Liikennemallin ja paikkatietoanalyysin soveltuvuus joukkoliikenteen matkustajamäärien ennustamiseen Tampereella
Sillanpää, Teemu (2018)
Sillanpää, Teemu
2018
Rakennustekniikka
Talouden ja rakentamisen tiedekunta - Faculty of Business and Built Environment
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2018-12-05
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tty-201811212668
https://urn.fi/URN:NBN:fi:tty-201811212668
Tiivistelmä
Traditionally public transportation passenger demand forecasts are made with a regional four step model TALLI in Tampere. In four step models the network is usually very rough and zones are large. Therefore, the stop or line level passenger volume forecasts are usually inaccurate. To solve this problem this thesis aims to find alternative methods based on GIS analysis to estimate passenger volumes in Tampere. The suitability of the models is evaluated through literature review, interviews and quantitative analysis.
In the study Helsinki region’s transportation model Helmet was investigated in addition to TALLI. It was confirmed that forecasting stop level passenger volumes with four step model is inaccurate. Alternative models were searched from literature and the most promising method found geographically weighted regression (GWR). According to the literature review GWR performed well, GWR models are relatively easy to estimate and co-operation with GIS is possible.
In the thesis a GWR model was tested in Tampere. The estimation was based on statistics of passengers boarding at each stop in November 2017. The explanatory variables were number of jobs, shops and population near the stop, travel time from the stop to University of Tampere and to the five biggest residential areas of Tampere and dummy variables for Keskustori and Koskipuisto stops. The predicted number of passengers boarding was more accurate with GWR than with TALLI both in stop level and in city level compared to the statistics’ values.
Tampere light rail is the latest public transportation project in Tampere where passenger demand has been forecast. The official forecasts were made with TALLI. During summer and autumn of 2018 Eero Kauppinen used a GIS based method to predict the number of passengers boarding at every light rail stop. Also, the GWR model defined in this thesis was used to forecast stop level public transportation passenger volumes after the opening of the light rail. The forecasts of all methods were compared to each other and the suitability of the methods were evaluated. It was recognized that all the transport models examined in the thesis are suitable for different applications. TALLI is recommended for strategic modelling and multimodal analyses. Kauppinen’s model is the most suitable at modelling stop level demand. GWR excels in land use analyses and it can be used as a demand model of a more complicated model system. All the methods had disadvantages as well. The best results are expected to be achieved when different models are used together in analysis. Tampereella joukkoliikenteen matkustajamääriä on perinteisesti mallinnettu neliporrasajatteluun perustuvalla seudullisella TALLI-mallilla. Neliporrasmallien verkkokuvaus ja osa-aluejako ovat usein niin karkeita, että ne kuvaavat paikallisia olosuhteita ja pysäkki- tai linjatason matkustajamääriä epätarkasti. Tässä työssä oli tavoitteena löytää vaihtoehtoisia, mahdollisesti paikkatietoon perustuvia, menetelmiä näiden ongelmien ratkaisemisemiseksi ja arvioida niiden soveltuvuutta joukkoliikenteen matkustajamäärien ennustamiseen Tampereella.
TALLI-mallin lisäksi työssä tutustuttiin Helsingin työssäkäyntialueen Helmet-malliin. Tutkimuksissa vahvistui käsitys siitä, että neliporrasmallit eivät ennusta joukkoliikenteen matkustajamääriä pysäkkitasolla tarkasti. Ratkaisuksi etsittiin vaihtoehtoisia malleja kirjallisuudesta. Selvityksessä löytyneistä malleista parhaaksi vaihtoehdoksi ongelman ratkaisemiseksi tunnistettiin maantieteellisesti painotettu regressio eli GWR. Se toimii hyvin yhteistyössä paikkatieto-ohjelmistojen kanssa, mallien estimointi on nopeaa ja menetelmä vaikutti edistyksellisemmältä kuin muut vaihtoehdot. Aiemmissa tutkimuksissa sillä oli saatu hyviä tuloksia myös pysäkkitasolla.
Työssä estimoitiin GWR-malli Tampereelle syksyn 2017 nousijamäärätilastojen perusteella. Mallin selittävinä muuttujina käytettiin työpaikkojen, asukkaiden ja valintamyymälöiden lukumäärää pysäkin lähellä, matka-aikaa joukkoliikenteellä pysäkiltä lähimpään alakeskukseen ja Tampereen yliopistolle sekä binäärimuuttujia Keskustorin ja Koskipuiston pysäkeille. Mallilla saatiin tuotettua parempi nykytilan nousijamääräkuvaus kuin TALLI-mallilla sekä yksittäisten että kaikkien pysäkkien tarkkuudella.
