Het Nederlandse wegennet telt tientallen parallelstructuren: een hoofdrijbaan met daarnaast een (gescheiden) parallelrijbaan. In de praktijk kiest het verkeer vooral voor de hoofdrijbaan, zelfs als daar file staat. Kan het verkeer op dit vlak beter ‘gemanaged’ worden? In opdracht van Rijkswaterstaat deed Arane onderzoek naar de kansen van in-car rijbaanadvies.
De aanleiding voor ons onderzoek was een succesvolle pilot op de A4 bij Leiden in 2022. TU Delft en Zuid-Holland Bereikbaar hadden daar aangetoond dat gerichte berichten via de Flitsmeister-app weggebruikers kunnen verleiden om de parallelrijbaan in plaats van de hoofdrijbaan te kiezen. Zo’n in-car aanpak is relatief eenvoudig in te voeren en vereist geen dure wegkantsystemen.
Dit riep de vraag op: waar in Nederland liggen nog meer van dit soort kansen? En kan het in Leiden gebruikte algoritme verder verbeterd worden?
Op zoek naar geschikte locaties
De zoektocht startte met een systematisch analyse van 46 parallelstructuren door het hele land. Met behulp van een grote berg aan data (lusdata en floating car data van meerdere maanden) en visuele analysetools konden we een gedetailleerd beeld van de 46 locaties creëren.
Na een quick-scan en een tweede, grondige analyse vielen veertig van de locaties af als ‘weinig tot niet kansrijk’: er stonden geen files, er stonden files op zowel de hoofd- als de parallelbaan, de trajecten waren te kort, te complex enzovoort. Van de zes kansrijke locaties hebben we de A4 bij Leiden en de A2 bij Eindhoven gekozen om de mogelijkheden van in-car rijbaanadvies te onderzoeken.
Op de A4 zou ruim 96 minuten per dag een rijbaanadvies effectief zijn, stelden we vast. Hier ontstaat regelmatig file op de hoofdrijbaan terwijl de parallelrijbaan leeg blijft. De infrastructuur is gunstig met gelijke snelheidslimieten op hoofd- en parallelrijbaan en minimale rijstrookwisselingen.
De A2 bij Eindhoven heeft twee trajecten met potentie (70-90 minuten per dag). Die vereisen een geavanceerder algoritme, omdat er ook regelmatig file op de parallelrijbaan staat. De complexe infrastructuur met zeven op- en afritten, weefvakken en een rotonde maakt het extra uitdagend.
Van statisch naar anticiperend advies
In het onderzoek hebben we drie typen algoritmes met toenemende intelligentie vergeleken.
Het eerste is een statisch algoritme met vaste tijdvensters. Dit activeert adviezen tijdens vooraf bepaalde tijden. Voor de A4 Leiden bijvoorbeeld dagelijks van 7:50 tot 9:00 uur en van 14:20 tot 18:30 uur. De aanpak is effectief, maar ook weinig flexibel.
Een flinke stap intelligenter is het dynamisch algoritme dat real-time beslissingen neemt. Dit algoritme evalueert continu de actuele verkeerssituatie aan de hand van drie criteria: geen terugslag op de parallelrijbaan, (dreigende) filevorming op de hoofdrijbaan en significant reistijdverschil (minimaal 30 seconden per voertuig). Wordt aan deze criteria voldaan, dan begint het algoritme met het verstrekken van in-car rijbaanadviezen.
De prestatiemetingen tonen substantiële verschillen: op de A4 behaalde het dynamische algoritme 93,6 procent precisie1‘Precisie’ in de zin van: aandeel waarbij advies gegeven werd op de momenten dat dat daadwerkelijk effectief was. tegen 77,5 procent voor het statische algoritme. Op de complexere A2 was het verschil nog groter: 97,4 tegen 59,4 procent.
Een derde type dat we hebben onderzocht, is het anticiperende algoritme, met voorspellend vermogen. Dit type kijkt vooruit en voorspelt toekomstige verkeerssituaties, in eerste instantie door stroomafwaarts te detecteren of een kiem actief wordt. Deze variant wordt momenteel verder ontwikkeld op basis van de simulatieresultaten. Mogelijk kunnen we hier AI gebruiken voor de voorspellingen.
Simulatie voorspelt effecten advies
Het meest innovatieve onderdeel van ons onderzoek is de ontwikkelde pivot-methode. Dit is een AI-gedreven simulatietechniek die de effecten van rijbaanadvies voorspelt zonder het echte verkeer te verstoren.
De methode werkt door machine learning-modellen te trainen op historische verkeersdata van elke specifieke locatie. Deze modellen leren de unieke verkeerspatronen kennen: hoe files ontstaan, groeien en weer oplossen. Ze nemen de voorgaande dertig minuten verkeersintensiteit en vijf minuten reistijden mee om realistische voorspellingen te maken.
