De meeste transportmodellen zijn ontwikkeld in een periode waarin data moeilijk toegankelijk waren en niet altijd even betrouwbaar. Maar met de opkomst van floating car data, goedkope sensors en opendataplatforms zit het met de data inmiddels wel goed. Betekent dit dat traditionele modellen langzaam overbodig worden?

Voor moderne dynamisch-verkeersmanagementtoepassingen en reisinformatiesystemen moeten we in veel gevallen een keuze maken tussen hetzij modelgebaseerde anticipatie, hetzij datagebaseerde trial-and-error met directe feedback. Lange tijd was anticiperen met behulp van modellen de norm. Maar de laatste jaren wint die data-aanpak aan terrein. De volgende factoren spelen daarbij een rol:

  • Kostprijs. De prijs van sensoren neemt af en de beschikbaarheid ervan neemt toe. Tegenover de klassieke tellussen staan nu ANPR-camera’s en onboard-units van connected vehicles. Hiermee zijn meer gedetailleerde observaties mogelijk. Tegelijkertijd kunnen die meetsystemen ook gewoon de klassieke verkeerstoestand beschrijven, zoals volume of snelheid.
  • Snelheid. De processen waarop de dynamisch-verkeersmanagement- en informatiesystemen inspelen gaan snel. Direct beschikbare data maken het mogelijk om real-time – dat wil zeggen: op de meest recent geobserveerde verkeerstoestand – in te grijpen.
  • Hoeveelheid (variabiliteit). Er is veel data beschikbaar en de databronnen zijn diverser dan ooit. Dat betekent dat er nu ook informatie beschikbaar is die we voorheen enkel uit modellen konden extraheren. Denk dan aan selected link-analyses, route-alternatieven of routefracties, vraagpatronen tussen zones en afslagfracties opgedeeld per bestemming.

Op voorwaarde dat we in staat zijn de indicatoren rechtstreeks te verzamelen, kunnen we zonder probleem stellen dat data het beste model zijn van het heden en het verleden. De kracht van data wordt nog versterkt door het opendatabeleid van overheidsdiensten.

Modellen overbodig?
Deze data-ontwikkelingen hebben sommigen de indruk gegeven dat het modelleren van het verkeer langzaamaan overbodig begint te worden: ‘bestudeer de data en je weet genoeg’. Dat is echter iets te kort door de bocht. Om te beginnen reikt de invloed van veel beleidsbeslissingen tot ver in de toekomst – en daarvan hebben we nog geen data. Maar zelfs als het gaat om het heden, dan nog geldt dat een systeem dat werkt met feedback op basis van data in principe achter de feiten aanholt.

Anticipatie zoals met behulp van een model blijft dus erg waardevol: het zorgt ervoor dat je tijdig de nodige ingrepen kan doen op de verkeerssituatie. In de industrie en robotica, die traditioneel sterk bouwden op pure feedback-processen, zien we een trend naar steeds meer model-predictive control. Het zou dan toch vreemd zijn mochten wij op het vlak van verkeer precies het omgekeerde doen en modellen buiten beschouwing laten?

In de realiteit bestaat verkeer uit het tot stand komen van een evenwicht tussen de verschillende transportmarkten. Die zijn door hun onderlinge interacties niet zomaar te voorspellen. Een nieuw toekomstscenario begroten enkel en alleen op basis van geobserveerde scenario’s zal dan ook in veel gevallen foutief of op z’n minst suboptimaal zijn. Denk aan het inplannen van nieuwe infrastructuur: daarbij kan enkel een nauwkeurig netwerkmodel uitkomst bieden.

Vertrouwen
We hebben dan ook nood aan vertrouwen in die modellen. De traditionele statische modelresultaten worden gemakkelijk onderuitgehaald omwille van hun gebrek aan realisme. Maar daartegenover staan dynamische modellen die file en vertragingen realistischer weergeven, inclusief terugslageffecten. Een belangrijk kenmerk is dat er met een dynamisch model naar specifieke referentieperiodes wordt gekalibreerd – de modellen worden dus ‘fijngeregeld’ met data! Dit geeft een realistischer beeld dan mogelijk zou zijn met een daggemiddeld verkeersbeeld als referentie. De XT-plots in figuur 1 tonen aan dat de files in het macroscopisch-dynamisch verkeersmodel (Mdvm) van Brussel zich voordoen op dezelfde locaties en tijdens dezelfde perioden als in werkelijkheid op de referentiedag.

