Tato práce se zabývá analýzou souvislostí mezi dobou odbavení a typem vozidla městské hromadné dopravy (MHD) na příkladu autobusové linky 33 Plzeňských městských dopravních podniků. Pro účely práce byla získána, očištěna, analyzována a interpretována provozní data o době stanicování a obratu cestujících pro dva typy autobusů stejné délkové kategorie lišící se počtem dveří (SOR NB 12 a SOR NS 12). V teoretické části jsou uvedeny faktory ovlivňující dobu odbavení, představen dopravce, vozidla i zkoumaná linka, a dále využití big dat a základy testování hypotéz. Praktická část je pak zaměřena na analýzu doby odbavení dvou autobusů s rozdílným počtem dveří. Využito je základní popisné statistiky, testování hypotéz a jednoduché regresní analýzy. Ukazuje se, že vyšší počet dveří přispívá k rychlejší výměně cestujících, ale že na nejfrekventovanější plzeňské lince pro danou kategorii vozidel činí průměrný rozdíl v dobách odbavování jednu vteřinu (největší průměrný rozdíl - 5 vteřin - nastává při frekvenci odpovídající méně než 1 % pozorování). Kromě samotných výsledků práce přináší zajímavé poznatky i v oblasti zpracování provozních big dat, neboť byly v procesu přípravy identifikovány nekonzistentní údaje, které by jinak snadno vedly ke zkresleným výsledkům. Na základě výsledků práce jsou vyvozeny závěry a navrhována doporučení pro dopravce, diskutována jsou také omezení výzkumu.
Anotace v angličtině
This work deals with the analysis of correlations between dwell time and the type of vehicles in urban public transportation (PT) using the example of bus line 33 of the Pilsen city transportation company. For the purposes of this work, operational data on dwell time and passenger turnover were obtained, cleaned, analyzed, and interpreted for two types of buses of the same length category but differing in the number of doors (SOR NB 12 and SOR NS 12). The theoretical part introduces factors influencing dwell time, presents the carrier, vehicles, and the studied route, as well as the use of big data and basics of hypothesis testing. The practical part focuses on analyzing the dwell time of two buses with different numbers of doors. Basic descriptive statistics, hypothesis testing, and simple regression analysis are utilized. It is shown that a higher number of doors contributes to faster passenger turnover, but on the busiest Pilsen route for the given vehicle category, the average difference in boarding times is one second (the largest average difference - 5 seconds - occurs at a frequency corresponding to less than 1% of observations). In addition to the actual results of the work, interesting findings are also provided in the area of operational big data processing, as inconsistent data were identified in the preparation process, which could otherwise easily lead to distorted results. Based on the results of the work, conclusions are drawn and recommendations for the carrier are proposed, with discussions on research limitations also included.
Klíčová slova
Autobus, big data, doba odbavení, městská hromadná doprava, statistika
Klíčová slova v angličtině
Bus, big data, dwell time, public transportation, statistics
Rozsah průvodní práce
53 s. (70 000 znaků)
Jazyk
CZ
Anotace
Tato práce se zabývá analýzou souvislostí mezi dobou odbavení a typem vozidla městské hromadné dopravy (MHD) na příkladu autobusové linky 33 Plzeňských městských dopravních podniků. Pro účely práce byla získána, očištěna, analyzována a interpretována provozní data o době stanicování a obratu cestujících pro dva typy autobusů stejné délkové kategorie lišící se počtem dveří (SOR NB 12 a SOR NS 12). V teoretické části jsou uvedeny faktory ovlivňující dobu odbavení, představen dopravce, vozidla i zkoumaná linka, a dále využití big dat a základy testování hypotéz. Praktická část je pak zaměřena na analýzu doby odbavení dvou autobusů s rozdílným počtem dveří. Využito je základní popisné statistiky, testování hypotéz a jednoduché regresní analýzy. Ukazuje se, že vyšší počet dveří přispívá k rychlejší výměně cestujících, ale že na nejfrekventovanější plzeňské lince pro danou kategorii vozidel činí průměrný rozdíl v dobách odbavování jednu vteřinu (největší průměrný rozdíl - 5 vteřin - nastává při frekvenci odpovídající méně než 1 % pozorování). Kromě samotných výsledků práce přináší zajímavé poznatky i v oblasti zpracování provozních big dat, neboť byly v procesu přípravy identifikovány nekonzistentní údaje, které by jinak snadno vedly ke zkresleným výsledkům. Na základě výsledků práce jsou vyvozeny závěry a navrhována doporučení pro dopravce, diskutována jsou také omezení výzkumu.
