Floating car data zijn een waardevolle bron voor het bepalen van de situatie op de weg. Voor sommige toepassingen is de penetratiegraad van de FCD echter nog niet hoog genoeg. In dat geval kan het zinvol zijn de voertuigdata te fuseren met data van weggebonden bronnen. De auteurs van deze bijdrage leggen uit hoe dat in zijn werk gaat.
De penetratiegraad van veel floating car data ligt momenteel op enkele procenten, variërend van pakweg 2 procent tot maximaal zo’n 8 procent. Dat is voor veel verkeerskundige toepassingen ruim voldoende, maar voor specifieke toepassingen als het bepalen van de dichtheid op de weg weer niet. Wat dan? Blijven we voor die toepassing dan geheel aangewezen op zogenaamde weggebonden data? Niet per se, want een interessante optie is om FCD en weggebonden gegevens te combineren. FCD en weggebonden data samen leveren dan wél de kwaliteit die nodig is voor de veeleisende toepassing – en goedkoper dan mogelijk zou zijn met alleen weggebonden data. Immers, FCD zijn goedkoper dan bijvoorbeeld lussen, bluetooth of camera’s. Dus alle investeringen in vaste systemen (of als de systemen er al zijn: de kosten van het onderhoud) die we kunnen voorkomen door een fusie met FCD, zijn winst.
Maar hoe gaat datafusie in de praktijk en wat levert dat nou op? Om die vragen te kunnen beantwoorden, is Vialis in 2015 aan de slag gegaan met data van de verbinding tussen Utrecht en Amersfoort, bestaande uit de provinciale N237 en de A28. (De proef is later uitgebreid tot heel Nederland.) In de pilot zijn real-time FCD gefuseerd met data van vaste meetpunten. We hebben drie use cases onderzocht, namelijk het per wegsegment bepalen van 1) de ruimtelijke snelheid, 2) de ruimtelijke dichtheid (= aantal voertuigen per kilometer weg) en 3) de Level of Service.
Datafusie
We lichten het proces van datafusie kort toe. De basis is uiteraard het meten. Wat vaste meetpunten betreft putten we voor de circa 35 kilometer weg uit ongeveer 140 meetlocaties. De bronnen leveren intensiteiten en snelheden, die we via de Nationale Databank Wegverkeersgegevens (NDW) binnenhalen. De FCD zijn geleverd door Flitsmeister en betreffen tijdstip, MAC-adres, locatie, rijrichting en snelheid.
Deze gegevens maken we eerst consistent: we passen de data van verschillende bronnen als het ware in één raamwerk. Dat is een essentieel, maar wel lastig proces. Bij vaste meetsystemen staat de sensor op een vaste plek en dat levert vanzelf puntmetingen op. Bij FCD reizen sensoren juist met de verkeersstroom mee en gaat het dus om trajectmetingen. Ook de inwinfrequenties van de bronnen verschillen: data levert iedere minuut data, terwijl individuele voertuigen om de 20 seconden FCD aanleveren.
Met alle gegevens in één raamwerk, kan het fuseren zelf beginnen. Met behulp van een algoritme – voor de N237 hebben we de Adaptive Smoothing Method of ASM gebruikt – combineren we de gemeten verkeersgrootheden tot een verkeerskundige beschrijving van de verkeerstoestand. Dit is overigens veel meer dan interpolatie: het algoritme gaat uit van de dynamica van verkeersstromen. Zie figuur 1 voor een voorbeeld van ‘vóór ASM’ en ‘na ASM’.
Voor onze eerste use case hebben we ASM gebruikt om de ruimtelijke gemiddelde snelheid per wegsegment te bepalen. Parameters en weegfactoren worden gebruikt om rekening te houden met verschillen per wegcategorie (autosnelwegen, provinciale en stedelijke wegen). Bij een wegsegment met een verkeersregelinstallatie is de stand van de verkeerslichten een aanvulling in de berekening. Een rood licht correspondeert met een snelheid nul van een wachtend voertuig voor de stopstreep.
De ruimtelijke gemiddelde snelheid wordt gebruikt voor de bepaling van de gemiddelde reistijd op wegvakken of op routes (bijvoorbeeld voor navigatiesystemen).
Het bepalen van de ruimtelijke dichtheid, de tweede use case, gebeurt op basis van de ruimtelijke snelheid en de intensiteit (aantal voertuigpassages per tijdseenheid). Ook hier gebruiken we ASM om een compleet beeld van de intensiteit per wegsegment te krijgen.
Ten slotte bepalen we ook de Level of Service of LoS, de derde use case. Dit is eigenlijk geen datafusie meer, maar het verrijken van data: we bepalen een afgeleide verkeersparameter. Onze parameter baseren we op de North American Highway LoS-standaard. Die gebruikt zes gradaties, A tot en met F, om de verkeerstoestand te beschrijven. A staat voor vrije verkeersafwikkeling. Bij B is sprake van nauwelijks hinder, C representeert beperkte hinder en D duidt op veel hinder. De capaciteit is bij E bereikt. F geeft file aan. In de tabel staan de grenzen voor de snelheden en de ruimtelijke dichtheden per gradaties aangegeven. Voor A tot en met F moet aan beide voorwaarden worden voldaan. Voor F is een van de twee voorwaarden voldoende. De LoS is een nuttige key performance indicator en erg geschikt voor communicatie naar de weggebruiker.
Resultaten
De resultaten van de datafusieproeven op de N237 en de A28 stemmen tot tevredenheid. Het samenbrengen van FCD en NDW-data met behulp van ASM leidt tot een vermindering van meetfouten van zo’n 30 tot wel 50%. De grootheden worden daarnaast gelijkmatiger over ruimte en tijd gespreid.
De proeven maakten ook duidelijk dat datafusie van FCD en NDW-data al bij een lage penetratiegraad van FCD zin heeft. Grofweg gesproken: al bij een intensiteit van 50 FCD-voertuigen per uur in één richting verkrijgen we een goed beeld van de ruimtelijke snelheid op een wegvak. Het is daarom een goede methode voor het verhogen van de kwaliteit van de gebruikelijke verkeerskundige grootheden en voor het aanbieden van ‘nieuwe’ verkeerskundige grootheden als dichtheid en LoS. Naarmate de penetratiegraad van FCD toeneemt, zal de kwaliteit van de verkeerskundige grootheden uiteraard ook groeien. Eventueel zou er dan gekozen kunnen worden voor een versobering – nog geen afschaffing – van de inwinning via vaste meetpunten.
_____
De auteurs
Frans van Waes en Martin Barto zijn respectievelijk new business developer en senior verkeerskundige bij Vialis.
