Sinds 1 maart 2017 levert de Nationale Databank voor Wegverkeersgegevens voor het eerst landelijk dekkende floating car data of FCD. De snelheidsdata zijn uitsluitend beschikbaar voor partners van de organisatie, maar de afgeleide reistijdgegevens zijn open. Een mooie mijlpaal – en voor NM Magazine mede aanleiding om FCD eens goed tegen het licht te houden. Wat kunnen we ermee? Wat zijn de mogelijkheden voor netwerkbreed verkeersmanagement? Hoe zit het met toepassingen voor de fiets en het openbaar vervoer? In dit inleidende artikel zet de auteur alvast wat (on)mogelijkheden op een rij.

 
 

De Nationale Databank voor Wegverkeersgegevens, NDW, levert sinds 2009 verkeersgegevens. Tot voor kort kwamen die data vooral van ‘vaste’ inwinsystemen: inductielussen in het asfalt, kentekencamera’s, Bluetooth-meetsystemen en infraroodsensoren. De reikwijdte van dit arsenaal beslaat inmiddels ruim 8.000 kilometer aan wegen. Van dat netwerk leveren ze puntsnelheden, intensiteiten (vaak onderverdeeld in voertuiglengte-categorieën) en reistijden op trajecten, netjes verpakt als minuutgegevens.

Maar per 1 maart 2017 stelt NDW dus ook de landelijk dekkende floating car data beschikbaar. De kern van deze bron zijn gps-locatiegegevens van navigatiesystemen, mobiele telefoons en/of vlootmanagementsystemen. (In principe kunnen ook cellulaire data gebruikt worden van gsm of gprs, maar de locatiebepaling is dan minder nauwkeurig.)
Op zich is dit type gegevens al jaren beschikbaar, maar door de nog lage penetratiegraad en het gebrek aan ervaring met FCD, bleef het gebruik ervan lang beperkt tot pilots en projecten. De tijd lijkt nu rijp voor een doorbraak: we hebben er genoeg van en weten er genoeg van om FCD serieus te nemen.

En dat is maar goed ook, want deze inwinmethode heeft veel potentie. Uit de gps-data kunnen we gemiddelde snelheden en reistijden bepalen, zoals de data die NDW nu levert. Het is mogelijk er herkomst-bestemmingsinformatie uit te winnen en incidenten op het wegennet te detecteren. En binnenkort sturen we er waarschijnlijk ook de eerste verkeersmanagementmaatregelen mee aan. Dat zijn allemaal geen nieuwe toepassingen, maar FCD hebben als belangrijk voordeel dat ze in principe landelijk dekkend zijn: van alle wegen waar auto’s rijden is informatie beschikbaar. Tel daarbij op dat de FCD-bron geen post Onderhoudskosten Meetsystemen kent en duidelijk is wat FCD zo interessant maakt.

Transitiepad
De potentie is overigens ook weer niet zo hoog dat FCD de vaste meetsystemen compleet overbodig maken. Vanuit het oogpunt van kostenbesparing zou dat misschien prachtig zijn – ‘alle lussen kunnen weg’ – maar haalbaar is het niet. Gezien de beperkte dekkingsgraad zijn FCD bijvoorbeeld minder bruikbaar bij een lage verkeersintensiteit. Cruciale verkeersapplicaties die onder die ‘verkeersarme’ omstandigheden moeten functioneren, zoals systemen om blokkades of incidenten te detecteren, moeten voorlopig dus voorzien blijven van vaste meetsystemen.
Denk ook aan de wettelijke verplichting om de luchtkwaliteit en geluidsoverlast te bepalen. De lucht- en geluidsmodellen hebben gegevens over intensiteit en voertuigcategorie nodig om hun berekeningen te kunnen doen. Beide grootheden kunnen we wel met wegkantsystemen bepalen, maar (nog) niet met FCD.

Wat wel mogelijk is, in ieder geval op termijn, is een efficiëntieslag op de indeling van het vaste meetnet. Een overheid zou kunnen kiezen voor een aanpak van vaste-meetsystemen-waar-nodig en FCD-waar-mogelijk. Het is dan wel zaak om 1) alle processen en systemen te inventariseren die afhankelijk zijn van verkeersdata, 2) van al die processen en systemen de gegevensbehoefte te bepalen en 3) vast te stellen met welke mix van wegkant-FCD aan deze behoefte kan worden voldaan.

