Anticiperend verkeersmanagement: de stand van zaken

Ook voor verkeersmanagement geldt dat voorkomen beter is dan genezen: pas actie ondernemen als het (te) druk is, is inefficiënt en ineffectief. Maar om goed te kunnen anticiperen moeten we de verkeerstoestand ‘in real time’ kunnen voorspellen. Connectiviteit is daarbij een vereiste. Wat kunnen we inmiddels met dat voorspellen? En wat is straks mogelijk dankzij de almaar groeiende connectiviteit?



Om te kunnen anticiperen op de verkeerstoestand, moeten we uiteraard weten hoe die toestand zich de komende minuten zou ontwikkelen als we niet ingrijpen. Dat voorspellen moet ‘in real time’ gebeuren – en dat kan alleen met (near) real-time data van het heden (= de uitgangspositie) en met snelle voorspeltechnieken.

Dankzij onze toenemende connectiviteit hebben we al een redelijke basis aan data. Denk bijvoorbeeld aan de data van al die verkeerslichten die in verbinding staan met onze verkeersmanagementinstallaties. En natuurlijk aan floating car data, verzameld met behulp van ‘connected’ smartphones en navigatiesystemen. Deze data kunnen we met hooguit een vertraging van enkele minuten binnentrekken en ze vormen daarmee een goed uitgangspunt voor veel typen voorspellingen in (near) real time.

Wat het snel rekenen betreft, zijn er momenteel twee smaken. Nummer één is de volledig datagedreven aanpak die op basis van historische data leert hoe het mobiliteitssysteem zich waarschijnlijk gaat gedragen, gegeven een bepaalde (actuele) situatie. De tweede aanpak is een hybride vorm waarin we datatechnieken combineren met verkeersmodeltechnieken, om zo verkeerskundige kennis en principes te borgen.
Beide benaderingen hebben hun eigen voor- en nadelen. Volledig datagedreven aanpakken zijn vaak net wat sneller, makkelijker schaalbaar en goed in staat om reguliere situaties te voorspellen. Hybride aanpakken gaan weer beter om met niet-reguliere situaties, doen ook uitspraken over onbemeten wegvakken en kennen een betere verkeerskundige consistentie in ruimte, tijd en eenheid. Welke aanpak de beste is, zal dus per toepassing verschillen.

Anticiperend verkeersmanagement in de praktijk
Maar wat zijn die toepassingen in de verkeersmanagementpraktijk van 2021? Heel veel zijn het er nog niet – we staan wat dat betreft pas aan het begin – maar we belichten er twee.

De eerste ‘case’ is het verkeersmanagementsysteem in Deventer. Om het verkeer beter over de stedelijke hoofdroutes te verdelen, gebruikte Deventer al een aantal jaar dynamische route-informatiepanelen met daarop de instantane actuele reistijden over routes: ‘x minuten via route A, y minuten via route B’.
Het nadeel van een instantane reistijd is echter dat die geen rekening houdt met de ontwikkelingen gedurende de rit. Je bepaalt zo’n routereistijd, simpel gesteld, door van alle afzonderlijke wegvakken de reistijden van nú op te tellen. Maar een automobilist is ‘nu’ pas aan het begin van de route. Tijdens z’n rit kunnen wachtrijen verder op de route toenemen of juist afnemen, waardoor de daadwerkelijke reistijd vaak heel anders uitvalt.

Om dat probleem te ondervangen heeft Deventer eind 2019 z’n verkeersmanagementsysteem MobiMaestro aan het online hybride verkeersprognosesysteem OmniTRANS Real time gekoppeld. Dankzij de voorspeller worden inmiddels per wegvak de juiste reistijden bepaald – niet die van het ‘nu’, maar van het moment waarop de weggebruiker daar is. De DRIP’s geven daardoor de daadwerkelijk te verwachten (= voorspeld ‘ervaren’) reistijden weer.

De grafiek in figuur 1 laat zien dat automobilisten inderdaad eerder een aangepast routeadvies krijgen. Uit een analyse blijkt dat dit proactief managen effect sorteert: door tijdig te wijzen op een snellere route kan de reistijdwinst voor individuele weggebruikers oplopen tot 10 procent.

Figuur 1: De grafiek toont het Deventer routeadvies aan automobilisten over de tijd, met én zonder gebruik te maken van verkeersprognoses. (Klik op de figuur voor een vergrote weergave.)

Een ander voorbeeld uit de (proef-) praktijk is van Utrecht, van het project Proof of Concept Utrecht-Zuid. Deze proef betrof het verkeer op en rond de ‘rechthoek’ A28-Waterlinieweg-A12-A27. Ook hier kreeg het verkeer informatie over de instantane actuele reistijden op route A/B, om zo ‘kiemen’ te ontlasten en verkeersproblemen te voorkomen of uit te stellen. Maar ook hier was het probleem dat de getoonde reistijden te veel afweken van de uiteindelijk ervaren reistijden.

