Novel data-driven modelling approaches for the analysis and enhancement of urban bus system operations and stop demand

• Autores: Yaiza Mª Montero Lamas
• Directores de la Tesis: Margarita Novales (dir. tes.), Alfonso Orro (codir. tes.)
• Lectura: En la Universidade da Coruña ( España ) en 2025
• Idioma: inglés
• Número de páginas: 197
• Tribunal Calificador de la Tesis: Andrés Monzón de Cáceres (presid.), Ana María Rodríguez Pasandín (secret.), Luis Enrique Ramos Santiago (voc.)
• Enlaces
  • Tesis en acceso abierto en: RUC
• Resumen
  • español

    Esta tesis doctoral investiga cómo mejorar el funcionamiento del autobús urbano integrando múltiples fuentes de datos, como las operaciones del autobús, tráfico, meteorología y factores del entorno de paradas. La investigación desarrolla metodologías para predecir y mejorar los tiempos de viaje y demanda de paradas, abordando el impacto de carriles de tráfico mixto en las operaciones del autobús, así como de usos del suelo, factores socioeconómicos y oferta de autobuses en la demanda de las paradas. Empleando enfoques novedosos basados en datos, esta tesis propone métodos para estimar retrasos del autobús y potenciales ahorros de tiempo de los carriles exclusivos. También compara corredores para predecir tiempos de viaje bajo diferentes configuraciones. La tesis analiza los factores influyentes en la demanda de paradas, considerando su entorno y proximidad para proporcionar información que mejore la planificación, por ejemplo, para estimar la demanda de una nueva parada. Esta relación entre la demanda de paradas y su entorno se estudia también durante la pandemia de COVID-19 para facilitar la toma de decisiones en situaciones similares. La investigación aplica técnicas estadísticas tradicionales, avanzadas y de aprendizaje automático, basándose en datos reales y ofreciendo soluciones transferibles para mejorar el desempeño del autobús en diversos contextos urbanos.

  • English

    This doctoral thesis explores how to enhance urban bus performance by integrating multiple data sources, such as bus operations and traffic data, weather conditions, and factors surrounding bus stops. The research develops new methodologies to predict and improve bus travel times and stop demand, addressing the impact of mixed-traffic lanes on bus operations, as well as land use, socioeconomic factors, and transit supply on stop ridership.By employing novel data-driven approaches, this thesis proposes new methods for estimating bus delays and potential time savings from dedicated bus lanes. It also compares corridors to predict bus travel times under different configurations. The thesis analyses the factors influencing stop demand, considering the surroundings and proximity of stops to provide insights for improving transit planning, such as estimating demand for a new stop. This relationship between stop demand and its surroundings during the COVID-19 pandemic is also studied to guide decision-making in similar situations. The research applies traditional and advanced statistical and machine learning techniques, focusing on real data, offering transferable solutions for transit performance improvements in various urban contexts.