Het dilemma was er al jaren, maar het is weer extra actueel met de uitrol van de intelligente verkeersregelinstallatie: hoe kun je tegemoetkomend verkeer betrouwbaar informeren over de groentijden als je die groentijden ondertussen nog wil kunnen aanpassen aan de situatie van dat moment? Tot nu toe zal je als wegbeheerder nog moeten kiezen, maar er gloort hoop aan de verkeerslichtenhorizon.
Binnen het innovatiepartnerschap Talking Traffic werken 26 publieke en private partijen aan ‘pratend verkeer’: een keten van informatiesystemen die weggebruikers goed informeert en tegelijkertijd zorgt voor een betere doorstroming. Onderdeel van het werkprogramma zijn drie use cases voor de intelligente verkeersregelinstallatie (iVRI): Informeren, Prioriteren en Optimaliseren. De use case Informeren richt zich op het informeren van weggebruikers via slimme apps, bijvoorbeeld over de ‘time to green’. Prioriteren gaat over het prioriteren van speciale doelgroepen, zoals hulpdiensten, fietsers of vrachtwagens. Optimaliseren betreft het optimaal afwikkelen van het verkeer over een of meer kruispunten.
Wegbeheerders kunnen kiezen welke use case ze voor welke iVRI willen gebruiken. Een combinatie van meerdere use cases op één locatie is in principe ook mogelijk, maar dat stelt de wegbeheerder – en daarmee: de partijen die de use cases ontwikkelen – wel voor een paar forse uitdagingen. Hoe dat zo?
Betrouwbare SPaT?
Het lijkt zo simpel: we maken een VRI intelligent en als resultaat komt er (onder andere) betrouwbare Signal Phase and Timing-informatie uit de keten. Erg nuttig, want zo’n SPaT-bericht bevat de tijd tot groen en tijd tot rood die elk connected, coöperatief dan wel automatisch voertuig nodig heeft om veilig en vlot door het verkeer te kunnen bewegen. Maar nu de eerste iVRI’s op straat staan, stuiten we op een praktisch probleem: de use cases Informeren en Optimaliseren (en in zekere mate ook Prioriteren) bijten elkaar. De discussie komt voort uit de vraag wat voor gaat: de betrouwbaarheid van de SPaT-berichten of de flexibiliteit van de regeling.
Binnen Talking Traffic willen de partners die apps voor weggebruikers maken – de use case Informeren – de SPaT-berichten gebruiken om interessante services voor de weggebruiker te ‘voeden’. Zo’n service kan bestaan uit het simpelweg communiceren hoe lang de iVRI nog op groen of rood staat, tot gepersonaliseerde snelheids- en rijstrookadviezen die individuele weggebruikers (of automatische voertuigen) soepel langs verkeerslichten leiden. Voor de appbouwer is het dan wel cruciaal dat het SPaT-bericht betrouwbaar is.
Wegbeheerders willen het verkeer op een kruispunt echter ook efficiënt kunnen afwikkelen. Binnen de use case Optimaliseren is daarom last second-optimalisatie gewoon. Stel bijvoorbeeld dat er nog een plukje auto’s aan komt rijden, terwijl de gebruikelijke groentijd eigenlijk al ‘op‘ is. De iVRI die is ingesteld op Optimaliseren, kan er dan op het laatste moment voor kiezen om de groentijd met een paar seconden te verlengen. Met het oog op de doorstroming en leefbaarheid (minder brandstof) een verdedigbare keuze, maar dat late ingrijpen gaat wel ten koste van alle uitgestuurde SPaT-berichten voor de conflicterende richtingen. Die krijgen er immers een paar seconden rood bij – en alle snelheidsadviezen om het kruispunt soepel te passeren, zijn in één klap waardeloos. Hetzelfde geldt trouwens voor diensten uit de use case Prioriteren. Ook dan verknoeit een last second-ingreep de SPaT-berichten, in dit geval voor die bus of politieauto die prioriteit vraagt.
Voorspellen en briljant verstarren
Hoe dit ‘conflict’ tussen Informeren enerzijds en Optimaliseren en Prioriteren anderzijds op te lossen? Op dit moment zullen wegbeheerders nog een keuze moeten maken, maar gelukkig werken Talking Traffic-partijen aan nieuwe, intelligente regelingen die wél voor meerdere use cases geschikt zijn. Twee leveranciers, Sweco en Siemens, zijn zelfs al zover dat ze de ‘multi-case-regelingen’ op straat kunnen testen. Het unieke van deze regelsoftware is dat ze het verkeer voorspellen – een mogelijkheid die regelingen in Nederland nog niet of nauwelijks gebruiken – en op basis daarvan ‘briljant verstarren’.
