De afgelopen tien jaar hebben de wetenschappers in ons vakgebied bepaald niet stilgezeten. Daarom blikken we in deze jubileumuitgave van NM Magazine ook terug op de wetenschap. Wat waren de grote ontwikkelingen? Wat heeft de praktijk eraan gehad? Maar ook: waarop moet de focus de komende tijd?
INZICHTEN
De verkeersstroomtheorie heeft zich de afgelopen jaren nadrukkelijk ontwikkeld. We snappen steeds beter welke verschijnselen zich voordoen, wat dat voor gevolgen heeft en vooral: wat de oorzaak is.
Neem de filegolf, in de volksmond ook wel ‘spookfile’ genoemd. We hebben inmiddels goed zicht op de kenmerken en gevolgen: filegolven bewegen met een snelheid van 18 km/u tegen de richting van het verkeer in en veroorzaken een reductie van de wegcapaciteit van zo’n 30%. Maar we weten nu ook vrij redelijk onder welke omstandigheden ze ontstaan en waarom ze zo lang – gemiddeld drie kwartier! – persisteren. Met deze kennis zijn we beter in staat manieren te bedenken om filegolven te lijf te gaan. Een ander voorbeeld is de capaciteitsval. Dát dit fenomeen zich voordoet, weten we al sinds de jaren negentig van de vorige eeuw. Maar pas de laatste jaren hebben we geleerd dat de diepte van de val samenhangt met de zwaarte van de file stroomopwaarts van de kiem: hoe lager de snelheid in de file, hoe groter de capaciteitsval. Bij een file met stilstaande voertuigen loopt het verlies aan capaciteit op tot maar liefst 30%! [Zie NM Magazine 2012 #3, pag.34-36.]
Ook begrijpen we steeds beter hoe belangrijk onzekerheid en stochastiek zijn bij het beschrijven van verkeersstromen. Een deel van de onzekerheid is inherent aan het verkeersproces zelf: geen twee automobilisten op de weg vertonen hetzelfde rijgedrag en dat alleen al zorgt voor een mate van stochastiek. Dan zijn er nog de externe invloeden die in meer of mindere mate willekeurig optreden, zoals incidenten en regen. Het gevolg van deze combinatie van onzekerheden is dat een grootheid als de wegcapaciteit bepaald geen deterministische waarde is, maar een stochast – en wel eentje met een aanzienlijke spreiding!
Dit heeft consequenties voor netwerkmanagement. De effecten van verkeersmanagement zijn bijvoorbeeld groter als we slim rekening houden met de factor onzekerheid. [Zie NM Magazine 2011 #1, pag. 30-32.]
Een belangrijke ‘nieuwe’ vinding is het Netwerk Fundamenteel Diagram, NFD. Dit diagram beschrijft de relatie tussen de belasting van het netwerk en de (gemiddelde) doorstroming in het netwerk. Het inzicht dat vanaf een bepaalde kritische netwerkbelasting de doorstroming sterk afneemt, heeft vergaande implicaties voor het regelen van verkeer. Uitgaande van het principe van het NFD zijn er nieuwe regelconcepten uitgewerkt, zoals gating: het beperken van de instroom naar een (deel)netwerk om overbelasting daar te voorkomen.
MODELLEN
De afgelopen jaren hebben we slimmere en nauwkeurigere manieren ontwikkeld om verkeer macroscopisch te beschrijven. Normaliter hou je daarvoor bij hoeveel voertuigen er op een zeker wegsegment zitten en hoeveel er per tijdseenheid in- en uitrijden – de beroemde wet van behoud van voertuigen. Maar de nieuwste generatie modellen kijkt juist naar de hoeveelheid ruimte die een peloton voertuigen inneemt en hoe dat ruimtebeslag verandert door het verschil in snelheid tussen het eerste en laatste voertuig in het peloton. Deze zogenaamde Lagrangiaanse beschrijving heeft veel numerieke voordelen en maakt een directe koppeling tussen macroscopische en microscopische verkeersmodellen mogelijk.
Dankzij cameraopnames vanuit helikopters en drones hebben we een beter inzicht in filedynamica. Dat heeft ons onder meer geleerd dat de verschillen in voertuigkarakteristieken en rijgedrag een fundamentele rol spelen bij het ontstaan van files. Multi-class macroscopische verkeersmodellen houden nu voor het eerst goed rekening met die zogenaamde heterogeniteit. In 2013 promoveerden drie onderzoekers aan de TU Delft op een multi-class model, Fastlane. Zij toonden aan dat je daarmee real-time verkeerscondities kunt schatten en voorspellen.
Gedetailleerde data hebben ons ook veel inzicht gegeven in het individuele rijgedrag. Het is namelijk niet alleen zo dat het rijgedrag tussen bestuurders sterk verschilt: ook de individuele bestuurders zelf veranderen voortdurend van strategie. Dit heeft geleid tot verscheidene nieuwe microscopische theorieën voor het modelleren van bijvoorbeeld voertuigvolg- en voertuiginhaalgedrag.
Het is overigens goed te beseffen dat de vertaalslag ‘van inzicht naar model’ bepaald geen eenvoudige is: het is een iteratieve (wiskundige) zoektocht waarbij het niet-aflatend speuren naar gaten in de modellen en theorieën ten minste zo belangrijk is als het dichten van die gaten. Daarom is het essentieel dat de ontwikkeling van modellen in een open, wetenschappelijke omgeving plaatsvindt – en niet achter de gesloten deuren van zakelijke belangen. In de afgelopen tien jaar zijn er gelukkig een flink aantal open-source initiatieven gestart waaronder MATSim, SUMO en OpenTrafficSim. Dat laatste is inmiddels onderdeel van DiTTLAB, een nieuw geïntegreerd laboratorium waar verkeersdata en open-source simulatie aan elkaar worden gekoppeld.
REGELAANPAK
In eerste instantie richtte het onderzoek naar regelconcepten zich vooral op zogenaamde centrale modelgebaseerde methoden, Model Predictive Control (MPC). In zo’n aanpak wordt een model gebruikt om te voorspellen hoe de toestand in een netwerk zich ontwikkelt na het toepassen van een bepaalde regeling. Door verschillende regelingen modelmatig te vergelijken, kan de (voorspelde) optimale regeling voor de komende periode worden bepaald. Als de regelproblemen relatief eenvoudig zijn – de juiste regeling zoeken voor een geïsoleerde toerit of een enkele verkeersregelinstallatie – is dat prima te doen. Maar zodra er meerdere samenhangende maatregelen moeten worden geoptimaliseerd, wordt het regelprobleem al snel te complex om nog real-time op te lossen.
Veel onderzoekers hebben dan ook geprobeerd het MPC-probleem te versimpelen, om zodoende de rekentijd terug te dringen. Noemenswaardig is de aanpak met Mixed Integer Linear Programming (MILP) en de formulering Linear Quadratic (LQ). Beide aanpakken tonen aan dat een MPC-aanpak voor een netwerk van een redelijk omvang mogelijk is.
We zien echter ook veel aandacht voor simpele, decentrale oplossingen. Een voorbeeld zijn regelingen op kruispunten die de plaatselijke situatie optimaliseren en daarbij alleen rekening houden met de direct naastgelegen regelingen. Voorbeelden zijn de backpressure-methode en de decentrale aanpak van Helbing. Veel van deze methodes zijn vrij uitgebreid getoetst met behulp van simulaties en in die ‘modellenwerkelijkheid’ leidde dat tot mooie resultaten als stabiliteit en near optimaliteit. Het aantal praktijktoepassingen van deze decentrale oplossingen is echter nog zeer gering.
Een andere belangrijke ontwikkeling op regelgebied is het zogenaamde anticiperend regelen. Dit regelconcept houdt in dat we bij het bepalen van de regelingen van een toeritdoseerinstallatie of verkeersregelinstallatie, anticiperen op de gedragsveranderingen die de regelingen teweeg zullen brengen. Stel bijvoorbeeld dat we een bepaalde richting meer groen geven, dan mogen we verwachten dat de verkeersvraag in die richting zal toenemen. Anticiperende regelingen houden daar expliciet rekening mee. Gebeurt dit verstandig, dan komen we zeer dicht in de buurt van een optimale benutting van het netwerk, zo laten studies zien. [Zie ook NM Magazine 2006 #4, pag. 22-27.]
Een laatste punt over de regelconcepten: veel van het recente onderzoek richt zich op de mogelijkheden van vergaande vormen van vehicle automation. Zo laat onderzoek van Wang zien hoe we het voertuig kunnen gebruiken om filegolven te op te lossen. En volgens recent onderzoek van Goñi Ros kun je met enkele ‘slimme voertuigen’ de capaciteitsval bij sags (het deel voorbij het diepste punt van een dal) tegengaan.
TOESTANDSCHATTING
Wat het bepalen van de actuele toestand op de weg betreft, is er relatief veel (bruikbaar!) onderzoek gedaan naar modelgebaseerde methodes, de zogenaamde Kalman-filters. Een nadeel van deze vorm van ‘toestandschatting’ is wel dat de modellen die we gebruiken voor het schatten van de (netwerk-) toestand erg complex zijn, wat nogal eens tot issues leidt.
De Adaptive Smoothing Method probeert hieraan tegemoet te komen door de eigenschappen van de verkeersstroom, die bij een Kalman-filter in het gebruikte model zit vervat, direct toe te passen bij het inter- en extrapoleren van data. Deze methode blijkt zeer geschikt voor het bepalen van snelheden en reistijden. Met het schatten van intensiteiten en dichtheden heeft de methode beduidend meer moeite.
Dankzij een nieuw modelparadigma, modellen beschreven in Lagrangiaanse coördinaten, kan de complexiteit van de schattingsmethode aanzienlijk worden teruggedrongen. Deze methode is ook ideaal voor het fuseren van data uit verschillende bronnen, een probleem wat de afgelopen jaren de nodige aandacht heeft gehad.
Wat op het vlak van toestand schatten wel opvalt, is dat het gros van de wetenschappelijke publicaties toepassingen op snelwegen betreft – opvallend weinig bijdragen gaan over op het onderliggende wegennet. In de afgelopen tien jaar zijn er bijvoorbeeld maar een handjevol bruikbare methodes ontwikkeld voor het schatten van wachtrijen. De oorzaken zijn divers: ons vakgebied richt zich van oudsher meer op de snelweg, de beschikbare data over het stedelijke wegennet is van mindere kwaliteit en het probleem is veel lastiger. Met de komst van alternatieve databronnen als floating car data, nieuwe theoretische ontwikkelingen (een veelbelovende is de variationele theorie) en initiatieven als het Urban Mobility Lab van AMS neemt de aandacht inmiddels wel toe. We staan echter nog ver af van methodes die op robuuste, betrouwbare en nauwkeurige wijze wachtrijen kunnen bepalen.
HOE VERDER
Het is lastig in te schatten wat de grote wetenschappelijke thema’s van de komende jaren zullen zijn, maar een paar ‘trends’ zijn wel duidelijk. Zo staat het thema Big Data – of Mega Data, want Big is niet Big genoeg meer – steeds nadrukkelijker in de schijnwerpers. Big data vereisen niet alleen gedegen, op theorie gebaseerde methodes voor processing, schatting, fusie enzovoort, maar mogelijk ook paradigmaverschuivingen voor het analyseren van al die gegevens en het vinden van zinvolle verbanden. De huidige methodes volstaan straks simpelweg niet.
Onderzoekers zullen de komende jaren ook hun handen vol hebben aan de verschillende transitievraagstukken die zich op technisch, methodologisch, business en beleidsmatig vlak afspelen. Het gaat dan met name om de transitie naar coöperatief of op in-car gebaseerd netwerkmanagement. De eerste stappen zijn al gezet, maar het gebruik van het voertuig als sensor en actuator biedt nog genoeg nieuwe theoretische en methodologische uitdagingen, elk met zijn eigen schattings- en regelproblemen.
Uiteraard is er ook de komst van de zelfrijdende auto. De impact op netwerkmanagement zal groot zijn (nieuwe kansen!), maar ook de consequenties voor vervoer en ruimte zullen enorm zijn, al is nog veel onzeker. Academia zal haar steentje moeten bijdragen om een scherper beeld te krijgen van hoe ons verkeerssysteem er over pakweg twintig jaar uitziet en welke uitdagingen we daarvoor nu al moeten oppakken.
Stedelijke mobiliteit als overkoepelend thema zal eveneens de nodige wetenschappelijke aandacht krijgen. De verschillende SmartCity-initiatieven bieden interessante mogelijkheden om beter zicht te krijgen op de verkeersstromen door de stad en op de factoren die deze stromen verklaren en voorspellen. We zullen de verschillende netwerken in onze drukke steden steeds meer in samenhang moeten beschouwen, waarbij (véél) meer aandacht nodig is voor de fietser en de voetganger. De komst van de zelfrijdende auto is ook juist hier spannend. Nu al wedijveren de fiets en de voetganger met de auto voor ruimte in de stad. Als de zelfrijdende auto ter wille van de efficiëntie of om veiligheidsredenen nadrukkelijker moet worden gescheiden van de kwetsbare verkeersdeelnemer, wordt de schaars beschikbare ruimte echt een struikelblok.
Al met al hoeven de wetenschappers in het verkeersdomein niet te vrezen voor een gebrek aan onderzoeksthema’s de komende jaren. Meer dan ooit zijn de wetenschappelijke uitdagingen een op een gekoppeld aan de ontwikkelingen in de praktijk. Wat dat aangaat zal het valoriseren van de wetenschappelijke kennis harder nodig zijn dan ooit. Wees ervan verzekerd dat NM Magazine hierin zijn rol zal nemen en de nieuwste wetenschappelijke inzichten op toegankelijke wijze zal blijven delen met de vakwereld!
____
De auteurs
Prof. dr. ir. Serge Hoogendoorn is hoogleraar Verkeersstromen bij TU Delft en lid van de vaste redactie van NM Magazine.
Prof. dr. ir. Hans van Lint is hoogleraar Traffic Simulation & Computing op de TU Delft.
