Multivariate and functional GAMs for the performance enhancement of local public transport services

This thesis explores methodologies to analyze and optimize public transport operations, with a focus on delays and headway variations. In this context, delays refer to the arrival delays at each stop. Headway variation, on the other hand, refers to the difference between the actual headway and the scheduled headway. Using empirical data from Milan's public transport system, the study applies Generalized Additive Models (GAMs) to examine two levels of analysis: stop-level models, which address issues at individual stops, and ride-level models, which provide a functional perspective across entire routes. These models enable the identification of determinants of public transport system such as scheduled frequency, average speed, and passenger load, allowing for targeted interventions to improve service reliability. Results indicate that delay models are generally more predictable than those for headway variability, reflecting the stochastic nature of the latter. Nevertheless, satisfactory results are obtained in both cases. Visual tools, such as heatmaps, enhance interpretability and provide actionable insights for transit operators. Additionally, interactive dashboards are made available, offering a comprehensive overview of the analyses. The proposed methodology offers a replicable framework applicable to diverse urban and suburban transit contexts, supporting both operational enhancements and strategic planning.

Questa tesi esplora le metodologie per analizzare e ottimizzare le operazioni del trasporto pubblico, con un focus sui ritardi e variazione dell'headway. In questo contesto, con ritardi ci si riferisce ai ritardi di arrivo a ciascuna fermata. Con variazione dell'headway, invece, ci si riferisce alla differenza tra l'headway effettivo e quello programmato. Utilizzando dati empirici dal sistema di trasporto pubblico di Milano, lo studio applica i Modelli Additivi Generalizzati (GAMs) per esaminare due livelli di analisi: modelli a livello di fermata, che affrontano problemi specifici delle singole fermate, e modelli a livello di corsa, che forniscono una prospettiva funzionale su tutto il percorso. Questi modelli permettono di identificare i determinanti del sistema di trasporto pubblico, come la frequenza programmata, la velocità media e il carico di passeggeri, consentendo interventi mirati per migliorare l'affidabilità del servizio. I risultati indicano che i modelli di ritardo sono generalmente più prevedibili rispetto a quelli per la variazione dell'headway, riflettendo la natura stocastica di quest'ultima. Tuttavia, sono stati ottenuti risultati soddisfacenti in entrambi i casi. Gli strumenti visivi, come le heatmap, migliorano l'interpretabilità e forniscono spunti utili per gli operatori del trasporto. Inoltre, sono stati rese disponibili dashboard interattive, che offrono una panoramica completa delle analisi. La metodologia proposta offre un quadro replicabile applicabile a diversi contesti di trasporto urbano e suburbano, supportando sia i miglioramenti operativi che la pianificazione strategica.