Dat voorspellen kan redelijk ‘old school’ op basis van verweglussen en/of lusdata van de verkeerslichten stroomopwaarts. Maar er kan ook geput worden uit nieuwe data als floating car data, waarvan het bereik nog veel groter is. Het idee is hoe dan ook dat de iVRI het verkeer eerder ziet aankomen en dus kan anticiperen.
Dat is een opstapje naar het ‘briljant verstarren’. Verstarren kennen we van de klassieke, starre verkeersregeling: die werkt met vaste en dus voorspelbare tijdsloten waarin niet-conflicterende richtingen tegelijk groen krijgen. De aanvang, volgorde en/of de duur van de groenfasen liggen keurig vast en kunnen dus ook tijdig gecommuniceerd worden. Het grote nadeel van de traditionele starre regeling is echter dat de wachttijden onnodig groot zijn: weggebruikers kunnen rood krijgen zonder dat er verkeer op de andere richtingen is.
De crux van briljant verstarren is nu dat de regeling niet werkt met vaste groenfasen, maar dat ze die groentijden wel van tevoren vaststelt en dan ook vasthoudt. Simpel gezegd: de regeling voorspelt het verkeersaanbod op alle richtingen 10, 20 of 30 seconden vooruit, bepaalt op basis van dat aanbod wat de groenfase zou moeten zijn met aanvang, volgorde en duur en houdt zich daar dan aan. Er is dus sprake van Optimaliseren, maar door het bevriezen (verstarren) van voorspelde groentijden, is er ook gelegenheid voor Informeren. Neem bijvoorbeeld dat plukje auto’s dat eigenlijk groen niet zo halen. Stel dat in de oude (huidige) situatie de verkeersregeling 4 seconden voor rood zou besluiten om de groentijd te verlengen. Met een tijdshorizon van 10 seconden weet je dat dan al 14 seconden vooraf, met een tijdshorizon van 20 seconden 24 seconden, enzovoort. Dat zijn tijdspannes die een SPaT-bericht fors betrouwbaarder maken.
De kunst is natuurlijk om het verkeersaanbod zo goed mogelijk te schatten. Slechte voorspellingen leiden onherroepelijk alsnog tot ongewenste stops en wachttijden. Het succes van briljant verstarren hangt dan ook een op een samen met het gebruik van de juiste data en de juiste real-time voorspellende modellen.
Op straat
Zoals gezegd hebben Sweco en Siemens al regelingen op straat staan die in principe geschikt zijn voor meerdere use cases. Deze nieuwe software kan beproefd en verder fijngesteld worden.
Sweco test momenteel de regeling Smart Traffic in Helmond. Het gebruikte voorspellingsmodel detecteert alle bewegingen naar het kruispunt toe en weet zo precies wanneer welke auto, fietser en vrachtauto bij het kruispunt aankomt. Smart Traffic kan overweg met floating car data, maar ook met verweglussen en radar- of camerasystemen. De testopstelling in Helmond gebruikt alleen nog data van de bestaande lussen. Op basis van die gegevens voorspelt Smart Traffic de verkeerstoestand met een tijdshorizon van (momenteel) 10 seconden. Met dit toekomstige detectiebeeld berekent Smart Traffic de eerstvolgende aansturingen. Deze worden vastgelegd, oftewel verstard, maar dan op een ‘briljante’ manier. Beslissingen over aanvragen en verlengen worden zo eerder in de tijd genomen. Het gevolg is een soepele afwikkeling van het verkeer én een betrouwbare SPaT.
De tests in Helmond wijzen uit dat de aanpak ook echt werkt: de voorspellingen van de regeling komen betrouwbaar overeen met de daadwerkelijke uitvoering. Dat is vooral opmerkelijk omdat de gemeente Helmond primair heeft gekozen voor de use case Optimaliseren. Een uitgebreide simulatie geeft het zelfde beeld: de inzet van Smart Traffic leidt tot 22% minder voertuigverliesuren ten opzichte van de vraagafhankelijke regeling (use case Optimalisatie geslaagd) en de voorspellingshorizon van 10 seconden is voldoende betrouwbaar (geslaagde use case Informeren).
Overigens zijn met Smart Traffic ook grotere voorspellingshorizons mogelijk, maar bij een gelijkblijvende kwaliteit data neemt de onnauwkeurigheid van de voorspelling natuurlijk wel af. Met behulp van de testopstelling wordt momenteel onderzocht welke horizon met welke data en onder welke omstandigheden optimaal is.