Tampereen raitiotiehanke on viimeisin hanke, johon Tampereella on laadittu matkustajamääräennusteita. Viralliset ennusteet on laadittu TALLI-mallilla. Lisäksi Eero Kauppinen laati kesän ja syksyn 2018 aikana paikkatietoanalyysin avulla pysäkkikohtaisen nousijamääräennusteen raitiotielle. Myös tässä työssä määritetyllä GWR-mallilla laadittiin ennuste raitiotien avaamisen jälkeisille joukkoliikenteen linjastovaihtoehdoille. Eri malleilla tuotettuja ennusteita verrattiin toisiinsa. Kaikille työssä tarkastelluille malleille löydettiin soveltuva käyttötarkoitus. TALLI-malli soveltuu suurten hankkeiden tarkasteluun seututasolla. Kauppisen menetelmällä saatiin paras pysäkkikohtaisten nousijamäärien kuvaus raitiotielle. GWR-mallilla voidaan puolestaan tutkia erilaisten tekijöiden vaikutusta matkustajamääriin ja sitä voidaan käyttää mallijärjestelmän tuotosmallina. Malli vaatisi vielä jatkokehitystä toimiakseen joukkoliikennesuunnittelun käytännön työkaluna. Kaikilla menetelmillä on puutteensa ja todennäköisesti paras tulos saadaan, kun matkustajamäärien ennustamisessa käytetään useita menetelmiä yhdessä.
In the study Helsinki region’s transportation model Helmet was investigated in addition to TALLI. It was confirmed that forecasting stop level passenger volumes with four step model is inaccurate. Alternative models were searched from literature and the most promising method found geographically weighted regression (GWR). According to the literature review GWR performed well, GWR models are relatively easy to estimate and co-operation with GIS is possible.
In the thesis a GWR model was tested in Tampere. The estimation was based on statistics of passengers boarding at each stop in November 2017. The explanatory variables were number of jobs, shops and population near the stop, travel time from the stop to University of Tampere and to the five biggest residential areas of Tampere and dummy variables for Keskustori and Koskipuisto stops. The predicted number of passengers boarding was more accurate with GWR than with TALLI both in stop level and in city level compared to the statistics’ values.
Tampere light rail is the latest public transportation project in Tampere where passenger demand has been forecast. The official forecasts were made with TALLI. During summer and autumn of 2018 Eero Kauppinen used a GIS based method to predict the number of passengers boarding at every light rail stop. Also, the GWR model defined in this thesis was used to forecast stop level public transportation passenger volumes after the opening of the light rail. The forecasts of all methods were compared to each other and the suitability of the methods were evaluated. It was recognized that all the transport models examined in the thesis are suitable for different applications. TALLI is recommended for strategic modelling and multimodal analyses. Kauppinen’s model is the most suitable at modelling stop level demand. GWR excels in land use analyses and it can be used as a demand model of a more complicated model system. All the methods had disadvantages as well. The best results are expected to be achieved when different models are used together in analysis.
TALLI-mallin lisäksi työssä tutustuttiin Helsingin työssäkäyntialueen Helmet-malliin. Tutkimuksissa vahvistui käsitys siitä, että neliporrasmallit eivät ennusta joukkoliikenteen matkustajamääriä pysäkkitasolla tarkasti. Ratkaisuksi etsittiin vaihtoehtoisia malleja kirjallisuudesta. Selvityksessä löytyneistä malleista parhaaksi vaihtoehdoksi ongelman ratkaisemiseksi tunnistettiin maantieteellisesti painotettu regressio eli GWR. Se toimii hyvin yhteistyössä paikkatieto-ohjelmistojen kanssa, mallien estimointi on nopeaa ja menetelmä vaikutti edistyksellisemmältä kuin muut vaihtoehdot. Aiemmissa tutkimuksissa sillä oli saatu hyviä tuloksia myös pysäkkitasolla.
Työssä estimoitiin GWR-malli Tampereelle syksyn 2017 nousijamäärätilastojen perusteella. Mallin selittävinä muuttujina käytettiin työpaikkojen, asukkaiden ja valintamyymälöiden lukumäärää pysäkin lähellä, matka-aikaa joukkoliikenteellä pysäkiltä lähimpään alakeskukseen ja Tampereen yliopistolle sekä binäärimuuttujia Keskustorin ja Koskipuiston pysäkeille. Mallilla saatiin tuotettua parempi nykytilan nousijamääräkuvaus kuin TALLI-mallilla sekä yksittäisten että kaikkien pysäkkien tarkkuudella.
Tampereen raitiotiehanke on viimeisin hanke, johon Tampereella on laadittu matkustajamääräennusteita. Viralliset ennusteet on laadittu TALLI-mallilla. Lisäksi Eero Kauppinen laati kesän ja syksyn 2018 aikana paikkatietoanalyysin avulla pysäkkikohtaisen nousijamääräennusteen raitiotielle. Myös tässä työssä määritetyllä GWR-mallilla laadittiin ennuste raitiotien avaamisen jälkeisille joukkoliikenteen linjastovaihtoehdoille. Eri malleilla tuotettuja ennusteita verrattiin toisiinsa. Kaikille työssä tarkastelluille malleille löydettiin soveltuva käyttötarkoitus. TALLI-malli soveltuu suurten hankkeiden tarkasteluun seututasolla. Kauppisen menetelmällä saatiin paras pysäkkikohtaisten nousijamäärien kuvaus raitiotielle. GWR-mallilla voidaan puolestaan tutkia erilaisten tekijöiden vaikutusta matkustajamääriin ja sitä voidaan käyttää mallijärjestelmän tuotosmallina. Malli vaatisi vielä jatkokehitystä toimiakseen joukkoliikennesuunnittelun käytännön työkaluna. Kaikilla menetelmillä on puutteensa ja todennäköisesti paras tulos saadaan, kun matkustajamäärien ennustamisessa käytetään useita menetelmiä yhdessä.