 

Figuur 1: Vergelijking XT-plotdata met de reële tellingen in de avondspits (links) vs. de simulatie door het Macroscopisch-dynamisch verkeersmodel Brussel (rechts).

 
Macroscopisch-dynamische netwerkmodellen kunnen breed ingezet worden, zowel bij operationele als bij strategische beleidsvorming. Neem als voorbeeld de omgeving in en rond Brussel, die gekenmerkt wordt door haar filegevoeligheid. Met een aantal gerichte infrastructurele en verkeerskundige ingrepen wil Vlaanderen de files rond de stad terugdringen. Zo staan er grootschalige infrastructuurwerken aan de ring rond Brussel gepland, met als belangrijkste het ‘ontvlechten’ van het doorgaande verkeer en het lokale verkeer. Zowel voor het inplannen van de werken als voor de detaillering van de uit te voeren infrastructuur is een macroscopisch-dynamisch verkeersmodel van Brussel onontbeerlijk.

Data als basis voor modellen: een virtuele werkelijkheid
Aan de KU Leuven gaan we nog een stapje verder met de integratie van data en modellen. Ons uiteindelijke doel is het ontwikkelen van een virtuele weerspiegeling van het verkeer. Die kan dan dienen om real-time de toestand van het netwerk te monitoren en naadloos te integreren in een scenario. Om de ingenieursstudenten Logistiek & Verkeer hiermee vertrouwd te maken, is het Creative Laboratory for Intelligent Transport Systems opgericht – zie www.itscrealab.be. Het doel is de toegang tot data en tools voor het ontwikkelen van ITS-applicaties te vereenvoudigen. Hiervoor bouwen we verder op onze bestaande open verkeerssimulatoren.

Binnen dit kader is al een demo ontwikkeld waarmee onderzoekers aan de slag kunnen om files langsheen een willekeurig traject op de Vlaamse autosnelwegen real-time te monitoren en op basis van deze observaties bijvoorbeeld onmiddellijk een scenario met meer of minder rijstroken te evalueren. De snelheids- en intensiteitsmetingen van de verschillende detectoren worden opgevraagd via het opendataportaal van de Vlaamse overheid, om vervolgens via slimme filtering te worden gecorrigeerd. Het netwerk is opgebouwd aan de hand van OpenStreetMap. De simulatie bestaat uit een vereenvoudigd macroscopisch-dynamisch model.
Uit een van zulke analyses blijkt dan bijvoorbeeld dat het uitbreiden van de spitsstrook op de E314 langs Leuven over ongeveer 3 kilometer de fileproblemen (bij gelijkblijvende vraag) sterk kan reduceren. Een nuttige bevinding!

Deze virtuele speeltuin biedt ook de kans aan de experts Dynamische verkeersmodellen van Transport & Mobility Leuven om hun praktijkgerichte expertise verder uit te breiden op basis van fundamenteel onderzoek aan de KU Leuven. Zo kunnen we de modernste technologie blijven aanbieden aan onze opdrachtgevers en beleidsmakers. Niet door modellen te vervangen door data, maar door de krachten van modellen en data te bundelen.

___

Over de auteurs
Willem Himpe is deeltijds onderzoeker bij Transport & Mobility Leuven en als assistent verbonden aan het Centrum voor Industrieel Beleid – Verkeer en Infrastructuur van de KU Leuven.
Chris Tampère is professor aan de KU Leuven bij het Mobility Research Centre L-Mob.

 

De ontwikkeling van het Macroscopisch-dynamisch verkeersmodel Brussel

 
Medio 2017 is een consortium van Transport & Mobility Leuven, Technum en Sweco Belgium gestart met de ontwikkeling van een macroscopisch-dynamisch verkeersmodel voor regio Brussel, in opdracht van de afdeling Beleid van het Vlaamse Departement Mobiliteit en Openbare Werken. In oktober 2018 was het nieuwe model, Mdvm Brussel, gereed. Het is opgebouwd met het softwarepakket Visum en omvat alle belangrijke verkeersassen en verbindingswegen van de Brusselse regio, in totaal meer dan 9000 kruispunten en ruim 19.500 wegsegmenten.
Het Mdvm Brussel is het tweede macroscopisch-dynamische model van België. In 2016 werd al het Mdvm Antwerpen opgeleverd.
 
___
 

Detail van de netwerkvoorstelling in de regio Brussel. Het totale model omvat een oppervlakte van 4.500 km². Het studiegebied is grotendeels gesitueerd op Vlaams grondgebied in de rand van Brussel.

Comments are closed.