Slimme verkeersregelinstallaties kunnen weggebruikers via een app informeren over de groentijden. De regelinstallatie geeft hiervoor een voorspelling af van de aankomende rood- of groentijd. Maar hoe betrouwbaar zijn die voorspellingen eigenlijk? DTV Consultants heeft een tool ontwikkeld om dat te analyseren.
Het doel van de tool Analyse Groentijdvoorspelling is om structurele fouten in de groentijdvoorspellingen op te sporen – en om die voorspellingen waar mogelijk te verbeteren. Het gaat dan over analyses van voertuigafhankelijke verkeerslichtenregelingen, die in Nederland gemeengoed zijn. De groentijden van zulke regelingen zijn nooit 100% nauwkeurig te voorspellen, omdat ze nu eenmaal reageren op de (variabele) hoeveelheid verkeer op de verschillende richtingen. Vaak zijn ze ook nog zo ingesteld dat openbaar vervoer en hulpdiensten kunnen ‘inbreken’ op de groentijden. Maar met een goede analyse – en daar voorziet de tool in – kun je wel degelijk bepaalde terugkerende onnauwkeurigheden blootleggen. Hoe werkt dat?
Boxplot
Een slimme verkeerslichtenregeling maakt een schatting van de resterende groen- en roodtijd en zendt die uit naar apps in de omgeving. De maker van het verkeersregelprogramma kan hierbij verschillende waarden meegeven: de meest waarschijnlijke (likely) resterende tijd tot groen of rood en de minimale en maximale waarde hiervan. Ook houdt de regeling informatie bij over de (geschatte) betrouwbaarheid van het voorspellingsbericht. Deze waarde wordt gelogd om app-bouwers duidelijk te maken met welke mate van zekerheid de voorspelling is gedaan.
Al deze gegevens worden opgeslagen in het VLOG-bestand van de installatie en zijn dus ook achteraf te analyseren. Dat is het vertrekpunt van de analysetool: VLOG-data van een simulatie of van een regeling die al in bedrijf is. De tool maakt op basis hiervan een overzichtelijke boxplot van vijf waarden: het 25-, 50- en 75-percentiel van het verschil tussen gemeten voorspellingen en de werkelijkheid, het minimumverschil en het maximumverschil. Zie de figuur onder voor een voorbeeldanalyse van de voorspelde tijden tot rood, bestaande uit de werkelijke tijd (teruggerekend vanaf startgeel) en de voorspelde tijd. De figuur is samengesteld op basis van enkele uren aan VLOG-data. De grafiek start 90 seconden voor het daadwerkelijke rood en geeft in stappen van 2 seconden de waarden weer.
Met de boxplot krijgt de gebruiker al een goed inzicht in de kwaliteit van de voorspellingen van een verkeersregelinstallatie. Maar de tool maakt ook duidelijk of er bepaalde ‘wetmatigheden’ zijn, zoals het stelselmatig te hoog of te laag inschatten van de tijd tot rood of de tijd tot groen. Verder is het mogelijk om de betrouwbaarheidsindicator te evalueren: wordt de betrouwbaarheid van een voorspelling door de regeling niet over- of onderschat?
Als de data afkomstig is uit een simulatie, kan ook worden bepaald welke (extra) functionaliteit van de verkeerslichtenregeling de voorspelbaarheid ervan (negatief) beïnvloedt. In een simulatieomgeving kan deze functionaliteit immers in- en uitgeschakeld worden. Denk aan prioriteit voor bussen, alternatieve realisaties of bijvoorbeeld het meeverlengen van een richting met andere richtingen.
Kwaliteit van voorspellingen zichtbaar
De tool stelt de gebruiker hiermee in staat om snel de kwaliteit van de voorspellingen in te schatten. Ook wordt duidelijk of – en zo ja hoe en onder welke omstandigheden – de voorspellingen beter kunnen, zoals regelingen naar boven of beneden bijstellen als de voorspellingen structureel te laag of te hoog zijn. Wegbeheerders zorgen er zo voor dat de kwaliteit van de informatie die intelligente verkeersregelinstallaties uitzenden, altijd optimaal is. Dat zal het vertrouwen in en het gebruik van de apps alleen maar ten goede komen.
____
De auteurs
Daniel Schreinemacher en Carl Stolz zijn respectievelijk adviseur Smart mobility en teamleider Data & Development bij DTV Consultants.
