Data, data en nog eens data. Dat is kort gezegd het antwoord van software- en dataspecialist DAT.Mobility als we ze vragen wat ervoor nodig is om onze verkeersmodellen toekomstvast te maken. De auteur bespreekt de ontwikkelingen die al zijn ingezet en blikt vooruit naar de logische vervolgstappen.
 
Foto: Alexey Novikov
 
Verkeersmodellen zijn bij het afwegen van beleidsopties essentieel voor het doorgronden van de complexe verkeerswerkelijkheid. Verreweg de meeste overheden maken daarbij gebruik van ‘traditionele’ verkeersmodellen. Deze modellen rekenen met de aantrekkingskracht die locaties uitoefenen op personen. Ze modelleren eenzijdige verplaatsingen die afgelegd worden door gemiddelde weggebruikers.

Deze aanpak is ons de afgelopen decennia – zeg maar: de tijden van (naoorlogse) groei – uitstekend van dienst geweest om langetermijnprognoses te doen. Trends in bevolkingsgroei, verstedelijking, autobezit enzovoort waren redelijk eenvoudig in parameters te vangen en voor de langere termijn kon met relatief abstracte uitkomsten worden volstaan. De modellen voldeden prima om de effecten van bijvoorbeeld een nieuwe weg door te rekenen.

Maar de tijden veranderen. Hoewel het instrumentarium stapsgewijs is doorontwikkeld (meer detail, multimodaal) kan het de snelle maatschappelijke ontwikkelingen op het gebied van mobiliteit – denk aan de diversificatie van ons mobiliteitsgedrag, e-bikes, MaaS, zelfrijdende voertuigen – amper bijhouden. Het is dan ook van groot belang om verkeersmodellen beter in te richten op de ontwikkelingen.

Wat moet er gebeuren om onze verkeersmodellen een niveau hoger te krijgen? Data is het sleutelwoord. Er is immers geen betere representatie van de werkelijkheid dan de werkelijkheid zelf. Nu de stroom aan mobiliteitsgerelateerde data groter is dan ooit, opent dit twee perspectieven. Dankzij de data krijgen we allereerst een veel gedetailleerder inzicht in het huidige verkeersbeeld. Een tweede punt is dat de data mogelijkheden bieden om nieuwe technieken te introduceren die het verkeerssysteem integraal benaderen.

Inzicht in het huidige verkeersbeeld
De focus van beleidsmakers is merkbaar aan het verschuiven naar het hier en nu. Zeker voor het autoverkeer gaat het momenteel vooral om het borgen van bereikbaarheid – niet om het faciliteren van toekomstige groei. In dat opzicht is het hebben van een scherp en actueel beeld van het verkeerssysteem al erg waardevol, nog los van prognoses.

Dat was lang niet mogelijk. Er werd immers alleen lokaal data verzameld. Die metingen konden we wiskundig aanvullen, met als output een momentopname van een jaargemiddelde werkdag twee of drie jaren terug: een modelmatig basisjaar. Voor langetermijnprognoses gericht op ruimtelijke uitbreiding volstond dit, maar nu de focus verschuift naar inbreiding en optimalisatie van infrastructuur, is meer detail en actualiteit gewenst.

En dat kán ook. Floating car data bijvoorbeeld geven een voortdurend en actueel beeld van de verkeersafwikkeling. En dankzij mobiele-telefoniedata is de markt op dit moment in staat om voor elke unieke dag in het jaar een landsdekkende herkomst-bestemmingsmatrix inclusief intensiteitsbeeld te genereren. Smartphones communiceren namelijk continu met zendmasten en er is dus van elke mobiele telefoon bekend waar deze zich wanneer bevond. Wat nauwkeurigheid betreft komen de verkeersintensiteiten uit zo’n ‘telefoonsteekproef’ binnen enkele procenten van verkeerstellingen.

Een soortgelijke kwaliteitssprong is mogelijk op het gebied van verplaatsingsonderzoek. Op dit moment is het Onderzoek Verplaatsingen in Nederland (OViN) de ‘standaard’: het is de meest gebruikte bron voor statistisch onderzoek en belangrijke input voor verkeersmodellen. OViN baseert zich op zo’n 35.000 respondenten, die één dag per jaar hun verplaatsingsgedrag bijhouden.
Deze data hebben hun waarde bewezen, maar zet ze eens af tegen de data die het in september 2018 opgestarte Nederlands Verplaatsingspanel, NVP, moet opleveren. Het NVP [waar ook DAT.Mobility in deelneemt – red.] streeft ernaar om in een jaar tijd een panel te hebben van zo’n 20.000 deelnemers. Dat zijn er minder dan in het OViN, met dien verstande dat het NVP meet met behulp van sensing-technologieën in de smartphones van de deelnemers. En dus gaat het hier niet om ‘één dag per jaar’ meten, maar om een volcontinu onderzoek naar het aantal verplaatsingen, de modaliteit- en routekeuze, snelheden en vertragingen en het type herkomst en bestemming. Ook kortere (binnenstedelijke) verplaatsingen worden goed bemeten – een categorie die in het OViN ondervertegenwoordigd is.

Modelleren voor de korte termijn
Door al deze data krijgen we een steeds scherper beeld van onze mobiliteit in het heden: een common operational picture. Van daaruit is het maar een kleine stap naar voorspellingen van de nabije toekomst. In steden als Den Haag en Amsterdam wordt daar al volop mee geëxperimenteerd.

Den Haag moet de bereikbaarheid van de stad op peil zien te houden ondanks de meer dan 800 (!) wegwerkzaamheden en evenementen die er elk jaar worden ingepland. Tot voor kort kon bij dit soort situaties hooguit op basis van ervaring, expert judgement, een inschatting van de te verwachten hinder worden gemaakt. Maar sinds 2018 beschikt de gemeente over het Verkeersmodel Bereikbaarheidsregie, waarmee de wegwerkenplanning tot een jaar vooruit kan worden geoptimaliseerd, sturend op minimale verkeershinder. Aan de basis van deze innovatie staan, naast snelle en accurate modeltechnieken, actuele mobiliteitsdata. De crux is dat het model op basis van de actuele data goed in staat is te bepalen wat de gevolgen van een afsluiting nu zouden zijn – en op basis daarvan wat de gevolgen in de nabije toekomst zijn.

Het Amsterdamse voorbeeld betreft het verkeers- en incidentmanagement op de ringweg A10. Om de grote verkeersstromen goed te kunnen managen is een kortetermijnvoorspelling met incidentdetectie ontwikkeld die op basis van real-time floating car data en lusdata de verkeerssituatie tot 15 minuten vooruit prognosticeert. Dit levert verkeersmanagers houvast om het verkeer strakker te sturen, wat vooral bij incidenten belangrijk is.
 
Foto: Peter Gudella 
The next step: Naar een data-driven aanpak
 
Waar gaat de ‘datarevolutie’ de komende jaren toe leiden? Bij het ontwikkelen van een verkeersmodel is het modelleren van een betrouwbaar basisjaar een zeer tijdrovende uitdaging. Maar dankzij de veelheid en ook verscheidenheid aan databronnen die beschikbaar zijn en komen – mobiele telefoniedata, verkeerstellingen, floating car data, opgewerkte digitale netwerken enzovoort – zal er in onze visie een landelijk platform ontstaan dat historische informatie bevat over de beschikbare infrastructuur, modaliteiten, herkomst-bestemmingspatronen en de resulterende afwikkeling: een network-state. Het is een kwestie van enkele jaren of we genereren vanuit deze database voor elke willekeurige dag in het verleden een basissituatie voor elke denkbare korte-, middellange- of langetermijnverkeersprognose. Verkeersmodellen winnen hiermee enorm aan kwaliteit. De uitgangssituatie wordt niet langer wiskundig gemodelleerd en gekalibreerd aan de werkelijkheid, maar is de gemeten werkelijkheid. Vanuit deze gemeten werkelijkheid zijn we vervolgens beter in staat achterliggende patronen te begrijpen en integrale prognoses te maken.

Van sectoraal naar integraal
Want een beter inzicht in het hier en nu is één, maar door ontwikkelingen als MaaS, elektrificatie en autonoom rijden blijven langetermijnprognoses belangrijk. Hier ligt die andere kans van data waar we bij stil willen staan: het ontwikkelen van een verklarende prognosemethodiek die het verkeerssysteem integraal benaderd.

Diverse steden en regio’s gebruiken al gedetailleerde multimodale verkeersmodellen: een uitvloeisel van een proces waarbij openbaar vervoer en active modes de laatste decennia aan kracht wonnen in het beleidsproces. Veel steden streven echter naar netwerken waarin auto, openbaar vervoer en fiets nóg meer in evenwicht zijn. De beleidsdoelstellingen liggen daarbij niet meer primair bij mobiliteit, maar bij bijvoorbeeld economische vitaliteit en leefbaarheid. We zijn aanbeland bij integrale planvorming waarbij gezondheid, economie, leefbaarheid en bereikbaarheid gezamenlijk worden bekeken. Zie ook figuur 1.
 

Figuur 1: Infrastructuurplanning is steeds complexer en meer geïntegreerd geworden. Continue verbetering van tooling, zoals modellen en data-analyses, helpen ons om met deze complexiteit om te gaan.


 
De beschikbaarheid van steeds meer data maakt die stap eenvoudiger. Een prognosemethodiek die op basis van waargenomen herkomst-bestemmingsmatrices uit mobiele telefoniedata in combinatie met waargenomen ritlengtefrequenties, modal split, ritproductie, reistijden enzovoort een verkeersmodel kan schatten, ligt binnen handbereik. Door daarbij ook gebruik te maken van nieuwe geavanceerdere gedragsmodellen ontstaat een next generation-verkeersmodel.

Het modelleren van ‘nieuwe mobiliteit’
Juist doordat het huidige mobiliteitssysteem niet meer om grootschalige weguitbreiding vraagt maar om inpassing en optimalisatie, is het van belang het prognosticeren anders te benaderen. Een voorbeeld: het centrum van een (grote) stad vraagt door de samenstelling van de bevolking, met z’n specifieke gedragingen en voorkeuren, ander beleid dan de buitenwijken van diezelfde stad. Diverse partijen zijn hier al druk mee bezig. Zo studeren de gemeente Rotterdam, TNO en de universiteit van Hasselt sinds een jaar op het ontwikkelen van een zogenaamd agent-based verkeersmodel.

De meeste verkeersmodellen in Nederland zijn nog geaggregeerde trip-based modellen (de eerder genoemde traditionele modellen). Ook zijn er enkele gedesaggregeerde tour-based modellen operationeel. De agent-based benadering gaat echter een stap verder. Waar de trip-based benadering individuele ritten naar telkens een enkele activiteit beschrijft en de tour-based deze benadering uitbreidt naar retour-ritten naar een enkele activiteit, beschrijft een agent-based model complete ritketens van alle unieke individuen waarin alle activiteiten op een dag worden meegenomen.

De voordelen van deze aanpak zijn groot:

  • Ritketens van elk individu, bijvoorbeeld: huis-kinderdagverblijf-werk-boodschappen-huis, zijn verklarend voor de ontstane mobiliteit.
  • Unieke persoonskenmerken als inkomen, leefstijl en opleidingsniveau leiden tot een gedifferentieerd verplaatsingsgedrag.
  • Het ontbreken van een limiet aan het geografische detailniveau, aantal dagdelen of modaliteiten maakt modellen gedetailleerder en eenvoudiger aan te passen aan nieuwe wensen.
  • Het modelleren van active modes (lopen en fietsen) en nieuwe mobiliteitsconcepten is veel beter mogelijk.

Dit opent de deur naar effectstudies op het gebied van nieuwe vervoersconcepten zoals de e-bike, de deelauto of MaaS. Maar ook naar veranderende activiteitenpatronen door vergrijzing of een toename van deeltijdbanen, thuiswerken of een transformatie van woonmilieus. En waar openbaar vervoer en fietsen al veel beleidsaandacht genieten, komt ook de voetganger steeds meer in beleidsplannen voor – en nu dus ook binnen het toepassingsbereik van verkeersmodellen.

De techniek voor agent-based modellen is overigens niet nieuw. In wetenschappelijke kringen wordt er al langer aan gewerkt en in bepaalde buitenlandse steden worden ze in bepaalde vorm al toegepast. Maar omdat traditionele modellen in Nederland maximaal zijn doorontwikkeld en agent-based modellen veel meer inputdata nodig hebben, is de toepassing ervan in de Nederlandse situatie nog zeer beperkt. In de eerder aangehaalde studie van gemeente Rotterdam, TNO en de universiteit van Hasselt concluderen de onderzoekers bijvoorbeeld dat het ineens maken van een volledig agent-based model voor een grote Nederlandse stad te risicovol zou zijn. Voor Nederlandse overheden moet zo’n next generation-verkeersmodel immers op alle fronten minimaal gelijkwaardig en eigenlijk zelfs beter zijn. De agent-based modellen die op dit moment in de praktijk worden ontwikkeld, zijn daarom kruisingen tussen een traditionele en next generation-aanpak.

Maar ook hier biedt de groeiende datastroom een kans. Agent-based modellen hebben veel en gedetailleerde enquêtedata over verplaatsingsgedrag nodig. Die data zijn op dit moment nog niet gemakkelijk beschikbaar, maar met initiatieven als het eerder genoemde Nederlands Verplaatsingspanel kan deze lacune mogelijk ingevuld worden. De rijke mobiliteitsinformatie wordt in dit panel gecombineerd met achtergrondkenmerken van de personen zoals leeftijdscategorie, gezinssituatie, opleidingsniveau enzovoort, wat deze bron bij uitstek geschikt maakt voor zowel directe input als gedragsmatige analyses.

Tot slot
Onze mobiliteit zal de komende jaren flink veranderen. Beleidsmakers staan voor de grote uitdaging om binnen die trends zó te sturen dat de beleidsdoelen van bijvoorbeeld leefbaarheid goed bediend worden. Die uitdaging vraagt om verkeersmodellen die beter dan voorheen de impact op bereikbaarheid, leefbaarheid, gezondheid en economische vitaliteit beoordelen. De toenemende stroom aan gemeten data opent interessante mogelijkheden voor zowel kortetermijnvoorspellingen als een integrale benadering van beleidsvraagstukken op de langere termijn. Verkeersmodellen blijven hiermee in het beleidsproces onmiskenbaar van belang.

___

De auteur
Stefan de Graaf is consultant bij DAT.Mobility.

 

Verkeersmodel Almere brengt complete ritketens in kaart

 
De gemeente Almere zal in april volgend jaar een nieuw agent-based strategisch verkeersmodel in gebruik nemen. Almere is de eerste wegbeheerder in Nederland die een agent-based systeem laat maken voor z’n studies en analyses.

Het Almeerse verkeersmodel wordt ontwikkeld door DAT.Mobility en Goudappel Coffeng. Als basis van het model gebruiken zij het multimodale agent-based modelsysteem BRUTUS van het Finse bedrijf Strafica. De Goudappel Groep, waartoe DAT.Mobility en Goudappel Coffeng behoren, is onlangs een samenwerkingsovereenkomst met Strafica aangegaan.

Toepassingen
Dankzij de agent-based benadering zal het nieuwe Almeerse model voor elk individu (‘agent’) afzonderlijk alle ketens van verplaatsingen kunnen modelleren, op basis van individuele voorkeuren. Dit maakt het bijvoorbeeld mogelijk om verplaatsingsgedrag van specifieke bevolkingsgroepen te onderzoeken. Ook kan Almere de effecten van nieuwe vervoersconcepten (e-bike, deelauto of Mobility-as-a-Service enzovoort) of veranderende activiteitenpatronen (door vergrijzing of een toename van deeltijdbanen) bestuderen.

Begin november zijn de netwerken, de zonering en de sociaaleconomische gegevens voor het model vastgesteld. Daarna worden alle parameters geschat. In april 2019 ten slotte zal Almere het model in gebruik kunnen nemen.

 

De potentie van MaaS bepalen

 
Mobility-as-a-Service (MaaS) is een relatief nieuw mobiliteitsconcept waarin reizigers hun ritten kunnen plannen, kiezen en betalen via één serviceprovider. De verwachtingen rond MaaS zijn groot, maar hoe het in de praktijk zal uitpakken hangt mede samen met het aantal gebruikers. Hoe krijg je daar zicht op?

Alleen personen met een MaaS-abonnement zullen een effect op bereikbaarheid en leefbaarheid teweegbrengen. Daarom is de eerste vraag bij studies naar MaaS-effecten: wie neemt er zo’n abonnement? Om die vraag zo nauwkeurig mogelijk te kunnen beantwoorden, hebben DAT.Mobility en Goudappel Coffeng de MaaS Potentiescan ontwikkeld. Deze scan bepaalt voor de hele Nederlandse populatie de kans dat een gegeven MaaS-propositie wordt aangeschaft.

Aanpak
Het model gebruikt een gedragsmodel (Ho et al., 2017) dat de MaaS-propositie afweegt tegen het huidige mobiliteitsgedrag van 128 persoonstypen. Een zogenaamde population synthesizer onderscheidt deze persoonstypen voor alle CBS-buurten in Nederland.
In de MaaS Potentiescan bestaat een MaaS-propositie uit een combinatie van abonnementsvorm (mobiliteitsbundel of betalen naar gebruik), maandelijkse kosten, het aantal dagen OV-gebruik in de bundel, het aantal uren deelautogebruik in de bundel en/of het tarief voor deelautogebruik en de mogelijkheid om deelauto’s op de bestemming achter te laten. De laatstgenoemde variabele representeert feitelijk ook zelfrijdende voertuigen.
Het huidige mobiliteitsgedrag wordt afgeleid uit beschikbare mobiliteitsdata, onder meer floating car data, en uit vervoerwijze- en bestemmingskeuzen door gsm-data vertaald naar CBS-buurt. Gekoppeld aan de kenmerken van het MaaS-abonnement geeft dit voor alle 13.000 CBS-buurten in Nederland de kans op de aanschaf van een abonnement.

___


Aantal MaaS-abonnementshouders per CBS-buurt voor een mobiliteitsbundel van € 515,- per maand met 16 dagen onbeperkt OV-gebruik, 22 uur deelautogebruik waarbij deelauto’s moeten worden teruggebracht op bestemming.

Comments are closed.