In macroscopische verkeersmodellen gaat het nog om de grote getallen en om het modelleren van ‘stromen’. Maar in microscopische modellen dalen we af naar het niveau van de individuele reiziger. Je zou verwachten dat deze modellen het menselijke gedrag adequaat simuleren. Maar is dat zo? Raymond Hoogendoorn en Henk Meurs zien mogelijkheden voor net wat meer human factors in de simulaties.
Een juiste representatie van menselijk gedrag is vooral in microscopische verkeersmodellen cruciaal. ‘De’ reiziger bestaat niet, dus zo’n model moet goed de verschillen tussen reiziger A, B en C laten uitkomen. Tegelijkertijd moet het model om kunnen gaan met het gegeven dat het gedrag van bijvoorbeeld die reiziger A ook niet constant is: afhankelijk van de omstandigheden maakt die wel eens een andere keus. Human factors als perceptie, aandacht, informatieverwerking, besluitvormingsprocessen, affect en het maken van fouten verdienen dan ook een plek in de modelberekeningen, willen we een goed beeld krijgen van de effecten van zeg een mobiliteits- of verkeersmanagementmaatregel.
Niveaus
Nu is het ene microscopische model het andere niet. Grofweg gesproken onderscheiden we drie typen, naar het ‘niveau’ van de rijtaak die wordt gemodelleerd. Op het strategisch niveau gaat het om het modelleren van de planningsfase van een reis, zoals bestemmingskeuze, vertrektijdstipkeuze, modaliteitskeuze en routekeuze. Modellen op het tactisch niveau richten zich op de manoeuvres die de bestuurders in staat stellen om met de omstandigheden op de weg om te gaan: de snelheid, volgafstand, rijstrookwisselingen enzovoort. Het operationele niveau ten slotte betreft automatische gedragspatronen, zoals sturen, gas geven en remmen.
In het onderstaande zoomen we in op de modellen voor de strategische en tactische niveaus. De modellen voor het operationele rijgedrag laten we in dit artikel buiten beschouwing, omdat die voor mobiliteits- en verkeersmanagementstudies vaak net iets minder relevant zijn.
Het modelleren strategisch rijgedrag
Om de bestemmings-, vertrektijdstip, modaliteit- en routekeuze van individuen – strategisch rijgedrag dus – te modelleren wordt gebruik gemaakt van onder meer de Random Utility Theory (RUT). In RUT is het uitgangspunt dat individuen streven naar nutsmaximalisatie. In de literatuur zijn nog een aantal verbijzonderingen te vinden van de Utility Theory, zoals de mixed logit-modellen die in sterke mate rekening houden met verschillen tussen reizigers.
Aan deze benaderingen liggen verschillende veronderstellingen ten grondslag. De klassieke RUT-modellen hanteren naast nutsmaximalisatie het uitgangspunt dat individuele reizigers constante voorkeuren hebben, die onafhankelijk zijn van de specifieke situatie. Ook gaan ze ervan uit dat reizigers volledig geïnformeerd zijn over de verschillende alternatieven, dat zij deze alternatieven rationeel afwegen en dat elk individu dezelfde beslissingsstrategie gebruikt.
Wie deze uitgangspunten voor het eerst op een rij ziet, zal zijn wenkbrauwen fronsen: ze zijn aantoonbaar achterhaald. Duidelijk is dat klassieke RUT-modellen de verschillen in gedrag tussen individuen en ‘binnen’ het individu (afhankelijk van omstandigheden soms andere keuzes maken) niet of onvoldoende meenemen in de berekeningen.
