Wie regelmatig op de snelweg rijdt, kent het fenomeen: geen ongeval, geen wegwerkzaamheden en geen zichtbaar knelpunt, en toch een plotselinge file. Deze zogenaamde filegolven ontstaan door kleine verschillen in rijgedrag. Maar hoe precies beïnvloedt die ‘gedragsheterogeniteit’ de verkeersstroom? Dr. Xue Yao van TU Delft promoveerde in januari 2026 op die vraag.
De ene bestuurder remt iets eerder, een andere accelereert krachtiger, weer iemand anders houdt meer afstand. Deze verschillen – ook wel gedragsheterogeniteit genoemd – lijken klein. Maar wanneer veel voertuigen met elkaar interacteren, kunnen de gevolgen voor onder meer doorstroming en verkeersveiligheid groot zijn.
Verkeersmanagement richt zich vaak op het verminderen van zulke verschillen om de prestaties van het systeem te verbeteren. Maar daarvoor moeten we eerst een fundamentele vraag beantwoorden: wat zijn deze gedragsverschillen precies en hoe beïnvloeden zij het verkeer?
Xue Yao van TU Delft ontwikkelde in antwoord op die vragen een raamwerk dat drie stappen met elkaar verbindt: het identificeren van gedrag op basis van data, het begrijpen van de onderliggende mechanismen en het simuleren van de effecten op verkeerssystemen.
1. Heterogeniteit identificeren
Er bestaat inmiddels een groeiende hoeveelheid onderzoek waarin data-analyse en machine learning worden gebruikt om verschillende rijstijlen te identificeren. Met gedetailleerde trajectdata kunnen bijvoorbeeld voorzichtige en agressievere rijstijlen van elkaar worden onderscheiden.
Dat is belangrijk, want deze onderzoeken maken goed duidelijk dat verschillen in rijgedrag inderdaad meetbare effecten hebben op verkeersveiligheid, brandstofverbruik en emissies. De aanwezigheid van agressieve bestuurders bijvoorbeeld kan het gedrag van omliggend verkeer beïnvloeden – en daarmee de interactie tussen voertuigen veranderen.
Een probleem is alleen dat het in het huidige onderzoek nog te veel blijft bij classificatie: bestuurders worden ingedeeld in typen, maar er ontstaat weinig inzicht in hoe gedrag zich in de tijd ontwikkelt. En juist dat laatste is belangrijk om verkeersheterogeniteit echt te begrijpen en te modelleren.
2. Gedrag begrijpen
Om verder te gaan dan classificatie introduceert Yao een zogenoemd action-based framework, waarin centraal staat hoe rijgedrag daadwerkelijk ontstaat. In plaats van gedrag te beschrijven met abstracte parameters, splitst zij het rijproces op in eenvoudige, observeerbare handelingen, zoals accelereren, afremmen en snelheid vasthouden. Deze zogenoemde action phases ziet zij als de bouwstenen van rijgedrag.
Door grootschalige trajectdata te analyseren, kunnen deze fasen worden gegroepeerd in enkele representatieve action patterns. Deze in totaal zes patronen staan niet op zichzelf, maar kunnen worden gekoppeld in zogenoemde action chains, die beschrijven hoe bestuurders in de tijd tussen gedragingen wisselen.
Dit geeft een veel vollediger beeld van rijgedrag. Het wordt zo ook beter interpreteerbaar, omdat het wordt beschreven aan de hand van waarneembare acties. Met deze nieuwe benadering kon Yao al aantonen dat rijgedrag geen vaste eigenschap is, maar een continue reeks beslissingen die zich voortdurend aanpast aan de situatie.
3. Modellering en simulatie
Dan nog de stap van gedragsinzichten naar verkeersmodellen en simulaties. Voortbouwend op het action-based framework ontwikkelde Yao een pattern-based modelling approach. Deze aanpak combineert twee niveaus:
- een hoogniveaumodel dat gedragspatronen en overgangen tússen patronen beschrijft;
- een laagniveaumodel dat de voertuigdynamica bínnen elk patroon simuleert.
Met deze aanpak kunnen verkeerssimulaties heterogeen rijgedrag realistischer weergeven: zowel verschillen tussen bestuurders als variaties binnen het gedrag van één bestuurder in de tijd worden meegenomen.
Zo kunnen onderzoekers systematisch analyseren welke rol gedrag – en heterogeniteit in dat gedrag in het bijzonder – speelt in verkeersstromen.
Van onderzoek naar praktijktoepassingen
Daarmee levert het onderzoek niet alleen nieuwe inzichten in Daarmee levert het onderzoek niet alleen nieuwe inzichten in individueel rijgedrag, maar ook in een klassiek vraagstuk binnen de verkeersstroomtheorie: hoe lokale interacties tussen bestuurders leiden tot collectieve verschijnselen zoals filegolven en capaciteitsverlies in verkeersstromen.
Daar kan het werkveld wel wat mee. Voor verkeersmanagement biedt het raamwerk van Yao mogelijkheden om te testen hoe verschillende samenstellingen van rijgedrag de verkeersafwikkeling beïnvloeden. Daarmee kan het bijdragen aan effectievere regelstrategieën.
Rijtaakondersteunende systemen zouden met deze aanpak meer gepersonaliseerde ondersteuning kunnen bieden, doordat individuele gedragskenmerken beter worden meegenomen. En voor geautomatiseerde voertuigen helpt het raamwerk om menselijk gedrag beter te voorspellen – een essentiële voorwaarde voor veilige interactie in gemengd verkeer.
Tot slot
Het onderzoek van Yao laat zien dat de sleutel tot een beter verkeerssysteem misschien niet alleen ligt in infrastructuur of regelstrategieën, maar juist in een beter begrip van het gedrag van individuele weggebruikers en hun onderlinge interacties. Naarmate verkeerssystemen sterker verbonden en verder geautomatiseerd raken, wordt dit inzicht alleen maar belangrijker.
____
Meer info:
Yao, X. (2026). Driving Heterogeneity in Traffic Flow Theory: An Action-based Framework for Identification, Modelling, and Simulation. Proefschrift TU Delft.
