In de grootstedelijke gebieden van Nederland gaat het hard met de fiets. Het aandeel van deze slow mode is er inmiddels dusdanig hoog, dat de fietser een eigen verkeersmanagementaanpak verdient. Maar uitdaging één is dan: op welke data baseer je je? Is sturing mogelijk op basis van floating bike data? De auteurs nemen de mogelijkheden door en blikken vooruit naar de niet-eens-zo-verre toekomst van multimodaal netwerkmanagement.

 
 
Het fietsgebruik in Amsterdam is de afgelopen twintig jaar met meer dan 40% gegroeid naar ruim 490.000 dagelijkse fietsritten. Van de reizen met een herkomst en/of bestemming binnen de ring A10 wordt ten minste 30% met de fiets afgelegd. Landelijk gezien zit fietsen ook in de lift. Volgens het MobiliteitsPanel Nederland is de fiets in ruim 32% van de ritten hoofdvervoermiddel (cijfers 2015). In nog eens 21% voorziet de fiets in het voor- en natransport, als onderdeel van een multimodale rit.

Die cijfers liegen er niet om – en ze bevestigen het dagelijkse verkeersbeeld in vooral grootstedelijke gebieden. Het aandeel fietsers is daar dusdanig hoog, dat wegbeheerders wel móeten nadenken over het managen van fietsersstromen. Maar wat zou de ‘databasis’ onder dat management moeten worden? Is er naast floating car data ook zoiets als floating bike data mogelijk?

Mogelijke bronnen
Jazeker. De technologische ontwikkelingen van draagbare plaatsbepalingssystemen met een beperkt gewicht en een minimale impact op de batterijduur gaan hard. In de afgelopen jaren zijn er talloze slimme fietsservices en -systemen op de markt gekomen die gebruikmaken van deze state-of-the-art technologie. Denk aan smartphone-apps voor (fiets)navigatie als Naviki, of aan apps gericht op het registreren van onze sportieve activiteiten: Strava, Runkeeper, MapMyRun, Nike+ en andere. Er zijn ook apparaten waarvan locatiebepaling de belangrijkste functie is, zoals gps-trackers. En inmiddels hebben we zelfs smart fietsen (zoals de SmartBike van Van Moof) en smart fietssloten (AXA Connect), waarbij gps-units en communicatiemogelijkheden zijn ingebouwd.
Al deze systemen kunnen in principe floating bike data genereren. Dat wil zeggen: ze bieden de mogelijkheid om van iedere gebruiker de verplaatsingen te registeren en indien nodig real-time te verzenden naar een centrale server.

Nu is het hebben van fietsdata nog iets anders dan het beschikken over bruikbare floating bike data. Twee dingen zijn essentieel, willen we de data kunnen inzetten voor het stedelijke netwerk. Allereerst moeten de databronnen (apps, smart bikes etc.) genoeg locaties per persoon verzamelen om de fietsers op de juiste manier toe te kunnen delen aan het netwerk. Gelet op de verplaatsingssnelheid en het fijnmazige karakter van het stedelijke netwerk is één locatiebepaling per 10 seconden de ondergrens.

Een tweede vereiste is dat de databronnen data van mensen uit zoveel mogelijk lagen van de bevolking inwinnen. Het is immers belangrijk om een representatief beeld van de gehele fietspopulatie te kunnen genereren en niet alleen van sportieve mountainbikers of hipsters op een smart bike. De data zouden bijvoorbeeld praktisch onbruikbaar zijn als gegevens over de schoolgaande jeugd of ouderen ontbreken. De fietsbewegingen van deze groepen zijn immers niet door andere groepen te reproduceren.

Kansen voor stedelijk verkeersmanagement
Maar stel dat we inderdaad over voldoende en goede floating bike data beschikken. Wat schep je daarmee aan nieuwe analyse- en managementmogelijkheden?

De data geven ons in ieder geval de mogelijkheid om het gebruik van het netwerk, de infrastructuur(her)ontwikkelingen en de hinder die fietsers ondervinden te analyseren. De koppeling van de data van de Fietstel-app met de analysetool BikePrint geeft al een aardig beeld van deze monitoringmogelijkheden.