Samen met enkele andere overheden verkent Rijkswaterstaat voorzichtig de mogelijkheden op dit vlak. Voor de aansturing van de filestaartbeveiliging via matrixsignaalgevers bijvoorbeeld gebruikt de dienst nu nog lussen, maar er wordt nu ook getest met FCD. Blijkt dat de beveiliging met ‘mobiele data’ overeind blijft en voldoende betrouwbaar is, dan kan Rijkswaterstaat (of welke dienstverlener maar ook) de functionaliteit filestaartbeveiliging in eerste instantie aanbieden op plekken waar geen portalen staan: de filestaartbeveiliging kan dan ‘in-car’ op de mobiele telefoon of het navigatiesysteem verschijnen. In tweede instantie zal worden onderzocht of er kan worden bezuinigd op de lussen die er nu voor dit doel liggen – mits ze niet nodig zijn voor andere toepassingen.

Lessons learned
Over de proef met filestaartbeveiliging gaan collega-auteurs verder in het artikel ‘Filestaartbeveiliging op basis van floating car data’. In de afgelopen vier jaar is er echter in veel meer projecten, pilots en implementaties gewerkt met FCD. Wat zijn enkele van de lessons learned bij de inzet van FCD?

De belangrijkste les is bijna een open deur: gebruik de FCD-bron conform haar mogelijkheden. We stipten zojuist al even aan dat het met FCD nog niet mogelijk is intensiteiten te schatten. In 2014 hebben we deelnemers aan de pilot Datafusie van NDW toch – heel eigenwijs – gevraagd om te kijken of er via een omweg intensiteiten kunnen worden geschat: de FCD mochten worden gefuseerd met de gegevens van één luslocatie tussen knooppunten. Ook met hulp van lussen was dat echter te lastig en dat spoor kunnen we voorlopig links laten liggen. Tegelijkertijd echter bleken FCD en diezelfde (sobere) lusdata een prima combinatie om inzicht te geven in snelheden, reistijden en filevorming. Vooral verkeersmanagementprocessen zouden bij dat scherpere zicht veel baat hebben. Conclusie: redeneer vanuit de mogelijkheden en kenmerken van FCD en forceer de bron niet in een rol die hoort bij vaste meetsystemen.

Een tweede belangrijk leerpunt: voor FCD gelden andere kwaliteitseisen dan voor wegkantsystemen. Oppervlakkig gezien lijken FCD en wegkant dezelfde gegevens te leveren, zoals reistijd. Maar een niet onbelangrijk verschil is dat FCD instantane reistijden bieden en geen gerealiseerde reistijden, zoals vaste inwinsystemen. Dat is een heel andere manier van meten, die ook een andere manier van toetsing vereist. Zie hiervoor het artikel ‘Hoe de kwaliteit van FCD te bepalen?’.

Een derde les is dat het gebruik van (ruwe) mobiele data extra inspanningen en kennis vereisen om de gegevens op de juiste manier aan locaties en trajecten te kunnen koppelen. Omdat leveranciers en afnemers in de praktijk verschillende kaarten gebruiken, wil NDW met de ‘kaartonafhankelijke’ standaard Open Locatiereferentie (OpenLR) werken. Voordat de afnemer deze data kan gebruiken, zal die de OpenLR-gegevens eerst nog op de uiteindelijke kaart moeten projecteren. Dat is geen rocket science, maar het moet wel 100% goed gebeuren.
Een andere locatie-uitdaging is de segmentatie van de FCD. Met andere woorden: hoe groot zijn de wegvakken waarover data worden geleverd? Sluiten de begin- en eindpunten van deze wegvakken aan op verkeerskundige situaties zoals kruispunten en wegverbredingen? Ook deze slag maakt dat een afnemer heel goed over de implementatie van mobiele data zal moeten nadenken.

