Modellen spelen al decennialang een cruciale rol in verkeersmanagement. Ze worden ingezet om verkeersdata slim aan te vullen. Maar ook was er ineens die belofte van voorspellende verkeersmanagementmodellen. Hoever zijn we daarmee? Wat kan al wel en wat is nog lastig? In zijn bijdrage maakt Job Birnie van Goudappel de balans op.
Modellen zijn al járen niet weg te denken uit het verkeersmanagement. Sla de allereerste uitgave van NM Magazine erop na, uit 2006, en je leest al van modellen die werden gebruikt om data slim aan te vullen. De meetsystemen gaven destijds slechts een gefragmenteerd beeld van intensiteiten. De bron floating car data stond nog in de kinderschoenen, waardoor informatie over de verkeersafwikkeling nóg beperkter was. Maar dankzij modelsoftware kon dit wazige verkeersbeeld toch aardig worden ingekleurd.
In de proeftuinen Haaglanden en Amsterdam-Zuidoost bijvoorbeeld werden modellen ingezet om data te verwerken tot bruikbare verkeersinformatie voor professionals en reizigers. Alkmaar had in 2006 met HARS, ‘Het Alkmaar Regel Systeem’, een van de eerste modelgestuurde netwerkmanagementoplossingen.1Zie het artikel ‘HARS: technische doorvertaling van Gebiedsgericht Benutten’ in NM Magazine 2006 #1. Eerdere uitgaven van NM Magazine zijn (gratis) te downloaden. In dit systeem verrijkte een model de ruwe verkeersdata tot verkeersinformatie. Die informatie werd vergeleken met een referentiekader. Afhankelijk van de uitkomst werden automatisch regelscenario’s ‘getriggerd’, die vervolgens dynamische route-informatiepanelen en verkeersregelinstallaties aanstuurden.
Terwijl de mogelijkheden van modelmatige dataverrijking, datafusie en toestandschatting nog verkend werden, gloorde er echter alweer een nieuwe belofte: voorspellende modellen die verkeersverwachtingen creëren. De hoop was dat met steeds meer data en ook steeds krachtiger computers de (real-time) voorspellingen voor de korte termijn voldoende betrouwbaar zouden worden. Dit zou proactief verkeersmanagement mogelijk maken, oftewel: verkeersmanagement dat VRI’s en andere actuatoren inzet op basis van de verwachte verkeersvraag, in plaats van reactief op basis van de actuele verkeersvraag.
De hoop was dat met steeds meer data en ook steeds krachtiger computers de (real-time) voorspellingen voor de korte termijn voldoende betrouwbaar zouden worden.
Waar we staan
In de bijna twee decennia sindsdien zijn mooie stappen gezet bij het toepassen van modellen in verkeersmanagement. De snel volwassen geworden floating car data alleen al hebben verkeersmanagers een veel breder verkeersbeeld gegeven dan voorheen mogelijk was. Ook verkeersregelinstallaties ontsluiten we nu veel beter dan destijds. Beide bronnen bieden data waarmee modellen middels datafusie een scherp, compleet beeld van de actuele situatie kunnen tonen. Niet alleen aan verkeersmanagers, maar bijvoorbeeld ook aan de centralisten van een ov-centrale. Die zien dankzij de Common Operational Picture in één oogopslag waar het verkeer stagneert, waar hun bussen rijden en of die nog volgens dienstregeling rijden.
Maar hoe is het gegaan met de belofte van verkeersverwachtingen? Kortetermijnvoorspellers zijn inmiddels operationeel beschikbaar. Modellen worden daarbij continu gekalibreerd aan de werkelijke situatie. Ze passen zich aan op de veranderende verkeersvraag en verkeersafwikkeling. En houden ook steeds rekening met veranderingen in het wegennet: afsluitingen in verband met wegwerkzaamheden, gemeld in MELVIN, worden automatisch doorgevoerd.
De eerste resultaten zijn veelbelovend. Actuatoren kunnen nu bijvoorbeeld reageren op een ‘verwachte verkeersvraag’, de eerste stap in proactief regelen. En centralisten in een ov-centrale kunnen hun buschauffeurs dankzij voorspellende modellen waarschuwen voor dreigende stagnatie – en wanneer nodig tijdig ingrijpen.
De eerste resultaten zijn veelbelovend. Actuatoren kunnen nu bijvoorbeeld reageren op een ‘verwachte verkeersvraag’, de eerste stap in proactief regelen.
De eerste vruchten van voorspellende modellen
Continu kalibreren zorgt ervoor we steeds een actueel verkeersmodel hebben. Een groot voordeel als we bijvoorbeeld scenario’s voor de komende weken willen doorrekenen, om te bepalen hoe de verkeersafwikkeling zal zijn bij een wegennetwerk dat steeds verandert door wegwerkzaamheden: een mooie offline toepassing.
Een variant hierop zijn de real-time online simulatiemodellen die razendsnel verschillende scenario’s doorrekenen. Ruim tien jaar werd dit academisch verkend bij multicriteria optimalisatie voor het bepalen van de beste netwerkbrede inzet van dynamisch-verkeersmanagementmaatregelen. Praktische toepassingen die complete stedelijke netwerken op deze wijze succesvol aansturen, zijn er nog niet. Maar op de kleinere schaal van trajecten zijn wel stappen gezet. In een special van NM Magazine over verkeersmodellen, in 2015, stond al een overzicht van de ‘nieuwste generatie regelingen die real-time simulatiemodellen gebruiken om de optimale instellingen bij VRI’s te bepalen’. Dat type regeling wordt inmiddels in veel steden geïmplementeerd. De voordelen in termen van outcome zijn echter nog maar beperkt aangetoond.
Ten slotte hebben we de multimodale voorspellers die ook continu worden gekalibreerd aan de werkelijke situatie voor het geven van reis- en routeadvies. Ruim tien jaar waren daar verschillende voorbeelden van, zoals het MODUM-project en het Eitje van Utrecht. In de praktijk zijn deze voorspellers echter ingehaald door de veel gebruiksvriendelijker hulpmiddelen die iedereen in zijn smartphone heeft.
Lat niet te hoog leggen
Er zijn dus mooie stappen gemaakt met aanvullende én voorspellende modellen. Toch ook een kanttekening over het voorspellen: wat exactheid en zekerheid van de modelvoorspellingen betreft kunnen we de lat nog niet té hoog leggen. Voorspellen gaat de modellen vooral goed af in reguliere situaties: het dagelijkse ritme. Niet-reguliere en/of onverwachte situaties zoals evenementen (met een afwijkende verkeersvraag) of ongevallen (leidend tot een plotseling afwijkende wegcapaciteit) gaan gepaard met meer onzekerheid. Zelfs bij capaciteitsgerelateerde files blijft het lastig te voorspellen op welke moment de verkeersafwikkeling omklapt van free flow naar congestie. Capaciteit van de weg is nu eenmaal stochastisch en wordt beïnvloed door heel veel factoren die maken of het net wel of net niet lukt om een piekje te verwerken.
Voorspellen gaat de modellen vooral goed af in reguliere situaties: het dagelijkse ritme. Niet-reguliere en/of onverwachte situaties gaan gepaard met meer onzekerheid.
Het ziet er in alle eerlijkheid ook niet naar uit dat die hobbel van onzekerheid snel genomen wordt. Het beste is als we voorlopig bewust leren omgaan met onzekerheid bij het nemen van beslissingen. Een voorbeeld: het model kan een bepaalde trend aangeven, zoals een ongewoon snel aflopende snelheid op een wegvak, wat dan gebruikt kan worden om snel niet-verwachte situaties te herkennen.
Een ander punt is dat het nog lastig blijkt om voorspellende modellen op te nemen in een totaal, proactief regelsysteem dat leidt tot aantoonbaar betere prestaties dan de huidige reactieve systemen. De (wettelijk vereiste) transparantie en herleidbaarheid zijn wat dat aangaat een zorgenkindje. Een deel van deze modellen fungeert zodanig als een black box dat het lastig wordt om gericht bij te sturen als de effecten anders zijn dan gewenst. Een tweede punt is dat modelsystemen vaak meer onderhoud vereisen dan vooraf gehoopt.
Dat brengt ons bij de vraag of de extra baten van dit type geavanceerd (voorspellend) operationeel verkeersmanagement opwegen tegen de extra kosten voor de wegbeheerder. Doel en middelen moeten in balans blijven. En dat zal lang niet voor alle wegbeheerders gelden.
Balans
Maken we de balans op. Zijn de beloftes van voorspellende modellen ingelost? Deels wel, mede mogelijk gemaakt door forse toename van rekenkracht. Maar het voorspellen kent nog altijd z’n beperkingen door de complexiteit, wispelturigheid en onvoorspelbaarheid van verkeersprocessen.
Hoe de komende tijd verder stappen te maken? Met het oog op het aandachtspunt van transparantie is het belangrijk om (voorspellende) modellen niet diep weg te stoppen in onze regelsystemen, maar ze vol in het licht te zetten, zeker bij bediening, beheer en onderhoud. Anders gezegd: houd bij het gebruik van modellen bij verkeersmanagement altijd twee invalshoeken voor ogen. Enerzijds het gebruikersperspectief: wat zijn de verwachte maatschappelijke baten en wat wordt het daadwerkelijk gebruik (te beschrijven met user-story’s)? Anderzijds het beheerdersperspectief: wat zijn de maatschappelijke kosten en hoe is bediening, onderhoud en beheer ingebed in de verkeersmanagement-organisatie van de wegbeheerder?
Als we die stappen kunnen zetten, worden geavanceerde, voorspellende modellen in verkeersmanagement zeker een blijvertje.
_____
De auteur
Ir. Job Birnie is senior adviseur Verkeersmanagement bij Goudappel.