Een cruciaal detail: voor hoofd- en parallelrijbaan hebben we aparte modellen ontwikkeld en gebruikt om kunstmatige correlaties te voorkomen. De simulaties draaiden scenario’s met verschillende penetratiegraden, van 0 tot 30 procent van de bestuurders die het advies krijgen en opvolgen.
Resultaten simulatie
De AI-simulatieresultaten voor de A4 bij Leiden zijn veelbelovend: bij een penetratiegraad van 30 procent bespaart het dynamische algoritme bijna 2.500 voertuigminuten per dag – zo’n 40 uur minder vertraging voor alle weggebruikers samen. Weggebruikers die het dynamische rijbaanadvies opvolgen, kunnen tijdens fileperiodes gemiddeld 2 tot 3 minuten reistijd besparen door gebruik te maken van de ruimte op de parallelrijbaan. Een opvallende bevinding: hoe meer mensen het advies krijgen, hoe beter het systeem functioneert. Het statische algoritme daarentegen vertoont al bij 12 procent penetratie negatieve effecten.
Dit traject is daarmee uitstekend geschikt voor een daadwerkelijke implementatie. Het statische algoritme zou al meerwaarde bieden, maar zeker het dynamische.
Voor de A2 bij Eindhoven zijn de resultaten complexer. Individuele weggebruikers die het advies opvolgen, winnen gemiddeld 1,8 minuten per rit, maar volgens de simulatie verliest het totale systeem zo’n 2.200 voertuigminuten per dag bij 30 procent penetratie.
Deze ogenschijnlijk negatieve uitkomst betekent niet dat de A2 ongeschikt is voor rijbaanadvies. De verklaring ligt in de infrastructuur: twee knooppunten en complexe weefbewegingen maken de parallelrijbaan N2 moeilijk te simuleren met eenvoudige machine learning-modellen. Daardoor vertrouwen we deze resultaten niet. Met intensieve monitoring op de parallelbaan tijdens de implementatie verwachten we dat ook hier systeemwinst kan worden gerealiseerd.
Verschil met Ketheltunnel-aanpak
De voor dit onderzoek ontwikkelde AI-modellen verschillen fundamenteel van de Dynamic Graph Convolution Networks, DGCN, die recent voor de Ketheltunnel zijn ontwikkeld. Waar het DGCN-model de volledige netwerkdynamiek modelleert met complexe ruimtelijke afhankelijkheden tussen wegsegmenten, focussen de rijbaanadvies-modellen zich op tijdsreeksvoorspelling voor specifieke trajecten.
Deze aanpak is bewust gekozen. Voor rijbaanadvies is lokale precisie – wat gebeurt er de komende minuten op dit specifieke traject? – belangrijker dan netwerkbrede patronen. De relatief eenvoudige modellen vereisen minder rekenkracht, kunnen sneller worden getraind en passen zich ook sneller aan op veranderende omstandigheden. Vooral dat laatste is essentieel voor de dynamische verkeerssituaties op parallelstructuren.
Lessen voor de toekomst
Ons onderzoek demonstreert de waarde van systematische analyse voordat wordt overgegaan tot implementatie. De methodiek – van grootschalige screening van mogelijke locaties tot gedetailleerde effectanalyse met AI – biedt een blauwdruk voor vergelijkbare projecten. Vooral de pivot-methode met AI voor ex-ante effectbepaling heeft potentie voor bredere toepassing.
Drie kernlessen uit het onderzoek zijn:
- Geen generieke oplossingen. Elke parallelstructuur vereist een eigen analyse en aanpak.
- Dynamisch overtroeft statisch. Op de onderzochte locaties presteerde het dynamische algoritme beter dan statische tijdvensters, met tot 40 procent hogere precisie op complexe locaties.
- AI maakt het verschil. Machine learning maakt het mogelijk om effecten vooraf in te schatten zonder dure praktijkproeven. Dit verlaagt de drempel voor innovatie aanzienlijk.
Vervolgstappen
Voor de geïdentificeerde kansrijke locaties werken we nu aan een implementatieplan. Dit plan zal ingaan op de technische realisatie van het algoritme, de in-car berichtgeving en de benodigde organisatorische voorwaarden waarbij geleerde lessen direct kunnen worden toegepast.
Onder de kansrijke locaties vallen dus de A4 Leiden en de twee trajecten op de A2 Eindhoven, maar ook nog niet nader beproefde locaties als de A1 bij Muiden en A4 bij Schiphol. Voor die trajecten kunnen we de inzichten uit de simulatiestudies Leiden en Eindhoven toepassen.
Zonder extra asfalt, maar met slimme sturing moet het mogelijk zijn de doorstroming op deze parallelstructuren substantieel te verbeteren.
____
De auteurs
Dr. Erik-Sander Smits, Martijn Sparnaaij MSc. zijn respectievelijk partner en verkeerskundig adviseur bij Arane Adviseurs.
Mounir El Hassnaoui MSc., Marc Tem Temi MSc., ir. Marco Schreuder en ir. Henk Schuurman werken binnen Rijkswaterstaat aan smart mobility.
