De kern van de aanpak Gecoördineerd Netwerkbreed Verkeersmanagement is dat verschillende maatregelen in samenhang worden ingezet. Om hierbij de juiste keuzes te maken, is het belangrijk zicht te hebben op de lengte van wachtrijen bij toeritdoseerinstallaties en verkeersregelinstallaties. Wachtrijen schatten op basis van alleen lusdata is echter erg lastig. Zouden floating car data wellicht uitkomst kunnen bieden?
Met Gecoördineerd Netwerkbreed Verkeersmanagement, GNV, optimaliseren we de prestatie en effectiviteit van een netwerk door verkeersmanagementmaatregelen slim op elkaar of te stemmen. Toeritdoseerinstallaties, verkeersregelinstallaties (VRI’s), dynamische route-informatiepanelen, variabele snelheidslimieten en in-car informatiesystemen worden in dit concept dus gecoördineerd ingezet om het verkeer efficiënt over het netwerk te geleiden. Deze aanpak heeft potentie, zo blijkt uit recente pilots in onder meer de Praktijkproef Amsterdam. Maar om echt te kunnen oogsten, moeten nog enkele (data)problemen worden geslecht.
Zo is er de uitdaging om fracties te schatten. GNV is erop gericht verkeer op verschillende afstanden van de kiemlocatie te ‘bufferen’, om zodoende het ontstaan van files uit te stellen of te voorkomen. Maar niet al het verkeer dat op een kruispunt of toerit wordt gebufferd, is daadwerkelijk op weg naar de kiemlocatie. Om te bepalen hoe effectief een buffer is, is het belangrijk te weten welke fractie wel en welke fractie niet naar de buffer gaat. Het is lastig om die verdeling af te leiden uit sec lusdata, zeker als er meer dan één kruispunt tussen de buffer en de kiem zit.
Een ander vraagstuk betreft de wachtrijlengte. Om te bepalen hoeveel ruimte er nog is om verkeer te bufferen en om in de gaten te houden of een wachtrij niet terugslaat, moeten we de wachtrijlengte op de verschillende wegvakken kennen. Het is erg moeilijk deze essentiële informatie af te leiden uit enkel lusdata: er is sprake van meetfouten en sowieso bieden die data ons onvoldoende zicht op wat er tussen de lussen gebeurt.
Tot slot is er nog de detectie van kiemen. Het GNV-concept valt of staat met een tijdige detectie van de kiemen, ‘files in wording’. Voor het hoofdwegennet volstaan vooralsnog de lusdata, maar hoe scherper en sneller de detectie, hoe effectiever GNV wordt.
De kern van deze uitdagingen zit ‘m dus steeds in de beperkingen van lusdata: we willen te veel op basis van te beperkte informatie. Hoe dat probleem te tackelen? De inzet van floating car data, FCD, is veelbelovend. Een voordeel ten opzichte van lussen is dat er geen wegkantsystemen nodig zijn. Dat is kostenefficiënt, maar belangrijker nog is dat de FCD-bron niet slechts informatie levert over specifieke meetlocaties, maar over álle locaties in een netwerk.
FCD geven daarmee in potentie een goed beeld van de wijze waarop het verkeer zich via kruispunten en knooppunten verdeelt, waarmee het mogelijk om vraag één over de fracties te beantwoorden. Er is wel meer inzicht nodig in de representativiteit van de data – onderwerp van een onderzoek dat nu loopt in Utrecht.
De FCD-bron biedt daarnaast kansen voor het tijdig detecteren van kiemen. Maar het specifieke karakter van de data maken van FCD ook een interessante (datafusie-) kandidaat voor het schatten van wachtrijen. Op deze toepassing gaan we in het onderstaande nader in.
Onderzoek
Half 2016 zijn we in het kader van Praktijkproef Amsterdam een onderzoek gestart naar de kansen die FCD bieden voor het bepalen van de wachtrijlengte. Het hoofddoel van het onderzoek is het bereiken van een zo hoog mogelijke kwaliteit wachtrijschatter met de momenteel beschikbare FCD-producten. Dit laatste betekent onder andere dat we niet uitgaan van het gebruik van voertuigtrajectoriën, omdat deze momenteel door geen enkele FCD-leverancier worden geleverd in Nederland.
Voor het onderzoek hebben we data verzameld over de s106 nabij de aansluiting met de A10, in juni en juli 2016. De gegevens omvatten VRI-data, radardata, videodata en FCD (TomTom). Dankzij deze unieke testopstelling kunnen we meerdere bronnen met elkaar vergelijken – zie ook Figuur 1 voor een screenshot van de data-analysetool. De radar, die iedere 10 seconden voor elk 7 meter-rijstrook-segment een snelheid bepaalt, is hierbij gebruikt als ground truth voor de wachtrij-informatie.
De FCD-snelheden worden elke 30 of 60 seconden opgeleverd voor dynamisch opgeknipte wegsegmenten. Dit dynamische segmenteren wordt alleen gedaan wanneer het verschil in snelheid op een weg groot is; op deze manier kan de informatie efficiënt worden aangeleverd.
Binnen het onderzoek zijn verschillende methodes gebruikt om uit een combinatie van VRI-data en FCD (snelheden) zo goed mogelijk wachtrijen te schatten. De kwaliteit van deze schattingen is vervolgens vastgesteld middels de ground truth. We hebben drie methodes onderzocht: een ‘fusie-wachtrijschatter’ op basis van verkeersstroomtheorie en twee wachtrijschatters op basis van autoregressie-methodes.
Fusie-wachtrijschatter
De fusie-wachtrijschatter bepaalt de wachtrijen op basis van VRI-data (lusdata en signaalgroepstatus) en FCD. De belangrijkste eigenschap van deze methode is dat de vertraging van de FCD-snelheidsdata – er is een meetvertraging van ongeveer vier minuten – wordt ingelopen met lusgegevens, en wel op basis van cumulatieven. De FCD-snelheid kan worden omgezet in een pseudo-trajectorie in het verleden: op basis van de snelheid zijn de tijdstippen van het in- en uitrijden van een virtueel voertuig afgeleid. Ervan uitgaande dat de FCD-snelheid een gemiddelde is over verschillende voertuigen, is het aannemelijk dat het voertuig van de ‘FCD-trajectorie’ niet inhaalt en niet ingehaald wordt, ofwel, dat het aantal inhalers en aantal ingehaalde voertuigen gelijk is. Door nu de instroom en uitstroom op het wegvak relatief aan het ‘FCD-voertuig’ te berekenen, is het mogelijk het aantal voertuigen op het wegvak te bepalen. Om dit goed te kunnen doen is het aantal voertuigpassages voor koplussen en lange lussen op een alternatieve manier afgeleid, om zo bekende meetfouten te corrigeren. Voor koplussen wordt er alleen geteld wanneer het signaal groen is. Voor lange lussen wordt het aantal voertuigpassages afgeleid uit de bezettijd van de lus. Zie voor een uitleg (visualisatie) van de methode Figuur 2.
Autoregressie-methodes
De autoregressie-methodes zijn gebaseerd op zogeheten Autoregressive Integrated Moving Average-modellen, kortweg ARIMA. Deze modellen gaan uit van een eenvoudige lineaire relatie tussen de te schatten wachtrij en de verschillende databronnen (de input). Er worden vervolgens standaard statistische technieken gebruikt om de parameters van het model te schatten. Voor we de methode kunnen inzetten, moeten we het model wel eerst trainen met betrouwbare referentiedata. Hiervoor kan de ground truth-data uit een radarsysteem worden gebruikt.
Een voordeel van deze methode is dat er geen noodzaak is tot het a priori specificeren van de relatie tussen de gebruikte grootheden, en dat de geschatte parameters inzicht geven in het belang van iedere databron. Een nadeel is weer dat het model voor iedere situatie opnieuw getraind dient te worden met de ground truth-gegevens. Dit betekent dat bij (substantiële) wijzigingen in een situatie of bij toepassing op een nieuwe locatie, nieuwe ground truth-data moeten worden verzameld – en dat we daarvoor dus weer een radarinstallatie van stal moeten halen. Omdat dat nogal bewerkelijk is, hebben we ook een tweede variant ontwikkeld waarbij niet radardata maar de FCD worden gebruikt wordt als trainingsdata voor het ARIMA-model. De training kan offline plaatsvinden, dus de FCD hoeven niet real-time beschikbaar te zijn. Dat heeft weer als voordeel dat leververtraging hier geen issue is.
Figuur 3 geeft voor beide varianten een schematische weergave van de gevolgde aanpak. Het model ‘leert’ verbanden tussen invoer (intensiteiten en bezettingsgraad van lussen, FCD-snelheden) en gewenste uitvoer (wachtrijlengte). De kracht van het model is dat er standaard statistische methoden gebruikt kunnen worden om de factoren (parameters) te schatten op grond van de beschikbare gegevens, zoals de methode Box-Jenkins.
Resultaten en discussie
Welke resultaten zijn met de fusie-wachtrijschatter en de twee autoregressie-methodes haalbaar? Tabel 1 toont voor de drie varianten de kwantitatieve beoordeling. Het betreft hier voor alle schatters de vergelijking met de ground truth voor de spitsperiode op de s106 Oost (rijbaanniveau). De wachtrijschatters zijn hier vergeleken op basis van de lengte van de wachtrij in meters. De gemiddelde absolute fout (MAE) binnen de spits bedraagt tussen de 20 en 30 meter. Dit is equivalent aan 3 tot 5 voertuigen. Hierbij moet wel worden opgemerkt dat in de resultaten een deel vakantieperiode zit, waarin er geen significante wachtrijen waren. Ook komen regelmatig uitschieters voor: afhankelijk van de aanpak is 10%-20% van de fouten groter dan 50 meter. De ARIMA-methode getraind op de radardata, de ground truth, levert zoals verwacht de beste resultaten. Deze methode vereist wel (tijdelijk) een radarsysteem op de meetlocatie. Van de overige twee methodes presteert de fusie-wachtrijschatter met name goed omdat de mate van overschrijding beperkt blijft. Het ARIMA-model getraind met FCD presteert daarentegen goed op de gemiddelde foutmaten (MAE en RSME).
Hoewel we in de studie niet specifiek naar de implicaties voor GNV hebben gekeken, kunnen we wel concluderen dat met de voorgestelde methodes een accuratere en betrouwbaardere wachtrijschatting mogelijk is dan dat met alleen lusdata haalbaar zou zijn (Hoogendoorn et al., 2016). Kijkend naar de verschillende modellen, kan worden geconcludeerd dat ze alle hun voor- en nadelen hebben. De fusiewachtrijschatter hoeft niet getraind te worden, maar dient wel voor iedere locatie apart te worden geconfigureerd (gebruikmakend van de beschikbare lussen). De ARIMA-methode getraind met radar heeft in plaats van een configuratie, een ground truth trainingsdataset nodig. Deze methode presteert beter dan alle andere methodes, maar vereist de (tijdelijke) inzet van een radarinstallatie. De ARIMA-methode getraind op FCD presteert minder goed, maar zou in theorie automatisch geschat kunnen worden. Daarbij zou door een periodieke her-training met FCD, het model robuust kunnen worden gemaakt voor wijzigingen in de wegconfiguratie.
Vervolgonderzoek
Voor de toekomst is het nodig meer onderzoek te doen naar de relatie tussen de kwaliteit van de wachtrijschatter en de effectiviteit van GNV-systemen. Op die manier kunnen we bepalen of de kwaliteit reeds voldoende is. De mate waarin de kwaliteit van FCD in de toekomst groeit (bijvoorbeeld door een hogere penetratiegraad) en waarin FCD-producten nog worden uitgebreid (bijvoorbeeld door het beschikbaar stellen van trajectoriën, die nu nog niet ‘off-the-shelf’ beschikbaar zijn), zullen zonder meer effect hebben op de kwaliteit van de wachtrijschatters. Door dit effect te onderzoeken kan worden bepaald wanneer we voor het schatten van de wachtrijen misschien zelfs zonder wegkantsystemen af kunnen.
_____
Dit onderzoek is uitgevoerd in samenwerking met TomTom en Fileradar als onderdeel van de Praktijkproef Amsterdam. Meer details over de methodes en resultaten zijn te vinden in het rapport ‘Kiemenspeurder en Wachtrijschatter met FCD’. Hierin staat tevens een door Fileradar ontwikkelde wachtrijschatter met FCD-fracties beschreven.
De auteurs
Erik-Sander Smits, Serge Hoogendoorn en Jaap van Kooten zijn (strategisch) adviseur van Arane.
Harry van Ooststroom is adviseur bij Rijkswaterstaat en projectleider van de Praktijkproef Amsterdam.