 
Van hoog niveau
Terug naar de landelijke levering. Directe aanleiding was de pilot Floating Car Data van provincie Zuid-Holland, waarvan de resultaten in maart 2016 beschikbaar waren. In het project is specifiek de bruikbaarheid van FCD voor het tonen van reistijden op DRIP’s en voor het identificeren van onverwachte congestie en incidenten onderzocht. Hierbij is gekeken naar de data van vier verschillende leveranciers. Op 50 trajecten op het hoofd-, provinciaal- én stedelijke wegennet zijn de van FCD afgeleide reistijden en de vertragingswaarnemingen (ten behoeve van de identificatie van congestie en incidenten) vergeleken met NDW-data van ‘vaste’ bronnen, met als doel de afwijkingen en de latency ten opzichte van wegkantsystemen te bepalen.
De uitkomsten waren uiterst positief: de verschillenmarges van de FCD-reistijden ten opzichte van de ‘reguliere’ NDW-reistijden waren vaak maar enkele procenten (waarbij bovendien niet gezegd is dat de NDW-data 100% conform de werkelijkheid zijn). Ook een analyse van congestiedetectie met FCD viel positief uit. In meer dan 85% van de gevallen kwam de FCD-detectie overeen met de reguliere NDW-detectie. Het ‘zicht’ op de weg is met FCD dus nagenoeg hetzelfde als met reguliere data.
Wat echter vooral verrassend was, was dat de metingen op het stedelijke wegennet van hoog niveau waren – iets wat in eerste instantie werd betwijfeld.

Die resultaten waren dermate positief dat NDW namens de wegbeheerders is overgegaan tot inkoop van deze data op landelijke schaal. De aanbesteding voor de FCD-levering is gewonnen door Be-Mobile, die in ieder geval voor de periode van één jaar de data zal leveren, met een optie voor drie afzonderlijke verlengingsjaren.

Wegbeheerders kunnen gebruik maken van de fijnmazige reistijden die NDW heeft ingekocht: gemiddelde snelheden op segmenten van maximaal 50 meter. NDW bepaalt daarnaast op basis van de segmenten geaggregeerde reistijden op trajecten (op verzoek van partners, die deze weer voor eigen processen en toepassingen nodig hebben) en geeft die als open data vrij.

Meer mogelijk
Die landelijke beschikbaarheid van ruwe data en de afgeleide reistijden kunnen we gerust een mijlpaal noemen: de FCD-databron is doorgedrongen tot de (verkeers)wereld van meer ‘serieuze’ toepassingen. In welke mate FCD de vaste meetpunten overbodig maken, zal pas mettertijd duidelijk worden, maar de grote winst is nu al de reikwijdte: waar de vaste meetsystemen 8.000 km weg bemeten, zijn FCD goed voor zo’n 60.000 km in totaal.

De landelijke beschikbaarheid van ruwe FCD zal naar verwachting ook snel het toepassingsgebied verruimen. Er zijn dus al de snelheden en reistijden, maar wat te denken van het bepalen van de herkomsten en bestemmingen? Om een herkomst-bestemmingsmatrix op te stellen zijn nu nog steekproeven en enquêtes nodig; op lokaal niveau kan er met kentekencamera’s of bluetoothsystemen worden gewerkt. Maar FCD bieden de mogelijkheid om matrices op landelijke schaal samen te stellen. In 2017 doet NDW hier samen met de partners meer onderzoek naar. De eerste resultaten komen naar verwachting eind 2017 beschikbaar.

We noemden ook al het project waarin wordt bekeken of het mogelijk is om filestaatbeveiliging met FCD aan te sturen, al was het maar om die dienst in-car aan te bieden op plaatsen waar een ‘vaste’ beveiliging niet aanwezig is. En dan zijn er nog de volgende projecten en pilots:

  • De inzet van verkeersmanagementscenario’s (FCD als ‘voeding’ voor de triggers om te bepalen of een scenario moet worden gestart).
  • Het detecteren van incidenten of stilstaande voertuigen.
  • Het bepalen of bijstellen van regelscenario’s.
  • Het valideren van wegafsluitingen.
  • Het registreren van fietsverplaatsingen.

Al deze onderwerpen worden as we speak onderzocht door NDW, de Innovatiecentrale, Rijkswaterstaat en provincies. Om ervoor te zorgen dat kennis gedeeld wordt en er synergie ontstaat, zijn deze partners ook het programma ‘Innoveren met FCD’ gestart, met als doel de voortgang van de verschillende projecten met elkaar in samenhang te bekijken.

Big data?
Met de beschikbaarheid van steeds grotere hoeveelheden data – actuele gegevens, maar die blijven daarna weer beschikbaar als historische data – ontstaan allerlei mogelijkheden in de hoek van big data. De combinatie van de op zichzelf al enorme berg aan FCD met beschikbare wegkantdata en weergegevens, gevoed aan een neuraal ‘deep learning’ netwerk, biedt bijvoorbeeld de mogelijkheid om incidenten te voorspellen. De wegbeheerder kan op deze informatie inspelen door bijvoorbeeld verkeersmanagementmaatregelen in te stellen, of alvast een weginspecteur of berger in stelling te brengen. Rijkswaterstaat en NDW onderzoeken deze mogelijkheden momenteel, in samenwerking met een aantal universiteiten.

