Cumulative distribution functions can show you, as a passenger, what to expect of the travel time of the trip. A short presentation of how interpret these figures can be found here (Only in Norwegian).
Kumulative fordelingsfunksjoner kan vise deg som passasjer, hva du kan forvente i forhold til reisetid. En kort presentasjon som forklarer hvordan man kan forstå disse figurene finnes her.
Passenger information presentation (PDF) Passasjerinformasjon (PDF)
| Departure | 12-6-81 | 12-16E-81 | 12-walk-81 | 12-6/16E-81 | 12-6/20-81 | walk-20-81 |
|---|---|---|---|---|---|---|
| 18:03* | - | - | - | - | - |
35.51 (94.10) |
| 18:13 | 84.82 (86.05) |
84.78 (86.05) |
84.81 (86.05) |
84.78 (86.05) |
84.81 (86.05) |
- |
| 18:33 | 64.82 (66.10) |
64.82 (66.10) |
64.82 (66.10) |
64.82 (66.10) |
64.82 (66.10) |
64.82 (66.10) |
| 18:53 | 44.83 (56.00) |
103.66 (105.40) |
44.83 (46.87) |
44.82 (46.11) |
44.83 (46.83) |
- |
| 19:03* | - | - | - | - | - | 35.60 (94.74) |
When a defined scenario is given, it is possible to find the best trip pattern for a journey.
Defining a scenario can specify a time frame for the trip a start and destination, how much risk
the traveller is willing to take, and what the goal
is (shortest possible travel time, guarantee to arrive before xx:xx, etc.).
Table 1 shows
the
journey from Florida to Nattlandsfjellet, for a scenario where the goal is the absolute shortest
possible travel time, where the traveller is willing to take some risk. The trip patterns in
this scenario is compared at the 70th percentile, meaning that in 70% of the trips in the
dataset, the bus arrives within this time.
Når et definert scenario er gitt, er det mulig å finne det beste reisemønsteret for en reise. Å
definere et scenario kan spesifisere en tidsramme for reisen, et startpunkt og et
destinasjonssted, hvor mye risiko den reisende er villig til å ta, og hva målet er (kortest
mulig reisetid, garanti for å komme fram før xx:xx osv.).
Tabell 1 viser reisen fra Florida til Nattlandsfjellet for et scenario der
målet er absolutt kortest mulig reisetid, og hvor den reisende er villig til å ta noe risiko.
Reisemønstrene i dette scenarioet sammenlignes på 70. persentilen, noe som betyr at bussen i 70
% av reisene i datasettet ankommer innenfor denne tiden.
∆Q timeliness analysis (Delta Q) has previously only been used in data and communication
networks.
Applying
this to a real-world public transport network makes for interesting discussions about how analyses
of such networks can be done in different ways. A particular trait of the ∆Q timeliness analysis, is
the creation of Cumulative Distribution Functions (CDF) that allows for a visual analysis of the
network. The CDFs shows the whole distribution of travel times for a trip pattern, which can reveal
patterns that simple metrics might fail to capture. Visualizing the whole distribution of travel
times, makes for an immediate idea of the robustness and stability of a trip pattern.
The algorithm that creates the CDFs, simulates the trips from the dataset of recorded real-time
data. The algorithm simply finds the first bus available bus from the departure time, and then
continues to select the first available bus that follows the trip pattern, until the destination is
reached. The total time is measured from planned departure until actual arrival. This simple
algorithm tries to mimic realistic human behavior, by taking the first bus, even if the trip pattern
suggests to take a later departure.
Scheduled total time, is shown in some CDF plots, as a reference for how long the trip should take,
if the bus follows the schedule exactly. This is simulated in the same way as the real-time total
time estimates, by finding the first available scheduled bus from the specified trip pattern.
Using the dataset in this way, also allows us to test the travel time of trip patterns that the
travel planner does not suggest. For example, combining multiple trip patterns into one.
The trip pattern 16E-3/27/300 in Figure 2 and Animation 2, is an
example of a custom trip pattern,
that the Skyss
travel planner will not suggest, but from the dataset, performs better than the alternatives. This
pattern combined other trip patterns utilizing the same buses, and groups them together at a shared
bus stop, allowing the passenger to transfer to the first of any of the three buses.
ΔQ timelinessanalyse (Delta Q) har tidligere bare blitt brukt i data- og
kommunikasjonsnettverk. Å bruke dette på et reelt kollektivtransportnettverk åpner for interessante
diskusjoner om hvordan analyser av slike nettverk kan utføres på ulike måter. Et særskilt trekk ved
ΔQ timelinessanalysen er opprettelsen av kumulative fordelsfunksjoner (CDF), som muliggjør en
visuell analyse av nettverket. CDF-ene viser hele fordelingen av reisetider for et reisemønster, noe
som kan avdekke mønstre enkle måleparametere kan mislykkes i å fange opp. Å visualisere hele
fordelingen av reisetider gir en umiddelbar forståelse av et reisemønsters robusthet og stabilitet.
Algoritmen som genererer CDF-ene, simulerer reisene basert på datasettet med registrerte
sanntidsdata. Algoritmen finner simpelthen den første tilgjengelige bussen fra avreisetidspunktet,
og fortsetter deretter å velge første tilgjengelige buss som følger reisemønsteret til destinasjonen
er nådd. Total reisetid måles fra planlagt avreise til faktisk ankomst. Denne enkle algoritmen
forsøker å etterligne realistisk menneskelig atferd ved å ta den første bussen, selv om
reisemønsteret foreslår en senere avgang.
Rutetabellfestet (planlagt) totaltid er vist i enkelte CDF-plott som en referanse på hvor lang tid
reisen burde ta dersom bussen følger rutetabellen eksakt. Dette simuleres på samme måte som
estimatene for faktisk totaltid ved å finne den første tilgjengelige oppsatte bussen fra det
spesifiserte reisemønsteret.
Å bruke datasettet på denne måten lar oss også teste reisetiden for reisemønstre som
reiseplanleggeren ikke foreslår, for eksempel ved å kombinere flere reisemønstre til ett.
Reisemønsteret 16E-3/27/300 i figur 2 og animasjon 2 er et
eksempel på et tilpasset reisemønster som
Skyss sin reiseplanlegger ikke vil foreslå, men som basert på datasettet presterer bedre enn
alternativene. Dette mønsteret kombinerte andre reisemønstre som benytter de samme bussene, og
samler dem ved en delt holdeplass, slik at passasjeren kan bytte til den første av de tre bussene
som dukker opp.