ймовірність становить 0,16, змодельована – 0,12.
dc.description.abstractOptimizing transfers during public transport operations is one of the essential components of improving the quality of transport. Several factors influence the passenger's perception of a transfer: from the personal characteristics of the user of transport services to the parameters of the route network, trip characteristics and the design of transfer stops. The method of constructing Bayesian networks was used as one of the effective methods for solving problems of forecasting complex systems to find the relationship between different types of input data that affect the probability of making a transfer at a stop. The need for a transfer arises for a passenger when two reasons are combined: the need to make a trip between two transport areas and the lack of a direct public transport route between these transport areas. The number of needs for trip will depend on the number of residents in the departure zone, and the probability of not having a direct route will depend on the total number of routes departing from this zone. A simulation was carried out in the PTV Visum software environment (on the example of Lviv city) to determine the impact of these factors on the probability of changing at a stop. As a result, data were obtained on the total amount of passenger exchange at the stops of the public transportation system with distribution into the number of passengers disembarking at the stop, the number of passengers transferring at this stop, and the number of passengers going (up to 200 m) to another stop to transfer. The average waiting time for a transfer at a stop depends on both the number of routes passing through the stop and the regularity of traffic. Strict adherence to traffic schedules helps to reduce the average waiting time for a transfer. A comparison of the results of calculating the probability of a transfer at one of the stops using calculations based on field observation data and using modeling was carried out to check the adequacy of the modeling. The calculated probability is 0.16, the simulated probability is 0.12.
dc.format.extent22-32
dc.format.pages11
dc.identifier.citationApplication of bayesian networks to estimate the probability of a transfer at a public transport stop / Mykola Zhuk, Halyna Pivtorak, Ivanna Gits, Mariana Kozak // Transport Technologies. — Lviv : Lviv Politechnic Publishing House, 2022. — Vol 3. — No 2. — P. 22–32.
dc.identifier.citationenApplication of bayesian networks to estimate the probability of a transfer at a public transport stop / Mykola Zhuk, Halyna Pivtorak, Ivanna Gits, Mariana Kozak // Transport Technologies. — Lviv : Lviv Politechnic Publishing House, 2022. — Vol 3. — No 2. — P. 22–32.
dc.identifier.doidoi.org/10.23939/tt2022.02.022
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/57317
dc.language.isoen
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofTransport Technologies, 2 (3), 2022
dc.relation.references1. Elidan, G. & Friedman, N. (2005). Learning Hidden Variable Networks: The Information Bottleneck Approach. Journal of Machine Learning Research, 6. 81–127 (in English).
dc.relation.references2. Zghurovskyi, M., Bidiuk P., Terentev O. (2007). Systemna metodyka pobudovy baiiesovykh merezh [A systematic method of designing Bayesian networks]. Naukovi visti “NTUU “KPI” [KPI Science News], 4, 47–61. (in Ukrainian).
dc.relation.references3. Yap, M., Luo, D., Cats, O., van Oort, N., & Hoogendoorn, S. (2019). Where shall we sync? Clustering passenger flows to identify urban public transport hubs and their key synchronization priorities. Transportation Research Part C: Emerging Technologies, 98, 433–448. doi: 10.1016/j.trc.2018.12.013 (in English).
dc.relation.references4. Garcia-Martinez, A., Cascajo, R., Jara-Diaz, S., Chowdhury, S., & Monzon, A. (2018). Transfer penalties in multimodal public transport networks. Transportation Research Part A: Policy And Practice, 114, 52–66. doi: 10.1016/j.tra.2018.01.016 (in English).
dc.relation.references5. Schakenbos, R., Paix, L., Nijenstein, S., & Geurs, K. (2016). Valuation of a transfer in a multimodal public transport trip. Transport Policy, 46, 72–81. doi: 10.1016/j.tranpol.2015.11.008 (in English).
dc.relation.references6. Chowdhury, S., & Ceder, A. (2016). Users’ willingness to ride an integrated public-transport service: A literature review. Transport Policy, 48, 183–195. doi: 10.1016/j.tranpol.2016.03.007 (in English).
dc.relation.references7. Kouwenhoven, M., de Jong, G., Koster, P., van den Berg, V., Verhoef, E., Bates, J., & Warffemius, P. (2014). New values of time and reliability in passenger transport in The Netherlands. Research In Transportation Economics, 47, 37–49. doi: 10.1016/j.retrec.2014.09.017 (in English).
dc.relation.references8. Wardman, M., Hine, J., & Stradling, S. (2001). Interchange and Travel Choice Volume 2. Edinburgh: Scottish Executive Central Research Unit (in English).