Daarnaast zijn er nog onderwerpen in de categorie ‘serieuze toekomstmuziek’. Bij een hoger wordende dekking van FCD wordt bijvoorbeeld het beeld van de verkeerssituatie scherper. Het is niet ondenkbaar dat we dan wel betrouwbaar intensiteiten (op rijbaanniveau) kunnen schatten op basis van FCD. Ook doemen dan de mogelijkheden op van het real-time bepalen van herkomst-bestemmingspatronen.

Aan universiteiten wordt volop gewerkt aan meer fundamentele kennis en expertise. DiTTlab van TU Delft werkt bijvoorbeeld aan het ontwikkelen van multi-scale verkeersverwachtingen, waarbij in een en dezelfde applicatie op alle schaalniveaus, met gebruik van de daarbij relevante data, analyses en verwachtingen kunnen worden opgesteld. Hiermee kunnen we verkeerstromen zeer diepgaand analyseren.

Tot slot
Hoewel er al een aantal jaar onderzoeken plaatsvinden met FCD, is er het gevoel dat we nu pas écht aan het begin staan van het benutten van deze innovatie. Met een aantal toepassingen op basis van FCD kunnen overheden gelijk uit de voeten. Hiervoor biedt NDW de mogelijkheid om samen met partners de gebruikswensen verder te ontwikkelen, als het gaat om concrete toepassingen voor visualisatie en het gebruik van FCD in bijvoorbeeld een verkeerscentrale.

Daarnaast bieden FCD genoeg mogelijkheden voor doorontwikkeling, wat de deur opent naar talloze nieuwe toepassingen. De hoeveelheid data afkomstig uit verschillende mobiele bronnen zal de komende jaren exploderen, en daarmee ook de mogelijkheden en toepassingen die hierop gebouwd kunnen worden. Deze worden de komende jaren ongetwijfeld vanuit allerlei gebruikerswensen en eisen verder ontwikkeld en getest.

_____

De auteur
Edoardo Felici is projectmanager Strategie en innovatie bij NDW.

 

Extended FCD – informatie in het kwadraat

 
 
De huidige FCD zijn nog vooral gebaseerd op locatiegegevens. Maar in principe kunnen (moderne) voertuigen veel meer informatie genereren. Een moderne auto beschikt namelijk over de CAN-bus, waarin alle informatiestromen van alle techniek aan boord samenkomen. Data over stuurbewegingen, gas geven, remmen, het gebruik van de ABS, van koplampen, ruitenwissers enzovoort lopen allemaal via de CAN-bus en de data zijn via deze bus ook te ontsluiten.

Als deze zogenaamde extended FCD inderdaad breed beschikbaar komen, hebben wegbeheerders en serviceproviders pas echt ogen op de weg. Mist- of regenwaarschuwingen op basis van de schakeling van lampen en ruitenwissers in de auto, het detecteren van rommel op de weg of incidenten op basis van de stuuruitslag – het kan dan allemaal. NDW en Rijkswaterstaat onderzoeken in de praktijkproef Voertuigdata de mogelijkheden om deze gegevens in ieder geval uit de dienstauto’s van Rijkswaterstaat en provincies te halen. De eerste twintig dienstvoertuigen zijn inmiddels van een speciale on-board unit voorzien. Meldingen over het gebruik van ruitenwissers, mistlampen, remgedrag en de positie van deze voertuigen zijn al zichtbaar. De komende maanden wordt gekeken naar de mogelijkheid om algoritmes te ontwikkelen waarmee de stap van data naar informatie wordt gemaakt. Eind 2017 komen de resultaten hiervan beschikbaar.

Ook de crowd kan bijdragen

 
Naast (extended) FCD is er nog ‘crowdsourced’ informatie – en ook die bron speelt in het verkeersdomein een steeds grotere rol. Applicaties zoals Waze en Flitsmeister bieden gebruikers de mogelijkheid om afwijkende verkeerssituaties real-time door te geven. Hiermee kan een serviceprovider de verkeersinformatie verbeteren, er kunnen fouten in kaarten en wegkenmerken worden opgespoord, maar het is bijvoorbeeld ook mogelijk om op basis van de crowd data vroegtijdig maatregelen te nemen in geval van nood.

Comments are closed.