Airports represent the major bottleneck in the air traffic management system with increasing traffic density. Enhanced levels of automation and coordination of surface operations are imperative to reduce congestion and to improve efficiency. This paper addresses the problem of comparing different control strategies on the airport surface to investigate their impacts and benefits. We propose an optimization approach to solve in a unified manner the coordinated surface operations problem on network models of an actual hub airport. Controlled pushback time, taxi reroutes and controlled holding time (waiting time at runway threshold for departures and time spent in runway crossing queues for arrivals) are considered as decisions to optimize the ground movement problem. Three major aspects are discussed:1) benefits of incorporating taxi reroutes on the airport performance metrics; 2) priority of arrivals and departures in runway crossings; 3) tradeoffs between controlled pushback and controlled holding time for departures. A preliminary study case is conducted in a model based on operations of Paris Charles De-Gaulle airport under the most frequently used configuration. Airport is modeled using a node-link network structure. Alternate taxi routes are constructed based on surface surveillance records with respect to current procedural factors. A representative peak-hour traffic scenario is generated using historical data. The effectiveness of the proposed optimization methods is investigated.
MULTIFILE
Airport management is often challenged by the task of managing aircraft parking positions most efficiently while complying with environmental regulations and capacity restrictions. Frequently this task is additionally affected by various perturbations, affecting punctuality of airport operations. This paper presents an innovative approach for obtaining an efficient stand assignment considering the stochastic nature of the airport environment and emissions reduction target of the modern air transportation industry. Furthermore, the presented methodology demonstrates how the same procedure of creating a stand assignment can help to identify an emissions mitigation potential. This paper illustrates the application of the presented methodology combined with simulation and demonstrates the impact of the application of Bayesian modeling and metaheuristic optimization for reduction of taxi-related emissions.
In kleine kernen in krimpgebieden in Nederland is sprake van bereikbaarheidsproblemen. Voorzieningen zoals scholen en winkels verdwijnen en openbaar vervoer is vaak onrendabel. Dit kan gevolgen hebben voor de leefsituatie in kleine kernen. Vraagafhankelijke digitale mobiliteitssystemen vormen een kansrijke oplossing voor de bereikbaarheidsproblematiek van kleine kernen. Het succesvol matchen van vervoersvragen van inwoners met zowel professioneel als particulier aanbod biedt mogelijkheden voor een fijnmazige oplossing in tijd en ruimte voor mobiliteit van inwoners van kleine kernen. Er bestaat een aantal uitdagingen voor het realiseren van dergelijke mobiliteitssystemen die mobiliteitsdiensten combineren, van leenfiets en taxi tot openbaar vervoer en meerijden met een dorpsgenoot. Juist voor kleine kernen speelt het particuliere aanbod een belangrijke rol door een tekort aan openbaar vervoer. Het type mobiliteitssyteem dat geschikt is voor kleine kernen is daarom sterk socio-technisch van aard. Dit zorgt voor extra uitdagingen. Om een mobiliteitssysteem voor kleine kernen te realiseren moet daarom een aantal organisatorische, vervoerskundige, en technische vraagstukken geadresseerd worden. Netmobil richt zich op het oplossen van deze vraagstukken. Organisatorische vragen gaan onder meer over community-building in kleine kernen en samenwerking tussen aanbieders. Vervoerskundige vragen gaan over de analyse van de individuele vervoersvraag en het beschikbare en/of mogelijke aanbod, onder andere op basis van databronnen (‘big data’). Het gaat hierbij bijvoorbeeld om de analyse van de actuele en de potentiele vervoersbehoefte voor verschillende mobiliteitsdiensten. Technische vraagstukken gaan over het vinden van vraag/aanbod-matches op basis van dynamische data en over manieren om mens en technologie optimaal te laten samenwerken aan het succesvolle matches. Netmobil beoogt een vraagafhankelijk mobiliteitssysteem gebaseerd op bestaande componenten van projectpartners aangevuld met componenten die nieuw worden ontwikkeld op basis van de genoemde vragen. Het systeem wordt getest en geëvalueerd binnen twee pilots waarvoor de regio Achterhoek als living lab dient.