Anotace v angličtině
This work deals with the analysis of correlations between dwell time and the type of vehicles in urban public transportation (PT) using the example of bus line 33 of the Pilsen city transportation company. For the purposes of this work, operational data on dwell time and passenger turnover were obtained, cleaned, analyzed, and interpreted for two types of buses of the same length category but differing in the number of doors (SOR NB 12 and SOR NS 12). The theoretical part introduces factors influencing dwell time, presents the carrier, vehicles, and the studied route, as well as the use of big data and basics of hypothesis testing. The practical part focuses on analyzing the dwell time of two buses with different numbers of doors. Basic descriptive statistics, hypothesis testing, and simple regression analysis are utilized. It is shown that a higher number of doors contributes to faster passenger turnover, but on the busiest Pilsen route for the given vehicle category, the average difference in boarding times is one second (the largest average difference - 5 seconds - occurs at a frequency corresponding to less than 1% of observations). In addition to the actual results of the work, interesting findings are also provided in the area of operational big data processing, as inconsistent data were identified in the preparation process, which could otherwise easily lead to distorted results. Based on the results of the work, conclusions are drawn and recommendations for the carrier are proposed, with discussions on research limitations also included.
Klíčová slova
Autobus, big data, doba odbavení, městská hromadná doprava, statistika
Klíčová slova v angličtině
Bus, big data, dwell time, public transportation, statistics
Zásady pro vypracování
Zpracujte teoretický úvod do zkoumané problematiky.
Představte vybraného provozovatele MHD a uveďte relevantní inormace o jím nasazovaných vozidlech.
Na vybrané části sítě MHD za zvolené časové období analyzujte souvislost doby odbavení v zastávce s typem nasazovaných vozidel.
Zformulujte závěr a navrhněte případná doporučení.
Zásady pro vypracování
Zpracujte teoretický úvod do zkoumané problematiky.
Představte vybraného provozovatele MHD a uveďte relevantní inormace o jím nasazovaných vozidlech.
Na vybrané části sítě MHD za zvolené časové období analyzujte souvislost doby odbavení v zastávce s typem nasazovaných vozidel.
Zformulujte závěr a navrhněte případná doporučení.
Seznam doporučené literatury
Hendl, J. (2015). Přehled statistických metod: Analýza a Metaanalýza Dat. Portál.
Milkovits, M. N. (2008). Modeling the factors affecting bus stop dwell time. Transportation Research Record: Journal of the Transportation Research Board, 2072(1), 125-130. https://doi.org/10.3141/2072-13
Rashidi, S., Ataeian, S., & Ranjitkar, P. (2022). Estimating bus dwell time: A review of the literature. Transport Reviews, 43(1), 32-61. https://doi.org/10.1080/01441647.2021.2023692
Rowe, J. (2022). Public transportation: Planning, Operations and Management. NY Research Press.
Seznam doporučené literatury
Hendl, J. (2015). Přehled statistických metod: Analýza a Metaanalýza Dat. Portál.
Milkovits, M. N. (2008). Modeling the factors affecting bus stop dwell time. Transportation Research Record: Journal of the Transportation Research Board, 2072(1), 125-130. https://doi.org/10.3141/2072-13
Rashidi, S., Ataeian, S., & Ranjitkar, P. (2022). Estimating bus dwell time: A review of the literature. Transport Reviews, 43(1), 32-61. https://doi.org/10.1080/01441647.2021.2023692
Rowe, J. (2022). Public transportation: Planning, Operations and Management. NY Research Press.
Přílohy volně vložené
Příloha_A_regrese
Přílohy vázané v práci
tabulky
Převzato z knihovny
Ne
Plný text práce
Hodnocení z obhajoby práce
Velmi dobře
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student představil komisi svojí BP. Po přečtení posudku student odpověděl na otázky vedoucího a oponenta. V následné diskuzi student nevysvětlil zcela uspokojivě všechny otázky, jednalo se hlavně o otázky ohledně testů hypotéz.