Een heel interessant toepassingsgebied voor artificiële intelligentie is verkeersmodellering. Daar is met AI veel tijd- en kwaliteitswinst te behalen, verwachten de auteurs Paul van Koningsbruggen en Gilbert Mulder. Een voorwaarde is wel dat we de technologie gericht inzettenom de knelpunten in de huidige aanpak op te lossen. Van Koningsbruggen en Mulder vertellen hoe dat kan, wat dat vraagt van de ‘modelleur 2.0’ en wat dat weer betekent voor het onderwijs.
De discussie over de mogelijkheden van AI voor verkeersmodellering gaat vaak over generatieve AI en is, eerlijk is eerlijk, soms aan de hypeachtige kant. ‘Nog even en we geven AI met één prompt de opdracht een verkeersmodel voor een hele regio samen te stellen’ – dat idee.
Of het daar ooit van komt, moeten we afwachten. Voorlopig echter wordt AI voor verkeersmodellen pas echt waardevol als we de kunstmatige intelligentie niet benaderen als een op zichzelf staande tool, maar als een middel om concrete fricties en knelpunten op te lossen.
De fundamentele vraag die het vakgebied zich moet stellen, luidt dan ook niet: ‘Wat is er allemaal mogelijk met die technologie?’, maar: ‘Waar helpt AI ons om verkeersmodellen sneller, consistenter, beter uitlegbaar en maatschappelijk meer relevant te maken voor besluitvorming?’ Dit vereist een nuchter verhaal dat vertrekt vanuit het ambacht zelf.
Hieronder vertellen we dat nuchtere verhaal. We beginnen met de (onzes inziens) belangrijkste toepassingsrichtingen.
AI als slimme assistent van de modelleur
We lieten het woord al vallen: verkeersmodellering is nog altijd in belangrijke mate een ambacht. Modelleurs analyseren data, schrijven scripts, kalibreren modellen, controleren uitkomsten en draaien het model steeds opnieuw totdat de resultaten plausibel zijn. Dat kost behalve veel ervaring ook heel veel tijd. AI kan juist in deze dagelijkse werkzaamheden veel ondersteuning bieden. Anders dan traditionele modelsoftware kan AI niet alleen berekeningen uitvoeren, maar ook patronen herkennen, teksten interpreteren en suggesties doen. Daardoor kan AI de modelleur ondersteunen tijdens vrijwel het hele modelleerproces.
AI kan de modelleur ondersteunen tijdens vrijwel het hele modelleerproces.
Data voorbereiden
Neem het ‘schoonmaken’ van de datasets: de controle op fouten, ontbrekende waarden en afwijkingen. AI verandert deze praktijk merkbaar door afwijkingen op te merken en te interpreteren. De echte plus zit echter in het actief ondersteunen bij het opschonen zelf. Dat is en blijft een taak van de modelleur zelf, maar AI kan prima méékijken.
Bij het nalopen van de afwijkingen is de verleiding bijvoorbeeld groot om een uitschieter maar gewoon te verwijderen, in plaats van de achterliggende oorzaak te verklaren. Of om bij regressieanalyses te snel uit te gaan van een normale verdeling, terwijl de data in werkelijkheid een duidelijke scheefheid vertoont. AI kan dan als extern ‘geweten’ dienen en de modelleur kritische vragen stellen. ‘U wilt deze uitschieter verwijderen. Is daarvoor een verkeerskundige of statistische verklaring?’ Dit dwingt de modelleur om de vakinhoudelijke verantwoordelijkheid te nemen.
Een andere AI-kans is helpen bij de ontsluiting van databronnen. De verkeerswereld werkt met steeds grotere en meer diverse databronnen, van onder meer camera’s, sensoren en floating car data. Het is nogal een karwei om die zo te ontsluiten dat ze alle binnen hetzelfde model te gebruiken zijn. AI kan dit proces ondersteunen en versnellen door databronnen automatisch te classificeren, formaten op elkaar af te stemmen en inconsistenties te signaleren voordat de gegevens in het model terechtkomen.
Modelontwikkeling en kalibratie
Na het klaarmaken van de data begint het schaven en slijpen van het model zelf: een eerste modelrun, analyseren, kleine aanpassingen doorvoeren en opnieuw beoordelen – net zo lang tot het model voldoende betrouwbaar is. Dit proces is sterk afhankelijk van senioriteit en ervaring, maar ook hier kan AI zich bewijzen als assistent. Codeassistenten kunnen scripts genereren, foutmeldingen interpreteren en suggesties doen voor modelverbeteringen. Bij het kalibreren van modellen kan AI patronen herkennen en gerichte voorstellen doen voor parameterinstellingen.
De modelleur blijft verantwoordelijk
AI ondersteunt de modelleur daarmee in de hele modelleerketen: van het controleren van datasets tot het programmeren en kalibreren van het model. Daardoor verschuift het werk van veel handmatig uitzoekwerk naar het beoordelen, onderbouwen en verfijnen van AI-suggesties.
