Veel wegbeheerders zetten hun verkeersmanagement-maatregelen gecoördineerd in, soms zelfs netwerkbreed in samenwerking met collega’s in de regio. Om vooraf een beeld te krijgen van de effecten van grootschalige coördinatie kun je niet om modelstudies heen. De vraag is echter: hoe zorg je ervoor dat zo’n studie voldoende betrouwbaar is?
Hoe meer coördinatie en hoe groter het betrokken netwerk, hoe complexer de oplossing. Het zou dan ook beslist onverstandig en zelfs risicovol zijn om een aanpak als gecoördineerd netwerkbreed verkeersmanagement zonder testen vooraf op de praktijk los te laten. Denk alleen aan de ingewikkelde interactie tussen de technische systemen en de verschillende regelmechanismen in een netwerk. Om dat samenspel te vatten is rekenkracht nodig – en dat is precies wat een simulatiemodel biedt.
Drie succesfactoren
Voorzichtigheid blijft echter op zijn plaats. Want hoe overtuigend de rijdende auto’s op een beeldscherm ook lijken, in de praktijk laat de correctheid van de modellen nog wel eens te wensen over. Dat ligt vaak niet eens aan de modellen zelf, maar aan de wijze van gebruik. Wat zijn de succesfactoren (of faalfactoren, het is maar hoe je het bekijkt) van het modelleren van gecoördineerd netwerkbreed verkeersmanagement? We noemen er drie.
1. Juiste model
Heel belangrijk is welk model wordt gekozen. Het gaat dan niet om de vraag of ‘het model van bedrijf A beter is dan dat van bedrijf B’, maar of het soort model wel bij het doel past. Voor het toepassingsgebied dynamisch verkeersmanagement is vaak een microsimulatiemodel het aangewezen model, maar lang niet altijd. Soms blijkt namelijk dat een macroscopisch model weliswaar minder gedetailleerde maar wel uiterst nuttige inzichten oplevert.
Het punt is hoe dan ook dat het model de beoogde resultaten van een verkeersmanagementaanpak op juist wijze kan verwerken. Is de aanpak bijvoorbeeld (mede) gericht op het voorkomen van de capaciteitsval? Of gaat het om het voorkomen van blokkades? Dan moet het model in ieder geval met die fenomenen overweg kunnen.
2. Betrouwbaarheid data
Een ander belangrijk aspect is de betrouwbaarheid van de data die in het model wordt gebruikt. Als we een netwerkbreed regelsysteem willen toetsen, dan is routevorming belangrijk. Als hierbij de herkomst-bestemmingsmatrix wordt bijgesteld op basis van intensiteitsgegevens, dan zullen de uitkomsten van de simulatiestudie de (on)betrouwbaarheid van dat proces overnemen. Als blijkt dat de intensiteitsgegevens niet kloppen of van congestietellingen komen – wat zeker geen uitzondering is – dan vloeit deze fout onherroepelijk door in de simulatieresultaten.
3. Kennis van zaken
Derde succes- dan wel faalfactor is degene die de modelstudie uitvoert. Die moet uiteraard over voldoende kennis beschikken van het model zelf (wijze van gebruik, vereiste kwaliteit data, juiste toepassing, sterkte en zwakte van model etc.), maar ook van het systeem en de algoritmiek die worden getest. Ontbreekt het daaraan, dan is de werking van het model al snel niet valide en zijn de resultaten onbruikbaar.
Dit hangt overigens sterk samen met de verwachtingen van de partij die opdracht geeft voor een modelstudie. De neiging is om liefst zoveel mogelijk te onderzoeken, wat de modelstudies al snel te complex maakt. Een goede modelstudie kenmerkt zich juist door de beperking van de onderzoeksvragen. Zo kun je met simulatiemodellen prima de werking van de techniek en de verkeerskundige methodiek testen en afhankelijk van de te onderzoeken fenomenen ook nog het effect in kleine netwerken. Kies je een te groot netwerk met te veel actuatoren, dan worden de modellen traag en geven ze onvoorspelbare en oncontroleerbare resultaten.
____
De auteur
Jaap van Kooten is directeur van Arane Adviseurs.