Maar met behulp van de floating bike data kunnen we ook real-time de verkeerstoestand van de fietsnetwerken schatten – en dat opent deuren naar het gewenste verkeersmanagement. Op basis van de real-time verkeerstoestand kunnen we bijvoorbeeld de vertraging op het fietsnetwerk bepalen, inclusief wachttijden door verkeersregelinstallaties, en die gebruiken om fietsers met een navigatie-app vlot door het fietsnetwerk te leiden. En als die apps meteen ook adviseren met welke snelheid je een kruispunt moet naderen, zal de afrijcapaciteit van die kruispunten worden vergroot. Een koppeling tussen de dynamische toestandschatting op basis van floating bike data, eenvoudige smartphone-apps en lokale wegkantinstallaties (DRIP’s, LED-belijning en dynamische verlichtingssystemen) kan zo voor een eerste efficiëntieslag zorgen.

Al wat spannender is de ontwikkeling en toepassing van connected intersection design en/of fietscorridormanagement voor fietsers. Door verkeersregelinstallaties slim te koppelen zullen we de vertraging van fietsers in netwerken met kort opeenvolgende kruispunten sterk verminderen. Behalve dat fietsers dan minder lang stilstaan, is er ook de tijdswinst dat de af- en opstapbewegingen van fietsers geminimaliseerd worden en de afrijcapaciteit dus gemaximaliseerd wordt. Een voorbeeld van zo’n corridortoepassing is de groene golf, die onder andere in Utrecht en Amsterdam wordt gebruikt.

Het meest ingrijpend is het uitrollen van een netwerkbrede multimodale verkeersmanagementstrategie. Met deze aanpak gebruiken we de principes van regulier netwerkmanagement, maar laten we de focus op sec autoverkeer los. Anders gezegd: de efficiëntie van het multimodaal verkeersmanagement wordt bepaald door de totale hinder die alle reizigers in het netwerk – auto’s, openbaarvervoerpassagiers, fietsers en voetgangers – ondervinden gedurende hun reis. In de binnensteden en op de hoofdroutes van het fietsnetwerk kan dit betekenen dat een grote stroom fietsers op bepaalde kruispunten voorkeur krijgt boven het autoverkeer. Slimme algoritmes, die op basis van een gedegen wachtrijschatting voor alle modaliteiten de instellingen van de verkeersregelinstallaties bepalen, in combinatie met slimme connected wegkantinfrastructuur en smartphone-apps die dynamisch snelheids- en routeadviezen geven, kunnen de totale vertraging in het netwerk zo minimaliseren.

Verre toekomst?
Het lijkt wellicht of de ideeën die we in dit artikel schetsten, verre toekomstmuziek zijn. Maar bedenk dat het ontsluiten van floating bike data geen grote hobbel zal hoeven zijn. Nu merken als AXA en Van Moof hun eerste gps-systemen en diensten gericht op fietsen hebben geïntroduceerd, kan het ineens snel gaan.

Wereldwijd lopen er bovendien verschillende grote pilots die de potentie van multimodaal netwerkbreed verkeersmanagement als deel van de oplossing voor de grootstedelijke mobiliteits- en gezondheidsproblemen, onderzoeken en beproeven. Zo test de stad Kopenhagen op dit moment zeer innovatieve wegkantsystemen, als onderdeel van het project ‘Copenhagen Energy Neutral by 2025’, zoals een monitoringsysteem voor fietsverkeer, fietssnelwegen die fietsers vertellen hoe snel ze moeten fietsen en slimme combinaties tussen straatverlichting en de afstellingen van verkeerslichten.

Aan de TU Delft wordt binnen het ERC-project ALLEGRO daarom alvast hard gewerkt aan toepassingen voor het gebruik van floating bike data. Deze databron kan Nederland veel opleveren en een nieuw verkeersmanagementtijdperk inluiden. Juist nu floating bike data technisch tot de mogelijkheden behoort en de fietsfiles tijdens de spits een realiteit zijn geworden, is multimodaal netwerkbreed verkeersmanagement op basis van dynamische regelstrategieën een onderbouwde manier om onze binnensteden leefbaar te houden en de energiedoelstellingen van het kabinet te halen.

_____

De auteurs
Dorine Duives en Danique Ton zijn respectievelijk onderzoeker en promovendus bij de afdeling Transport & Planning van de TU Delft.
Serge Hoogendoorn is hoogleraar Traffic Operations and Management bij TU Delft.

Comments are closed.