De verkeersinfrastructuur in de stad is ruim ingericht. Je wilt immers niet dat wegen in de spitsuren compleet vastlopen. Maar met die focus op spitsuren lijken we voor lief te nemen dat tijdens alle niet-spitsuren de straten vrijwel leeg zijn. Dido Verstegen van TU Eindhoven legt uit hoe dat anders kan.
De bevolking in Nederlandse steden groeit en dat vergroot de druk op de stedelijke ruimte. Om wat lucht te creëren, zoeken steden als Amsterdam, Rotterdam en Utrecht naar mogelijkheden om (delen van) de weg een andere bestemming te geven. Ze verwijderen parkeerplaatsen om bredere trottoirs te creëren, sluiten straten af om er wandel- of horecagebieden van te maken enzovoort.
Hoewel deze permanente strategieën waardevol zijn, zijn ze niet te gebruiken voor de ruimte die over de dag vrijkomt. Denk dan aan straten die in de spitsuren hard nodig zijn, maar de rest van de dag grotendeels leeg blijven.
Dynamisch toewijzen
Met het concept Dynamic Road Space Allocation, DRSA, is het mogelijk nu juist dat tijdgebonden potentieel te benutten.1We kennen dit principe van de spitsstroken op snelwegen, maar in de stad wordt het nog niet toegepast. Een belangrijke voorwaarde is dat we een scherp beeld hebben van de verschillende weggebruikers in de stad. Met alle ontwikkelingen op het gebied van sensortechnologie moeten we die hobbel inmiddels kunnen nemen.
In het NWO-project XCARCITY zijn TU Eindhoven, TNO en TU Delft daarom alvast begonnen aan het uitwerken van een geschikte DRSA-aanpak. We hebben een methode ontwikkeld om met kunstmatige intelligentie (AI) wegruimte in de stedelijke context dynamisch te verdelen. Bijgaande figuur laat zien, hoe dat er in de praktijk uitziet: tijdens de ochtendspits krijgt woon-werkverkeer de meeste ruimte, terwijl we buiten de spits meer ruimte creëren voor voetgangers en fietsers.
Om deze ingrepen niet ten koste te laten gaan van de doorstroming, gebruiken we in onze aanpak reinforcement learning. Hierbij ‘leert’ de AI-agent door acties uit te voeren en de reactie van de omgeving daarop te observeren.
Natuurlijk zullen we AI nooit zomaar loslaten op de omgeving: die wordt eerst getraind in een simulatie. De agent kiest hierbij een bepaalde wegconfiguratie en observeert het (gesimuleerde) effect ervan op het netwerk. Als de configuratie leidt tot meer files of ongemak, ‘straffen’ we de agent en zal hij de actie in die specifieke situatie verder vermijden. Door zo alle denkbare scenario’s te doorlopen, weet de agent uiteindelijk precies wanneer welke configuratie te kiezen. Het systeem is dan klaar voor de praktijk.
Vervoerswijzekeuzemodel
Om de bruikbaarheid van onze methode verder te vergroten, hebben we het systeem uitgerust met een vervoerswijzekeuzemodel. Zo kunnen we rekening houden eventuele veranderingen in de verkeersvraag als gevolg van de ingrepen. Als er bijvoorbeeld meer ruimte wordt toegewezen aan fietsen, gaan mogelijk meer mensen met de fiets naar het werk in plaats van met de auto. Dankzij het keuzemodel kunnen we daar ook op optimaliseren.
Vervolgstap
We hebben de DRSA-aanpak inmiddels als proof of concept gereed. Ook hebben we het reinforcement learning kunnen testen. Onze volgende stap is om te onderzoeken hoe we het dynamisch toedelen van ruimte zo eerlijk mogelijk kunnen inzetten om de toegankelijkheid voor verschillende gebruikersgroepen te garanderen. DRSA als nieuw instrument in onze toolbox mobiliteit komt daarmee steeds dichterbij.
____
De auteur
Dido Verstegen van TU Eindhoven is afstudeerstagiair aan TNO. Hij wordt begeleid door dr. Thiago D. Simão van TU Eindhoven en dr. Canmanie T. Ponnambalam van TNO.