De Hogeschool van Amsterdam (HvA) onderzoekt in het U-SMILE project de effectiviteit van maatregelen die de gemeente Amsterdam neemt om de taxisector te verschonen. Op dit moment zijn de taxistandplaatsen Centraal Station en Leidseplein alleen toegankelijk voor schone taxi’s; diesels mogen er niet meer komen. De gemeente Amsterdam wil meer taxistandplaatsen verschonen en vraagt zich af of het aantal schone taxi’s in staat is om de sterk in tijd variërende aantallen passagiers op die taxistandplaatsen te bedienen. deze beleidsvraag te kunnen beantwoorden zijn betrouwbare gegevens over aantallen taxi’s en passagiers bij de taxistandplaatsen nodig. Metingen door menselijke tellers zijn duur en fragmentarisch (vaak een uur per dag). De HvA wil de gegevens verzamelen met eenvoudige camera’s in combinatie met te ontwikkelen geavanceerde beeldherkenningssoftware. De software interpreteert de camerabeelden maar slaat de beelden niet op, zodat privacy geen issue is: de camera’s registreren alleen aantallen. Eisen aan de beeldherkeningscamera’s zijn dat deze dag en nacht kan tellen wanneer taxi’s komen en vertrekken, hoeveel mensen in- en uitstappen, en hoe groot het aantal wachtende mensen is. Op termijn wordt beoogd dat de beeldherkenningscamera’s ook toegepast kunnen worden om te tellen hoeveel elektrische taxi’s afzien van opladen omdat het te druk is op snellaadstations (buiten dit project; maar eisen wel meegenomen bij ontwerp). Statische beeldherkenningsalgoritmes zijn bekend in de literatuur en open source beschikbaar. Dit project richt zich op het interpreteren van de herkende beeldobjecten, waarbij door middel van tracing (meerdere foto’s na elkaar), de objecten in tijd en ruimte worden geplaatst.
In het convenant ‘Schone taxi’s voor Amsterdam’ sprak de gemeente eind 2015 met de Toegelaten Taxiorganisaties (TTO’s) af om gezamenlijk te werken aan schoner taxivervoer met als doel om eind 2025 alleen nog met schone taxi’s te rijden. De gemeente faciliteert de overgang van diesel naar elektrisch door te zorgen voor voldoende snellaadpalen, voorrangsregelingen voor schone taxi’s, vrij parkeren bij laadpalen voor elektrische taxi’s en aanschafsubsidies en reguleert door een milieuzone in te stellen voor oude dieseltaxi’s. U-SMILE (onderdeel B) onderzocht de effectiviteit van enkele van de in het convenant afgesproken maatregelen en zocht op antwoord op de volgende vragen: 1) Hoe effectief is de voorrangsregeling op Centraal Station voor het aantrekken van schone taxi’s? 2) Zijn er op uitgaansavonden bij Leidseplein voldoende schone taxi’s beschikbaar voor de grote aantallen passagiers? 3) Zijn er voldoende snelladers in de stad om elektrische taxi’s snel op te laden? 4) Hoe denken de taxichauffeurs over de maatregelen van de gemeente en hebben de maatregelen effect op het gedrag van de taxichauffeurs? Geanonimiseerde gegevens van pasjes- en kentekenscanners bij de taxistandplaatsen Centraal Station en Leidseplein werden wekelijks opgeslagen in de database van HvA en geanalyseerd. Met een web based taximonitor kan de gemeente de actuele analyseresultaten inzien. Ook interviewde U-SMILE taxichauffeurs en stuurde in samenwerking met de afdeling psychologie van Rijksuniversiteit Groningen vragenlijsten uit om te onderzoeken hoe de taxichauffeurs dachten over de maatregelen en of deze zou leiden tot ander gedrag. Wij vragen deze Top-up aan om: 1) Onderzoeksgegevens en gelieerde onderzoeksfaciliteiten beter toegankelijk te maken voor onderzoekers, zowel voor interne als externe onderzoekers; 2) Het bereik van de beschikbare onderzoeksresultaten sterk te vergroten in de taxi-sector en onder taxichauffeurs
