Understanding Transit Travel Time Variations through Data Integration and Multi-Level Analysis

«Le transport en commun est un moyen efficace pour transporter de nombreuses passagers, ce qui le rend particulièrement pertinent face au défi du changement climatique. Il implique également tous les trois pôles du développement durable, l’environnement, l’économie, et les aspects sociaux. Il est nécessaire d’attirer davantage de personnes à utiliser les transports en commun afin de réduire les émissions de gaz à effet de serre qui contribuent aux changements climatiques et de fournir un bon service aux personnes qui ne veulent pas ou ne peuvent pas conduire une voiture dans une société centrée sur l’automobile. Des temps de parcours précis et fiables sont essentiels pour que le transport en commun attirent les passagers. Pour les sociétés de transport, les temps de parcours influencent la planification, les coûts, l’efficacité, et la satisfaction des chauffeurs. Pour les passagers, les temps de parcours influencent les choix d’itinéraires, l’attractivité du service, et la satisfaction globale. Si les temps de parcours en transport en commun sont moins attrayants ou moins fiables, les gens éviteront de voyager en transport en commun et se tourneront vers d’autres modes. Nous devons donc obtenir une meilleure compréhension plus détaillés sur les temps de parcours. Actuellement, de nombreuses distributions statistiques ont été utilisées pour décrire les temps de parcours en transport en commun, de nombreuses variables et méthodes ont été proposées pour modéliser les temps de parcours en transport en commun, et de nombreuses recherches ont tenté de quantifier les variations des temps de parcours en transport en commun. Cependant, il n’existe pas de niveaux ni de méthodes standards pour analyser les temps de parcours, puisque les définitions varient d’une sociéte à l’autre et d’une recherche à l’autre. Il est nécessaire d’évaluer systématiquement les avantages et les déavantages de chaque niveau d’analyse et des différentes méthodes utilisées pour évaluer les temps de parcours avec des données plus granulaires, comme la localisation détaillée des véhicules et les transactions tarifaires. Donc, cette recherche se concentre sur l’évaluation des distributions statistiques, des moyens, et des variations des temps de parcours, ainsi que les impacts potentiels sur les passagers, afin d’améliorer notre compréhension des temps de parcours et d’aider les sociétés de transport à cibler des besoins spécifiques pour améliorer les temps, la fiabilité, et la performance du réseau. La première contribution concerne la distribution statistique des temps de parcours. Des recherches récentes ont découvert que les temps de parcours peuvent suivre des distributions mixtes. Les temps de parcours suivant les distributions mixtes suggèrent que plusieurs convi ditions de déplacement sont observées sur le même segment pendant la même période de observation, créant une incertitude supplémentaire lors de l’étude ou la modélisation de ces temps. Cette contribution tente d’identifier les segments sur l’ensemble du réseau, où les temps de parcours suivent des distributions mixtes à différents niveaux d’analyse, le niveau arrêt à arrêt, le niveau pointe de contrôle, et le niveau du parcours total. Le test de Hartigans est appliqué aux données archivées de localisation des véhicules de Montréal pour détecter la présence de distributions mixte. Nous identifions ensuite les facteurs environnementaux et opérationnels potentiels associés à ces distributions mixte observées en testant plusieurs modèles de classification.»

Abstract

«Public transit is efficient in transporting many people, making it especially relevant under the challenge of global climate change. It is also a cross-cutting issue related to sustainable development involving all three pillars, environment, economy, and social aspects. We need to attract more people to use transit to reduce the greenhouse gas emissions contributing to climate change as well as providing good service to people who do not wish or cannot drive in a car-centric society. Good, accurate, and reliable travel times are essential for transit systems to attract passengers. For agencies, travel times influence scheduling, costs, efficiency, and operator satisfactions. For passengers, travel times relate to route choices, service attractiveness and satisfaction. If transit travel times are less attractive or reliable, people will avoid travelling on transit and change to other modes. Thus, we need to gain more detailed insights into transit travel times. Currently, many statistical distributions has been used to describe transit travel times, many variables and methods have been proposed to model transit travel times, and many research has attempted to quantify transit travel time variations. However, there are no standard levels or methods to analyze transit travel times, since the definitions vary from agency to agency and from research to research. There is a need to systematically evaluate the pros and cons of each analysis levels and the various methods used to evaluate transit travel times using more granular datasets, such as detailed vehicle locations and fare transactions. Thus, this research focuses on assessing the statistical distributions, the means, the variation of transit travel times, as well as the potential impacts on passengers in order to improve our understanding of transit travel times and to help agencies target specific needs to improve travel times and their reliability. The first contribution focuses on the statistical distribution of transit travel times. Recent research has discovered that transit travel times may follow mixture distributions. Travel times following mixture distributions would suggest various underlying travel conditions being observed for the same period, which would create an additional layer of uncertainty when studying or modeling transit travel times. This contribution tries to identify segments systemwide, where transit travel times follow mixture distributions at different analysis levels, namely stop pair level, timepoint pair level, and service pattern level. Hartigans’ Dip Test is applied to archived transit vehicle location data from Montréal to explore the presence of mixture distributions. We then identify potential environmental and operational factors rexi lated to the mixture distributions observed. We test several classification models to identify these potential factors.»