Application of ∆Q timeliness analysis on public transport data in Norway Anvendelse av ∆Q timelinessanalyse på kollektivtrafikkdata i Norge

M.Sc. Thesis in Software engineering | Erik Grunnaleite Ingebrigtsen | University of Bergen (2026) Masteroppgave i programvareutvikling | Erik Grunnaleite Ingebrigtsen | Universitetet i Bergen (2026)

Supervisor: Magne Haveraaen | University of Bergen Veileder: Magne Haveraaen | Universitetet i Bergen

How is this useful for you as a passenger? Hvordan er dette nyttig for deg som er passasjer?

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)

Key Takeaways Kort sagt

  • ∆Q timeliness analysis can be applied to public transport data. This applies to single trips as well as complex trip patterns.
  • Cumulative distribution functions (CDF) provides a useful visual analysis of the public transport network.
  • CDFs can show normal variations and delays that appear throughout the day. This can be used to predict delays during on and off-peak hours.
  • ∆Q timelinessanalyse kan brukes på kollektivtrafikkdata. Det gjelder både for en enkelt tur og for komplekse sammensatte reisemønstre.
  • Kumulative fordelingsfunksjoner (CDF) gir en nyttig visuell analyse av kollektivtrafikknettverket.
  • CDFer kan vise vanlige variasjoner og forsinkelser som hender gjennom døgnet. Dette kan brukes til å forutse forsinkelser under og utenom rush-tid.

Main ResultsHovedresultater

Visualizing normal delays Visualisering av normale forsinkelser
Animation of CDFs at different departure times. Showing increased delays during peak hours.
Animation 1: Total travel time varies based on the departure time. Bus 16E from Haukeland Sjukehus to Mannsverk. The main cause for the extended total travel time is a late arrival at Haukeland Sjukehus, resulting in a longer waiting time before departure. Animasjon 1: Total reisetid varierer basert på hvilken avgangstid som er valgt. Buss 16E fra Haukeland Sjukehus til Mannsverk. Hovedårsaken til at total reisetid blir lengre enn planlagt, skyldes at bussen ankommer Haukeland Sjukehus med forsinkelse, noe som gir en lengre ventetid før avgang.
Variance of a single trip pattern Varianse for ett enkelt reisemønster
Plotting all departure times for a trip pattern, shows the variation in travel times based on departure time.
Figure 1: Variations in total travel time for all departure times. Trip pattern 12-16E-81 from Florida to Nattlandsfjellet. Data from Nov 1. 2024 - Feb 28. 2025 Figur 1: Variasjon i total reisetid for alle avgangstider. Reisemønster 12-16E-81 fra Florida til Nattlandsfjellet. Data fra Nov 1. 2024 - Feb 28. 2025
Comparing trip patterns Sammenligning av reisemønstre
Heatmap showing the comparisons of different trip patterns for the journey Midtun-Åsane terminal
Figure 2: We can compare different trip patterns for the same journey, based on departure time when they utilize the same bus in the first leg. Y-axis trip pattern compared to X-axis trip pattern is faster in xx% of all departures throughout the whole day. Figur 2: Vi kan sammenlige ulike reisemønstre for den samme reisen, med utgangspunkt i avgangstidene når de bruker samme buss i første ledd av reisemønsteret. Mønster i Y-akse er sammenlignet mot mønster i X-akse, og viser at det er raskere i xx% av alle avgangstidene gjennom døgnet.
Simulating custom trip patterns Simulering av egendefinerte reisemønstre
Animation showing the CDF for the different departure times for the custom trip pattern 16E-3/27/300 from Midtun to Åsane terminal.
Animation 2: With a dataset with high resolution real-time data, we can simulate the trip and create CDFs of trip patterns that the travel planner does not suggest. Here is an example from Midtun to Åsane terminal. 16E-3/27/300, taking the first available bus of the three alternatives.
"Scheduled total time" shows the expected total time of the trip pattern, for the specified departure time.
Animasjon 2: Med ett datasett med sanntidsdata i høy oppløsning kan man simulere reisen og lage CDFer av reisemønstre som reiseplanleggeren ikke foreslår. Her er et eksempel fra Midtun til Åsane terminal. 16E-3/27/300, velger den første tilgjengelige bussen fra de tre alternativene.
"Scheduled total time" viser den forventede totale reisetiden til turen for den spesifiserte avgangstiden.
Find best possible trip pattern for a specified scenario Finn det beste mulige reisemønsteret for ett spesifisert scenario
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)
Table 1: Comparing trip patterns for a scenario allowing for some risk, to find the trip pattern with the shortest possible total time and arriving as early as possible with a departure after 18:00. Comparing at 70th percentile.
(90th percentile in brackets illustrates the worst case)
Tabell 1: Sammenligning av reisemønstre for et scenario som tillater noe risiko, for å finne reisemønsteret med kortest mulig totaltid og tidligst mulig ankomst ved avreise etter 18:00. Sammenlignet på 70. persentil. (90. persentil i parentes illustrerer det verste tenkelige tilfellet).

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.

Methodology Overview Metode

∆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.