Onderzoekers en modelontwikkelaars weten dat natuurlijk ook en daarom zijn er de afgelopen jaren nieuwe modeltheorieën ontwikkeld. Eén ervan is de Prospect Theory (PT). In deze theorie zijn de voorkeuren van individuen afhankelijk van de situatie, is er sprake van ‘framing’ van uitkomsten in termen van verwachte veranderingen, tellen verliezen zwaarder dan winsten en worden referentiepunten gebruikt om de veranderingen vast te stellen. Ook de Regret Theory (RT) kunnen we beschouwen als een stap in de goede richting. Noemenswaardig is verder bounded rationality, een theorie die niet langer uitgaat van volledige geïnformeerdheid.
Het gebruik van PT, RT en bounded rationality zal zonder twijfel beter uitdrukking geven aan de empirische verschillen in strategisch rijgedrag tussen en binnen individuen. Punt blijft wel dat human factors als perceptie, aandacht en informatieverwerkingsprocessen ook in deze modellen onvoldoende zijn geïncorporeerd.
Het modelleren van het tactisch niveau
Hoe staat het met de modellen die rijgedrag op tactisch niveau beschrijven? Wat toepassingsgebied betreft zijn er grofweg twee typen: modellen die longitudinaal rijgedrag en modellen die lateraal rijgedrag beschrijven. Bij longitudinaal rijgedrag gaat het om vooral snelheidskeuze (in vrij verkeer) en volggedrag (in congestie), terwijl modellen van lateraal rijgedrag zich richten op bijvoorbeeld strookwisselgedrag.
We beperken ons hier tot de modellen voor snelheidskeuze en volggedrag. Dit onderwerp heeft veel wetenschappelijke aandacht gekregen en er is dan ook een hele reeks aan wiskundige modellen voor ontwikkeld. De modellen in de categorie safety distance gaan ervan uit dat de dynamica van een voertuig wordt bepaald door de volgafstand: welke afstand is nodig om een botsing met de voorligger te voorkomen? Stimulus response-modellen veronderstellen dat de reactie van de bestuurder voortkomt uit het snelheidsverschil met de voorligger en het verschil tussen de werkelijke volgafstand en de gewenste volgafstand. Ten slotte genereren fuzzy logic-modellen snelheden dan wel acceleraties aan de hand van een aantal ‘fuzzy’ gedragsregels.
Vanuit human factors-oogpunt geredeneerd, hebben ook deze modellen haken en ogen. Vaak is de reactiesnelheid het enige menselijke element waarmee het model rekening houdt. Sowieso wordt alleen het gedrag van de directe voorligger meegenomen als prikkel om de snelheid aan te passen, terwijl uit onderzoek blijkt dat weggebruikers ook anticiperen op wat voorliggers verderop doen. En terwijl de modellen ervan uitgaan dat bestuurders zelfs kleine verschillen in snelheid van de voorligger waarnemen, weten we inmiddels dat weggebruikers die minieme verschillen nauwelijks waarnemen. Ook de veronderstellingen dat de weggebruiker situaties altijd adequaat inschat, altijd de juiste beslissingen neemt en zich 100% focust op zijn rijtaak, kunnen we niet langer als valide beschouwen.
In de wetenschappelijke literatuur zijn reeds aanzetten gedaan om deze punten aan te pakken. Zo zijn er multi-anticipatieve modellen ontwikkeld om ook het gedrag van voorliggers verderop in de verkeersstroom als prikkel voor acceleratie op te nemen. Ook zijn er zogenaamde ‘psycho-spacing’ modellen, die beter rekening houden met het feit dat we kleine snelheidsverschillen van onze voorganger lastig of niet waarnemen.
Ook hier geldt echter dat zelfs de nieuwere modellen de verschillen in rijgedrag tussen en binnen individuen nog niet optimaal meenemen. Factoren als aandacht, mentale taakbelasting, afleiding van bestuurders en het effect van externe omstandigheden op het rijgedrag komen onvoldoende aan bod.