De regeling Director van Siemens is anders opgezet dan Smart Traffic, maar volgt wel hetzelfde principe: het verkeersbeeld voorspellen – ook nog op basis van lusdata – de keuzes verstarren en vroegtijdig communiceren. Director voegt hier echter nog het element evalueren en leren aan toe.
De basiswerking van Director is dat de verkeersstromen en hun verdelingen richting de stopstreep tot 10, 20 of 30 seconden in de toekomst voorspeld worden, onderverdeeld in meerdere tijdsvensters. Dit gebeurt ‘datagedreven’ op basis van een zelflerend neuraal netwerk. De toekomstige detectiebeelden worden gepresenteerd aan een model predictive control (MPC)-regeling. Ook hier wordt de respons van de regeling bewaard maar nog niet uitgestuurd. De resulterende toekomstige signaalfasen worden gecommuniceerd naar het naderende verkeer, voorzien van tijdstempels. Na de voorspellingshorizon wordt de berekende respons daadwerkelijk geschakeld. De resultaten van de doorstroming over de stopstrepen worden gevoed aan het zelflerende algoritme: Was het voorspelde detectiebeeld conform de werkelijkheid? Zo niet, wat is dan de afwijking? Op basis hiervan stelt het algoritme zich bij.
Inmiddels wordt er in provincie Noord-Holland op straat getest en geëvalueerd. De eerste resultaten zijn veelbelovend, in die zin dat de prestaties van de regelingen in aantallen stops en wachttijden geëvenaard of verbeterd worden, maar dan wel met een voorspellingshorizon van 10 tot 20 seconden.
Tot slot
Samenvattend kunnen we stellen dat partijen binnen Talking Traffic goed op weg zijn om het ‘conflict’ tussen Informeren en (vooral) Optimaliseren op te lossen.
Natuurlijk zal het ook met de nieuwe aanpak niet zo zijn dat Informeren en Optimaliseren nooit meer zullen schuren. Zoals we al opmerkten, hangt het succes van briljant verstarren mede af van de kwaliteit van de voorspellingen. Voor een brede uitrol zijn floating car data (voertuigdata) het interessants, al was het maar met het oog op de kosten. Maar daar lijkt nog sprake van een kleine kip-ei-situatie. Hoe meer slimme apps er zijn die door gebruikers gewaardeerd worden – oftewel: hoe beter de voorspellingen zijn – hoe meer voertuigdata er gegenereerd worden. In die zin zijn voorspellen en data een beetje afhankelijk van elkaar.
Dit probleem kan worden overwonnen door voorlopig slim gebruik te maken van bestaande lussen en om te investeren in overbruggingstechnologie, zoals bijvoorbeeld radar voor autoverkeer en thermische camera’s voor langzaam verkeer.
Een ander punt is dat bij het combineren van Informeren en Optimaliseren de SPaT-berichten nooit 100% betrouwbaar zullen zijn, hoeveel data je ook binnensleept en hoe zelflerend de gebruikte algoritmes ook zijn. Weggebruikers kunnen irrationeel en onvoorzien gedrag vertonen, door een afslaande motor, een onoplettende weggebruiker of een plotseling veranderende routekeuze. En dan is er nog de use case Prioriteren. Natuurlijk kan een deel van de prioriteringen in de voorspelling worden meegenomen, zoals die van openbaar vervoer, maar er blijven altijd situaties dat bijvoorbeeld een politie of ambulance plotseling prioriteit aanvraagt en daarmee inbreekt op de al gecommuniceerde groenfasen.
De verwachting is echter dat zulke uitzonderingen het succes van voorspellen en briljant verstarren niet in de weg hoeven te staan – zolang de uitzondering maar niet de regel wordt.
Er zijn met de aanpak van voorspellen en briljant verstarren dus voldoende mogelijkheden om de veronderstelde tegenstelling tussen de use cases Informeren en Optimaliseren tot een minimum te beperken. Zowel de theorie als de al op straat beproefde concepten van Sweco en Siemens bieden hier mooie aanknopingspunten voor.
____
De auteurs
Jeroen Brouwer en Sandra Kamphuis zijn respectievelijk teammanager Mobility Solutions en product manager van Sweco.
Eddy Verhoeven is product owner van Siemens Mobility.
Met medewerking van: Hanneke Welten en Carl Stolz van DTV Consultants.
