Resumen

En los últimos años, el autobús personalizado (CB), como forma complementaria de transporte público urbano, puede reducir los costes de desplazamiento de los residentes, aliviar la congestión del tráfico urbano, reducir las emisiones de escape de los vehículos y contribuir al desarrollo sostenible de la sociedad. En la actualidad, el método de recogida de información sobre la demanda de viajes en autobús personalizado es pasivo. Existen desventajas como que la cantidad de información obtenida es menor, el método de acceso es relativamente único y no se pueden satisfacer más demandas potenciales de viajes. El objetivo de este estudio es combinar datos de señalización de teléfonos móviles, datos de puntos de interés (POI) y datos secundarios de precios inmobiliarios para proponer un método de identificación de las áreas de servicio de CB de cercanías y la demanda de viajes. En primer lugar, se preprocesan los datos de señalización de teléfonos móviles para identificar la ubicación de empleo y residencia del viajero. A partir de ahí, se propone un modelo de potencial espacio-temporal para el transporte público de cercanías. En segundo lugar, se utilizan como variables de entrada del modelo los factores objetivos que afectan a la decisión de los viajeros de utilizar el transporte público suburbano. Se aplican modelos de regresión logística para estimar la probabilidad de que las cuadrículas se utilicen como áreas de servicio de CB de cercanías y la probabilidad de existencia de demanda potencial de viajes en las cuadrículas y, además, para profundizar en las características de la distribución espacio-temporal de las personas con demanda potencial de viajes de CB y analizar la distribución de las áreas de servicio de alta demanda. Por último, el análisis se realiza con casos prácticos y se utilizan tres líneas como ejemplo. Los resultados muestran que las empresas operadoras son rentables sin subvenciones públicas, lo que confirma la eficacia del método propuesto en este trabajo en aplicaciones prácticas.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:cb de cercanías, datos, teléfono móvil, método de recogida de información sobre la demanda de viajes en autobús, zonas de servicio de cb de cercanías, zonas de servicio de gran afluencia, datos secundarios sobre el precio de la propiedad, modelos de regresión logística, variables de entrada del modelo, demanda potencial de viajes
• Keywords:commuter cb, data, mobile phone, bus travel demand information collection method, commuter cb service areas, high hotspot service areas, secondary property price data, logistic regression models, model input variables, potential travel demand