Conclusie
Hoewel er al veel stappen in de goede richting zijn gezet, zijn we er dus nog niet: in zowel strategische als tactische modellen worden lang niet alle human factors voldoende meegenomen. In welke mate zijn individuen in staat om reistijden adequaat in te schatten? Speelt affect een rol in de keuzes die individuen maken? Hoe kunnen we fouten die individuen maken op tactisch niveau het beste modelleren? Dit en nog veel andere vragen moeten worden beantwoord, willen wij het rijgedrag op de verschillende niveaus nog een slag realistischer beschrijven en voorspellen.
Natuurlijk: niet elk type onderzoeksvraag vereist een even nauwkeurige modellering van het rijgedrag. En uiteraard: wie zich goed bewust is van de beperkingen van de beschikbare modellen, kan nog steeds veel baat hebben bij een modelstudie. Maar het zou al te makkelijk zijn om het daarbij te laten. De komende jaren zal ons verkeersbeeld drastisch veranderen. Er komen meer connected toepassingen, de eerste slimme coöperatieve voertuig-wegkantsystemen zijn er al en de rijtaak zal steeds verder worden geautomatiseerd. Willen we de mogelijkheden en effecten van dat soort ontwikkelingen ex ante scherp krijgen, dan behoeven de wiskundige modellen van rijgedrag in de diverse simulatiesoftwarepakketten een verbeterslag. Er is dus werk aan de modelwinkel!
____
De auteurs
Dr. Raymond G. Hoogendoorn en prof. dr. Henk Meurs zijn respectievelijk senior projectleider en directeur van MuConsult.
Literatuuroverzicht
Michon, John A. A critical view of driver behavior models: what do we know, what should we do? Human behavior and traffic safety. Springer US, 1985. 485-524.
Van de Kaa, E. J. (2010). Prospect theory and choice behaviour strategies: review and synthesis of concepts from social and transport sciences. European Journal of Transport and Infrastructure Research (EJTIR), 10 (4), 2010.
Pipes, L.A., (1953). An operational analysis of traffic dynamics. Journal of Applied Physics, 24, 274-281
Kometani, E., & Sasaki, T. (1958). On the stability of traffic flow. Journal of Operations Research Japan, 2, 11-26
Helly, W. (1959). Dynamics of Single Lane Vehicular Traffic Flow. Center for Operations Research, Massachusetts Institute of Technology.
Treiber, M., Hennecke, A., & Helbing, D. (2000). Congested traffic states in empirical observations and microscopic simulations. Physical Review E, 62(2), 1805.
Yikai, K., J. I. Satoh, N. Itakura, N. Honda and A. Satoh. A fuzzy model for behaviour of vehicles to analyze traffic congestion. In Proceedings of the International Congress on Modelling and Simulation, Perth, 1993.
Chorus, C. G. (2007). Traveler response to information. TU Delft, Delft University of Technology.
Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica: Journal of the Econometric Society, 263-291.
Chorus, C. G. (2012). Regret theory-based route choices and traffic equilibria. Transportmetrica, 8(4), 291-305.
Chorus, C.G., Arentze, T.A., Molin, E.J.E., Timmermans, H.J.P., van Wee, G.P., 2006. The value of travel information: Decision-strategy specific conceptualizations and numerical examples. Transportation Research Part B, 40(6), 504- 519
Chen, R.B. en Mahmassani, H.S., 2004. Travel time perception and learning mechanisms in traffic networks. Transportation Research Record, 1894, 209-221
Deco, G., & Rolls, E. T. (2006). Decision‐making and Weber’s law: a neurophysiological model. European Journal of Neuroscience, 24(3), 901-916.
Ossen, S., & Hoogendoorn, S. P. (2006, September). Multi-anticipation and heterogeneity in car-following empirics and a first exploration of their implications. Intelligent Transportation Systems Conference, 2006. ITSC’06. IEEE (pp. 1615-1620). IEEE.
Leutzbach, W., & Wiedemann, R. (1986). Development and applications of traffic simulation models at the Karlsruhe Institut für Verkehrswesen. Traffic engineering & control, 27(5), 270-278.