In het project hebben Technolution, Arane en Fileradar elk een eigen aanpak met neurale netwerken (kunstmatige intelligentie) getoetst. Dankzij de beschikbare technische connecties kon deze datafusie-techniek de volgende bronnen gebruiken: floating car data, lusdata, radardata en data van thermische camera’s. De veelbelovende maar complexe voorspelaanpak met neurale netwerken bleek een lastige: de voorspelde reistijden van de drie partijen verschilden aanzienlijk van elkaar en van de daadwerkelijke reistijd. Maar het lukte de partijen al wel goed om verschillende hinderklassen te voorspellen: geen, licht of zwaar. Die extra kennis was voldoende om de betrouwbaarheid en informatiewaarde van route-informatiepanelen aanzienlijk te verhogen. Zo’n 40% van een testpanel van forenzen gaf aan het advies te volgen; 20% koos sowieso al de gewenste route.

Voorspellingen in-car brengen
Zoals gezegd is het real-time voorspellen mogelijk dankzij onze connectiviteit en de data die dat oplevert. Maar connectiviteit werkt ook de andere kant op: we kunnen voorspellingen eenvoudig in het voertuig brengen. Binnen het Europese project Prystine is de kortetermijnvoorspelling bijvoorbeeld gebruikt als externe ‘sensor’ voor tactische en strategische beslissingen van zelfrijdende voertuigen. Op basis van de actuele én voorspelde verkeerssituatie stroomafwaarts anticipeert het voertuig op eventuele files, door tijdig snelheid te minderen of van rijstrook te veranderen.

Deze informatie kan ook worden gebruikt voor coördinatie tussen voertuigen en voertuigstromen op netwerkniveau, vergelijkbaar met ontwikkelingen als Green Light Optimal Speed Adaptation (GLOSA). Denk daarbij aan het dynamisch ingrijpen in de snelheid van een voertuigstroom om zo filegolven te dempen.

Meer connectiviteit, meer anticiperend regelen
De praktijkvoorbeelden uit Deventer en Utrecht en het project Prystine laten zien dat er de laatste paar jaar veel vooruitgang is geboekt. Maar we stelden ook: we staan pas aan het begin. Er zijn nog voldoende kansen voor verbeteringen en uitbreidingen.

Die kansen hebben deels te maken met (nog) slimmere voorspelmethodieken. We noemden net al de pogingen met neurale netwerken (kunstmatige intelligentie). De ontwikkelingen op dat vlak gaan razendsnel.
Maar een andere factor van belang is wat er gebeurt op het vlak van connectiviteit. We putten nu nog vooral uit bronnen als verkeerslichten en floating car data, maar de hoeveelheid en rijkheid van real-time data van voertuigen (denk aan probe vehicle data), reizigers (reisdata van MaaS-diensten) en verkeerssystemen (denk aan iVRI’s) zal alleen maar toenemen.

Juist door die combi van slimmere voorspeltechnieken en (veel) meer data zullen we zowel breder als gedetailleerder kunnen voorspellen. Dit opent de mogelijkheid om ‘over vervoerwijzen heen’ te optimaliseren. We krijgen daarnaast meer greep op de stochasticiteit van het verkeersproces: het zal steeds beter lukken om de capaciteitsval voor te blijven en om de propagatie en groei van filegolven te voorspellen. Verder zullen we slimmer kunnen ingrijpen ná een incident door bijvoorbeeld anticiperend over te schakelen op een andere uitwijkroute. Het wordt dan zelfs mogelijk te anticiperen op het ontstáán van incidenten: op basis van kunstmatige intelligentie en nauwkeurige probe vehicle data weten we wanneer en waar de kans op een ongeval gevaarlijk groot wordt – en met die input kunnen we tijdig verkeersmanagementmaatregelen nemen.

Vooral met dat anticiperen op de capaciteitsval, filegolven en incidenten is veel winst te behalen. Door een capaciteitsval zakt de intensiteit op een weg zomaar met 5 tot 30 procent in, filegolven zorgen voor onveiligheid en een incident kan zelfs mensenlevens kosten. Alle reden dus om vol in te zetten op voorspeltechnieken én connected data.

____

De auteurs
Ir. Leon Suijs en dr. ir. Luc Wismans zijn respectievelijk adviseur verkeersmanagement en innovatiemanager van Goudappel.
Ir. Henri Palm is projectmanager bij DAT.Mobility.
Dr. Erik-Sander Smits is partner van Arane Adviseurs.
Drs. Edwin Mein is domeinarchitect bij Technolution.