Let wel, op elk van deze fronten is en blijft de modelleur de eindverantwoordelijke – en daarmee blijft ouderwets vakmanschap essentieel. Een voorbeeld: bij de ontwikkeling van een nieuw Aimsun-model voor Heerenveen stuitten de modelleurs op een afwijkende telling. Pas na overleg en een schouw konden ze de echte oorzaak vinden: een verkeerde koppeling van een telpunt aan een rijrichting. Met AI is zo’n afwijking waarschijnlijk ook goed te signaleren, maar alleen een ervaren modelleur kan boven water krijgen wat er aan de hand is.
De modelleur blijft de eindverantwoordelijke – en daarmee blijft ouderwets vakmanschap essentieel.
AI als vertaler van model naar praktijk
De uiteindelijke impact van een verkeersmodel ligt bij de reiziger, de omwonende en de lokale ondernemer. Toch zijn verkeersmodellen nog altijd ontwikkeld dóór en vóór vakgenoten. De uitkomsten zijn technisch, abstract en daardoor voor veel belanghebbenden lastig te doorgronden.
Ook op dit vlak kan AI een rol spelen. Dankzij natural language interfaces kunnen omwonenden, ondernemers enzovoort vragen stellen in gewone taal, zoals: ‘Wat betekent dit bouwproject voor de geluidsoverlast bij mijn woning?’ of ‘Wat doet deze maatregel met de bereikbaarheid van mijn winkel?’
AI kan de modeluitkomsten vertalen naar de belevingswereld van verschillende doelgroepen. Een I/C-waarde van 0,75 zegt een verkeerskundige veel, maar een bewoner wil vooral weten of hij straks vaker in de file staat of meer verkeersdrukte in zijn straat ervaart.
In het verlengde hiervan is er nog de mogelijkheid om AI te laten werken met persona’s: helder maken wat de impact van een ingreep op een bepaald type stakeholder is. De gevolgen van een herinrichting kunnen immers heel anders zijn voor een jonge ondernemer dan voor een 75-jarige bewoner.
Met deze AI-functie van ‘vertaler’ wordt in binnen- en buitenland al ervaring opgedaan. Zo zocht de gemeente San Jose in Californië naar methoden om modelresultaten uitlegbaar te maken voor een diverse stedelijke populatie. In Nederland heeft het DMI-ecosysteem een interessante proef gedaan in de binnenstad van Apeldoorn. Daar werden modeluitkomsten vertaald naar herkenbare persona’s, waardoor de gevolgen van verschillende scenario’s veel beter bespreekbaar werden voor bewoners, ondernemers én gemeenteraadsleden.
AI als verbinder van modelketens
Onder de Omgevingswet is het werken in afzonderlijke silo’s definitief verleden tijd. Gelukkig maar, want verkeer hangt nu eenmaal direct samen met ruimtelijke ordening, woningbouw, luchtkwaliteit, geluidhinder en sociale dynamiek. Ook de modellen vanuit deze werkvelden moeten dus goed kunnen samenwerken.
In de praktijk leidt dat vaak tot een keten van modellen: een GIS-tool zet bouwprojecten uit in tijd en ruimte, wat de invoer vormt voor een vervoers- en verkeersmodel, wat vervolgens weer de basis is voor luchtkwaliteits- en geluidshindermodellen. Dat werkt, maar de overdracht tussen deze modellen vereist veel handmatige databewerking en foutgevoelige conversies.
AI kan hierbij fungeren als de ideale ‘verbinder’, door data uit het ene model automatisch te interpreteren en direct te vertalen naar de juiste input en formaten voor het volgende model in de keten. Dit zorgt voor een vloeiende dataflow en verkleint de kans op inconsistenties aanzienlijk.
Een sprekend praktijkvoorbeeld is de digital twin van de gemeente Almere, waar over de grenzen van verschillende domeinen heen modellen met elkaar worden verbonden. Zo laat het neerslagmodel zien bij welke regenintensiteit tunnels overstromen en laat het verkeersmodel zien wat de impact daarvan is op de verkeersafwikkeling. Zo’n geautomatiseerde koppeling is essentieel om te zorgen dat de integrale plannen juridisch houdbaar blijven.
De modelleur 2.0
Tot zover de mogelijkheden van AI. Minstens zo interessant is wat deze ontwikkelingen betekenen voor de verkeersmodelleur zelf. AI verandert immers niet alleen de hulpmiddelen waarmee de modelleur werkt, maar ook het vak. De modelleur 2.0 moet nog altijd de modeltheorie beheersen, maar krijgt daarnaast drie nieuwe (of misschien beter: veel steviger aangezette) rollen.
De eerste is die van kwaliteitsbewaker. We noemden al dat AI kan fungeren als een kritische sparringpartner voor de modelleur door bijvoorbeeld te wijzen op het al te makkelijk verwijderen van afwijkende data. Maar vervolgens is het aan de modelleur om die waarschuwing te beoordelen en de gemaakte keuze verkeerskundig en statistisch te onderbouwen. Zo bewaakt de modelleur, met AI als kritisch geweten, de statistische én juridische kwaliteit van het model.