dc.relation.references9. Guo, Z., & Wilson, N. (2011). Assessing the cost of transfer inconvenience in public transport systems: A case study of the London Underground. Transportation Research Part A: Policy And Practice, 45(2), 91–104. doi: 10.1016/j.tra.2010.11.002 (in English).
dc.relation.references10. Palmer, D., James, C., & Jones, M. (2011). Door to Door Journeys. Retrieved from: https://bettertransport.org.uk/wp-content/uploads/legacy-files/research-files/door-to-door-journeys-full-report.pdf (in English).
dc.relation.references11. Nesheli, M., & Ceder, A. (2014). Optimal combinations of selected tactics for public-transport transfer synchronization. Transportation Research Part C: Emerging Technologies, 48, 491Ц504. doi: 10.1016/j.trc. 2014.09.013 (in English).
dc.relation.references12. Ceder, A., Hadas, Y., McIvor, M., & Ang, A. (2013). Transfer Synchronization of Public Transport Networks. Transportation Research Record: Journal Of The Transportation Research Board, 2350(1), 9–16. doi: 10.3141/2350-02 (in English).
dc.relation.references13. Chowdhury, S. (2013). The Effect of Interchange Attributes on Public-Transport Users′Intention to Use Routes Involving Transfers. Psychology And Behavioral Sciences, 2(1), 5–13. doi: 10.11648/j.pbs.20130201.12 (in English).
dc.relation.references14. Ceder, A., Chowdhury, S., Taghipouran, N., & Olsen, J. (2013). Modelling public-transport users’ behaviour at connection point. Transport Policy, 27, 112–122. doi: 10.1016/j.tranpol.2013.01.002 (in English).
dc.relation.references15. Honcharenko, S. (2017). Vyznachennia popytu na posluhy pasazhyrskoho marshrutnoho transportu v serednikh mistakh [The demand determining for passenger route transport service in the middle cities]. Manuskript. Kharkiv, KhNADU (in Ukrainian).
dc.relation.references16. Schakenbos, R., Paix, L., Nijenstein, S., & Geurs, K. (2016). Valuation of a transfer in a multimodal public transport trip. Transport Policy, 46, 72–81. doi: 10.1016/j.tranpol.2015.11.008 (in English).
dc.relation.references17. Nielsen, O., Eltved, M., Anderson, M., & Prato, C. (2021). Relevance of detailed transfer attributes in large-scale multimodal route choice models for metropolitan public transport passengers. Transportation Research Part A: Policy And Practice, 147, 76–92. doi: 10.1016/j.tra.2021.02.010 (in English).
dc.relation.references18. Pourret O., Naim P., & Marcot B. (2008). Bayesian Networks: A Practical Guide to Applications. Chichester, UK: Wiley. 448 (in English).
dc.relation.referencesen1. Elidan, G. & Friedman, N. (2005). Learning Hidden Variable Networks: The Information Bottleneck Approach. Journal of Machine Learning Research, 6. 81–127 (in English).
dc.relation.referencesen2. Zghurovskyi, M., Bidiuk P., Terentev O. (2007). Systemna metodyka pobudovy baiiesovykh merezh [A systematic method of designing Bayesian networks]. Naukovi visti "NTUU "KPI" [KPI Science News], 4, 47–61. (in Ukrainian).
dc.relation.referencesen3. Yap, M., Luo, D., Cats, O., van Oort, N., & Hoogendoorn, S. (2019). Where shall we sync? Clustering passenger flows to identify urban public transport hubs and their key synchronization priorities. Transportation Research Part C: Emerging Technologies, 98, 433–448. doi: 10.1016/j.trc.2018.12.013 (in English).
dc.relation.referencesen4. Garcia-Martinez, A., Cascajo, R., Jara-Diaz, S., Chowdhury, S., & Monzon, A. (2018). Transfer penalties in multimodal public transport networks. Transportation Research Part A: Policy And Practice, 114, 52–66. doi: 10.1016/j.tra.2018.01.016 (in English).
dc.relation.referencesen5. Schakenbos, R., Paix, L., Nijenstein, S., & Geurs, K. (2016). Valuation of a transfer in a multimodal public transport trip. Transport Policy, 46, 72–81. doi: 10.1016/j.tranpol.2015.11.008 (in English).
dc.relation.referencesen6. Chowdhury, S., & Ceder, A. (2016). Users’ willingness to ride an integrated public-transport service: A literature review. Transport Policy, 48, 183–195. doi: 10.1016/j.tranpol.2016.03.007 (in English).
