Verkeerstellingen op basis van detectielussen geven het totaal aantal voertuigen weer dat gedurende een bepaalde tijdsperiode passeert, zij het voor een beperkt aantal wegvakken. Floating car data zijn trajectmetingen over alle wegvakken, netwerkbreed, zij het van een beperkt aantal voertuigen. Maar wat als je deze complementaire databronnen samenvoegt? Is het dan mogelijk om de verkeersintensiteiten voor het vollédige wegennet te bepalen?

Overheden die beleidsdoelstellingen opstellen, wegbeheerders die nadenken over het aanpassen van infrastructuur, openbaarvervoermaatschappijen die de dienstverlening voor hun klanten optimaliseren, commerciële bedrijven die inzicht willen in koopstromen. Het zijn zomaar wat voorbeelden van instanties die geïnteresseerd zijn in verkeersintensiteiten, als input voor goed onderbouwde beslissingen.

Die cijfers worden in de praktijk vaak berekend met behulp van modellen, om een beeld te krijgen van het (hoofd-) wegennetwerk als geheel. Neem de jaarlijkse INWEVA-cijfers, de Inschatting Wegvakintensiteit, over het wegennet van Rijkswaterstaat. Van ruwweg 3.000 wegvakken op het hoofdwegennet zijn lusdata beschikbaar en zijn de intensiteiten dus bekend. Maar de cijfers voor de overige 8.000 wegvakken worden op basis van modelassumpties geschat, waarbij het model gebruikmaakt van contextdata als bevolkingsaantallen en activiteitenpatronen.

Maar zijn modelassumpties de enige route naar een netwerkbreed inzicht in de verkeersintensiteiten? Nog wel, maar dat kan snel veranderen. De fusie van lusdata en floating car data (FCD) lijkt namelijk een kansrijk alternatief. Uit detectielussen kunnen we de verkeersintensiteit voor specifieke puntlocaties verkrijgen. FCD bevatten informatie over in principe álle wegvakken, maar op basis van een beperkt aantal voertuigen. Deze databronnen hebben dus elk hun beperkingen, maar ze zijn wel complementair. Door ze te combineren ontstaat informatie die rijker is dan de informatie verkregen op basis van de afzonderlijke bronnen. Bovendien opent dit de weg naar een verkeersintensiteitenoverzicht voor zowel het hoofdwegennet als het onderliggende wegennet, dat dan ook nog eens frequenter kan worden aangemaakt.

Methodiek
Hoe combineren we beide bronnen? De insteek is om de intensiteiten op ‘lusloze’ wegvakken te schatten met behulp van FCD. We moeten daarvoor een beeld hebben van de dekkingsgraad van de FCD, om de FCD-sample te kunnen vertalen naar een totaal aantal voertuigen op het wegvak. En daarvoor hebben we weer de lusdata nodig. Van alle wegvakken met detectielussen kunnen we immers gemakkelijk de FCD-dekkingsgraad bepalen. Stel dat de detectielussen 2.000 voertuigen per uur meten en de FCD komt op 100 passerende voertuigen, dan is de FCD-dekkingsgraad ter plaatse 100/2000 oftewel 5%. Die ‘harde’ cijfers gebruiken we om de dekkingsgraad op de overige (lusloze) wegvakken te schatten.

Dat is overigens meer dan simpelweg die (bijvoorbeeld) 5% aanhouden. De graad kan per wegvak verschillen, dus het is nauwkeuriger om het gewogen gemiddelde te nemen van gekende dekkingsgraden op naburige wegvakken. Ook de invloed van naburige wegvakken is bepalend. Deze invloed is groter naarmate we meer voertuigen op zowel het naburige als het beschouwde wegvak observeren. Een derde schattingsfactor van belang is het type wegennet. De dekkingsgraad op het hoofdwegennet is normaliter hoger dan die op het onderliggende wegennet.

Als we eenmaal een zo betrouwbaar mogelijke FCD-dekkingsgraad hebben bepaald voor de wegvakken zonder lussen, zijn we slechts één rekenstap verwijderd van een goed geschatte totale verkeersintensiteit.

Proof of concept
Tot zover de theorie. Werkt het ook zo in de praktijk? We hebben de aanpak begin 2017 uitgebreid getest in een studiegebied rond Gent. In dit gebied liggen 74 wegvakken met detectielussen, op zowel het hoofdwegennet als het onderliggend wegennet – zie de respectievelijk rode en blauwe bolletjes op bijgaande kaart. De verkeersintensiteit én exacte FCD-dekkingsgraad zijn daar dus bekend. Bij wijze van check hebben we op elk bemeten wegvak echter ook de hierboven beschreven methodiek toegepast. De lusdata van het specifieke wegvak xy werd dan even genegeerd; wel gebruikten we de lusdata/FCD-dekkingsgraden van de overige wegvakken om de FCD-dekkingsgraad voor xy te schatten en op basis daarvan de intensiteit te bepalen. Vervolgens hebben we deze berekende (FCD-) intensiteit vergeleken met de werkelijke (lus ) intensiteit.

 

 
De proof of concept wijst uit dat de nauwkeurigheid toeneemt naarmate de invloed van naburige wegvakken met gekende dekkingsgraad groter wordt. Wanneer het gevonden verband tussen invloedsfactor en nauwkeurigheid doorgetrokken wordt naar alle wegvakken, verkrijgen we het beeld zoals in bijgaande kaart. De kleurenschaal loopt van rood (lagere nauwkeurigheid) over geel tot groen (hoge nauwkeurigheid).
De nauwkeurigheid van de berekende verkeersintensiteiten hangt dus af van het aantal beschikbare detectielussen. Hoe groter het aantal wegvakken met gekende dekkingsgraad, hoe beter de resultaten. De nauwkeurigheid is ook gerelateerd aan de variantie op de gemiddelde dekkingsgraad. Hoe kleiner deze variantie, hoe beter de resultaten.

De proof of concept toont ook aan dat de ontwikkelde methodiek om verkeersintensiteiten te bepalen op basis van een combinatie van lusdata met FCD over het algemeen nauwkeurige resultaten oplevert voor het beschouwde studiegebied rond Gent. Duidelijk is dat de methode goed werkt wanneer er in het studiegebied voldoende detectielussen zijn en wanneer de variantie op de gemiddelde dekkingsgraad beperkt is. Wanneer aan die voorwaarden voldaan wordt, biedt deze methodiek op basis van datafusie een interessant alternatief voor het INWEVA-model. Bijkomend voordeel is dat we de methode ook op het onderliggend wegennet kunnen inzetten.

Vervolgonderzoek
De mate waarin de beschikbaarheid van lusdata van invloed is op de nauwkeurigheid van de resultaten dient verder onderzocht te worden. Ook de invloed van de dekkingsgraad en de variantie moeten we grondiger bestuderen. Doel is om de voorwaarden voor het verkrijgen van nauwkeurige resultaten duidelijk te kwantificeren. Bijvoorbeeld: hoeveel lusdetectiepunten zijn minimaal nodig voor een x nauwkeurigheid en waar moeten die lussen idealiter komen? Als die voorwaarden eenmaal helder zijn, kan de methodiek op basis van datafusie echt naar voren geschoven worden als een alternatief voor de bestaande modelaanpak.

Overigens is het ten minste zo interessant om na te gaan in welke mate de nieuwe benadering een verrijking van (aanvulling op) de bestaande modelaanpak kan betekenen. Stelt het gebruik van FCD ons in staat om de nauwkeurigheid van het INWEVA-model te verhogen? Of andersom, kan de introductie van bepaalde modelassumpties de methodiek op basis van datafusie verbeteren? Interessante stof voor meer vervolgonderzoek.

Toepassingen te over
Een goed inzicht in de verkeersintensiteiten is uiterst belangrijk. Overheden en onderzoeksinstituten baseren zich op verkeersintensiteiten en de daaruit afgeleide indicatoren om het verkeer te monitoren, mobiliteitsproblemen te analyseren, het effect van (beleids)maatregelen te onderzoeken, transportprognoses te maken en om beleidsdoelstellingen te formuleren en evalueren.
Verkeersintensiteiten zijn daarnaast een noodzakelijke input om de emissies en het geluid afkomstig van het verkeer te kunnen modelleren. Ook in traditionele verkeersmodellen wordt gebruik gemaakt van verkeersintensiteiten om de modelresultaten te kalibreren en valideren.

Vandaag beperken deze toepassingen zich doorgaans tot het hoofdwegennet. Hoe mooi zou het zijn als we al die analyses en modelberekeningen netwerkbreed konden doen! Een nieuwe (toepassings)wereld gaat open wanneer verkeersintensiteiten en indicatoren ook op het onderliggend wegennet nauwkeurig kunnen worden bepaald.

____

De auteur
Dr. Isaak Yperman is projectmanager Smart Mobility bij Be-Mobile.

 

Toepassingen buiten het verkeersdomein

Ook voor de retailsector (‘Waar open ik een nieuw filiaal?’) en de buitenreclamesector (‘Welk bereik heeft mijn billboard?’) is een goed inzicht in verkeersintensiteiten cruciaal. Sinds 2016 begroot Be-Mobile in opdracht van JCDecaux jaarlijks het bereik van reclamepanelen op het volledige wegennet in Luxemburg. Hiervoor werden lusdetectordata en floating car data verzameld en gefuseerd.
Op identieke wijze berekent Be-Mobile in België de contacten met reclamepanelen langs de weg, in opdracht van het Centrum voor Informatie over de Media (CIM). Aan de hand van de datafusiemethode kunnen contacten en bereik eenvoudig, netwerkbreed en met een ongeziene accuraatheid worden bepaald.

Comments are closed.