Daarnaast wordt de modelleur steeds meer communicator. Met hulp van AI vertaalt hij of zij complexe modeluitkomsten naar begrijpelijke informatie voor bestuurders, bewoners en andere belanghebbenden. Niet de techniek staat daarbij centraal, maar de betekenis van de uitkomsten voor de praktijk.
De modelleur 2.0 programmeert misschien minder zelf, maar beoordeelt, verbindt en communiceert des te meer, met AI als assistent.
Dan is er nog de rol van regisseur. Verkeersmodellen maken deel uit van een bredere keten van modellen voor onder meer ruimtelijke ordening, milieu en leefomgeving. De modelleur zorgt ervoor dat die modellen, met ondersteuning van AI, correct en consistent met elkaar samenwerken.
Kortom, de modelleur 2.0 programmeert misschien minder zelf, maar beoordeelt, verbindt en communiceert des te meer, met AI als assistent. Juist daarin zit de grootste verschuiving van het vak.
Opleidingsbehoefte
Als de rol van de modelleur verandert, zal ook het onderwijs moeten meebewegen. Natuurlijk blijft een stevige basis in verkeerskunde, modeltheorie en statistiek onmisbaar. Maar daarnaast zullen opleidingen én bijscholing meer aandacht moeten besteden aan de drie genoemde rollen en bijbehorende competenties van de modelleur 2.0.
Een eerste aandachtspunt hierbij is kritisch omgaan met data en AI. Studenten moeten in staat zijn AI te gebruiken als kwaliteitscontroleur van hun eigen werk. Het gedachteloos verwijderen van afwijkende data of het overnemen van AI-suggesties zonder onderbouwing moet net zo vanzelfsprekend ter discussie worden gesteld als een rekenfout.
Dan communicatie en democratie. Hier gaat het erom studenten te leren om complexe modeluitkomsten te vertalen naar de leefwereld van zeer diverse doelgroepen. Dat kan bijvoorbeeld met training in het gebruik van AI-chatbots. Studenten moeten ook in staat zijn persona’s te creëren, de impact per doelgroep te omschrijven en via simulaties klinische data om te zetten in een begrijpelijk burgerverhaal.
Een derde punt is systems thinking. Verkeersmodellen staan niet op zichzelf, maar maken deel uit van een bredere keten van modellen voor ruimtelijke ordening, milieu en leefomgeving. Toekomstige modelleurs moeten daarom begrijpen hoe zulke modelketens functioneren en hoe AI kan helpen om gegevens tussen verschillende systemen betrouwbaar uit te wisselen.
Tot slot verdienen ook juridische houdbaarheid en transparantie aandacht. Verkeersmodellen staan vaak aan de basis van bestuurlijke en juridische besluitvorming – en een blackboxbenadering is dan onacceptabel. Dit onderdeel kan worden ingevuld aan de hand van casuïstiek over bezwaarprocedures en formele besluitvorming. Studenten moeten leren hoe zij AI-gebruik, gemaakte keuzes en aannames zorgvuldig documenteren en verantwoorden, zodat modeluitkomsten controleerbaar en reproduceerbaar blijven.
Veel van deze onderwerpen krijgen inmiddels al aandacht in hbo- en universitaire opleidingen. De uitdaging is nu om ze een vanzelfsprekend onderdeel te maken van het curriculum. Overigens hebben ook modelleurs die al werkzaam zijn extra hulp nodig. Juist bij een vakgebied dat zo snel verandert, is goede bijscholing minstens zo belangrijk als het initiële onderwijs.
Tot slot
Artificiële intelligentie zal de verkeersmodelleur niet vervangen. Wel zal AI steeds meer routinematig modelleerwerk overnemen, van data-analyse en programmeren tot het ontsluiten van databronnen en het ondersteunen van modelkalibratie. Daardoor verschuift de rol van de modelleur van uitvoerder naar kwaliteitsbewaker, communicator en regisseur.
Dat betekent dat vakmanschap met AI alleen maar belangrijker wordt. Naarmate AI meer werk uit handen neemt, groeit de behoefte aan professionals die de kwaliteit van data en modellen kunnen beoordelen, modeluitkomsten uitleggen aan bestuurders en burgers, en de samenhang tussen verschillende modelketens bewaken.
Die ontwikkeling vraagt om nieuwe kennis en vaardigheden. Opleidingen zullen daarop moeten inspelen, terwijl ook ervaren modelleurs hun vakkennis zullen moeten blijven ontwikkelen via bij- en nascholing. Alleen dan kan AI bijdragen aan verkeersmodellen die niet alleen sneller worden ontwikkeld, maar ook consistenter, beter uitlegbaar en maatschappelijk relevanter zijn.
___
De auteurs
Ing. Paul van Koningsbruggen is directeur Mobiliteit bij Technolution en redacteur van NM Magazine.
Ing. Gilbert Mulder is Associate Director Verkeersmodellen bij Haskoning.