dc.relation.referencesen7. Kouwenhoven, M., de Jong, G., Koster, P., van den Berg, V., Verhoef, E., Bates, J., & Warffemius, P. (2014). New values of time and reliability in passenger transport in The Netherlands. Research In Transportation Economics, 47, 37–49. doi: 10.1016/j.retrec.2014.09.017 (in English).
dc.relation.referencesen8. Wardman, M., Hine, J., & Stradling, S. (2001). Interchange and Travel Choice Volume 2. Edinburgh: Scottish Executive Central Research Unit (in English).
dc.relation.referencesen9. Guo, Z., & Wilson, N. (2011). Assessing the cost of transfer inconvenience in public transport systems: A case study of the London Underground. Transportation Research Part A: Policy And Practice, 45(2), 91–104. doi: 10.1016/j.tra.2010.11.002 (in English).
dc.relation.referencesen10. Palmer, D., James, C., & Jones, M. (2011). Door to Door Journeys. Retrieved from: https://bettertransport.org.uk/wp-content/uploads/legacy-files/research-files/door-to-door-journeys-full-report.pdf (in English).
dc.relation.referencesen11. Nesheli, M., & Ceder, A. (2014). Optimal combinations of selected tactics for public-transport transfer synchronization. Transportation Research Part C: Emerging Technologies, 48, 491Ts504. doi: 10.1016/j.trc. 2014.09.013 (in English).
dc.relation.referencesen12. Ceder, A., Hadas, Y., McIvor, M., & Ang, A. (2013). Transfer Synchronization of Public Transport Networks. Transportation Research Record: Journal Of The Transportation Research Board, 2350(1), 9–16. doi: 10.3141/2350-02 (in English).
dc.relation.referencesen13. Chowdhury, S. (2013). The Effect of Interchange Attributes on Public-Transport Users′Intention to Use Routes Involving Transfers. Psychology And Behavioral Sciences, 2(1), 5–13. doi: 10.11648/j.pbs.20130201.12 (in English).
dc.relation.referencesen14. Ceder, A., Chowdhury, S., Taghipouran, N., & Olsen, J. (2013). Modelling public-transport users’ behaviour at connection point. Transport Policy, 27, 112–122. doi: 10.1016/j.tranpol.2013.01.002 (in English).
dc.relation.referencesen15. Honcharenko, S. (2017). Vyznachennia popytu na posluhy pasazhyrskoho marshrutnoho transportu v serednikh mistakh [The demand determining for passenger route transport service in the middle cities]. Manuskript. Kharkiv, KhNADU (in Ukrainian).
dc.relation.referencesen16. Schakenbos, R., Paix, L., Nijenstein, S., & Geurs, K. (2016). Valuation of a transfer in a multimodal public transport trip. Transport Policy, 46, 72–81. doi: 10.1016/j.tranpol.2015.11.008 (in English).
dc.relation.referencesen17. Nielsen, O., Eltved, M., Anderson, M., & Prato, C. (2021). Relevance of detailed transfer attributes in large-scale multimodal route choice models for metropolitan public transport passengers. Transportation Research Part A: Policy And Practice, 147, 76–92. doi: 10.1016/j.tra.2021.02.010 (in English).
dc.relation.referencesen18. Pourret O., Naim P., & Marcot B. (2008). Bayesian Networks: A Practical Guide to Applications. Chichester, UK: Wiley. 448 (in English).
dc.relation.urihttps://bettertransport.org.uk/wp-content/uploads/legacy-files/research-files/door-to-door-journeys-full-report.pdf
dc.rights.holder© Національний університет „Львівська політехніка“, 2022
dc.rights.holder© M. Zhuk, H. Pivtorak, I. Gits, M. Kozak, 2022
dc.subjectмаршрутна мережа
dc.subjectбайєсівська мережа
dc.subjectмоделювання транспорту
dc.subjectймовірність пересадки на зупинці
dc.subjectPTV Visum
dc.subjectroute network
dc.subjectBayesian network
dc.subjecttransport modeling
dc.subjectprobability of transfer
dc.subjectPTV Visum
dc.titleApplication of bayesian networks to estimate the probability of a transfer at a public transport stop
dc.title.alternativeЗастосування байєсівських мереж для оцінки ймовірності пересадки на зупинці громадського транспорту
dc.typeArticle

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
2022v3n2_Zhuk_M-Application_of_bayesian_networks_22-32.pdf
Size:
2.22 MB
Format:
Adobe Portable Document Format
Thumbnail Image
Name:
2022v3n2_Zhuk_M-Application_of_bayesian_networks_22-32__COVER.png
Size:
425.18 KB
Format:
Portable Network Graphics

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.78 KB
Format:
Plain Text
Description: