Elk model heeft zijn sterke en zwakke punten. Hoe kunnen we dan toch komen tot een zo goed mogelijke representatie van de verkeerswerkelijkheid? Eén mogelijkheid is om meerdere modellen naast elkaar te gebruiken.
Het ene verkeersmodel is het andere niet. Elk model werkt met zijn eigen set van variabelen en is ook gebaseerd op modeleigen aannames van hoe de variabelen aan elkaar gerelateerd zijn. Deze verschillende modelparadigma’s bieden ons even zoveel verschillende benaderingen van de werkelijkheid.
Een voorspelling is ook in grote mate afhankelijk van hoe het model wordt ‘klaargemaakt’ en gevoed met data. Het trainen, kalibreren en inregelen van een model is een zeer arbeidsintensief proces. De kalibratie is ook zelden algemeen van aard: er wordt meestal voor specifieke use cases gekalibreerd.
Aanpak weersmodellen
Nu zijn we zeker niet het enige vakgebied waarin met modellen wordt gewerkt. Weerkundigen bijvoorbeeld doen niet anders – en de onzekerheden waarmee zij te maken hebben, zijn misschien nog wel groter dan die waarmee wij worden geconfronteerd. Ook in dit vakgebied hebben onderzoekers een scala aan modelparadigma’s ontworpen en zijn er een reeks aan modellen ontwikkeld, elk met hun eigen sterke én zwakke punten. Hoe gaan zij daarmee om?
Vanuit deze wereld is zwaar ingezet op het combineren van modellen. Verschillende modellen worden parallel op dezelfde data losgelaten. Dit resulteert in verschillende voorspellingen. Door de output van de modellen te combineren en te filteren, proberen weerkundigen precies de sterkte van elk model te combineren. Dit heeft een belangrijke bijdrage geleverd aan de significante verbeteringen in het accuraat en lokaal voorspellen van het weer in de afgelopen jaren!
Combineren in het verkeersdomein
Als we deze aanpak willen toepassen in ons verkeersysteem, kunnen we alvast de volgende (leer)punten uit het weerdomein meenemen:
1. Centraal dataplatform
De verschillende weersmodellen werken zoals gezegd met dezelfde data. Om dat voor het verkeer ook mogelijk te maken, moeten we de modellen laten werken op een centraal dataplatform. Een belangrijk extra voordeel hiervan is dat het inregelen en trainen van modellen dan meer procesmatig kan plaatsvinden. Het is nu juist het ad hoc gebruik van verschillende decentrale bronnen dat de kalibratie en de validatiestappen van verkeersmodellen zo duur maakt.
2. ‘Model as a service’
Weerkundigen werken nauwelijks met projecten en scenario’s: de modellen worden volcontinu ingezet om voorspellingen te maken. Dit heeft een andere business mogelijk gemaakt: het draait niet om de aanschaf van modelsoftware, maar om het gebruik van de ‘dienst’ weersvoorspellingen. Dit maakt het veel gemakkelijker om meerdere modellen in te zetten – je hoeft geen model aan te schaffen en te kalibreren – en de kwaliteitsslag te maken.
Het gebruik van modellen in projectverband heeft er binnen het verkeersdomein voor gezorgd dat modellen enkel voor complexere vraagstukken worden ingezet.
3. Combineer de sterktes en leef met onzekerheid
Het combineren van verschillende modellen is bedoeld om de sterktes van verschillende aanpakken te combineren. Toch is dit niet evident: het ligt niet voor de hand wanneer welk model precies goed scoort. Daarom leidt het combineren van verschillende modellen vooral ook tot een ‘confrontatie’: de verschilpunten kunnen als onzekerheden geïnterpreteerd worden om de voorspellingen zodoende beter te kunnen interpreteren.
Conclusie
Blijven vastzitten in één gekozen model, leidt tot een verenging van de blik. Het parallel combineren van verschillende modellen zorgt juist voor een confrontatie van visies, een inzicht in onzekerheden en dus in het correcter gebruik van modellen. De complexe werkelijkheid laat zich namelijk niet vangen in één model.
____
De auteur
Dr. Steven Logghe is directeur Verkeersmanagement van Be-Mobile.
