De systemen voor gecoördineerd netwerkbreed verkeersmanagement die de afgelopen jaren zijn geïmplementeerd in Utrecht en Rotterdam, leunen sterk op radardata. Met die data kan de wegbeheerder de wachtrijen bij verkeerslichten nauwkeurig schatten – een vereiste voor het functioneren van het systeem. Het nadeel van radars is echter dat ze nogal duur zijn. De regio Midden-Nederland ging daarom op zoek naar goedkopere oplossingen.
Met gecoördineerd netwerkbreed verkeersmanagement, GNV, zetten wegbeheerders toeritdoseerinstallaties en verkeersregelinstallaties in samenhang in om problemen (letterlijk) in de kiem te smoren. Een voorbeeld: nog voordat de snelheid op een kritiek stukje snelweg zo laag wordt dat er een file ontstaat, schakelt het GNV-systeem een of meer TDI’s in. VRI’s stroomopwaarts van de TDI’s ondersteunen die ingreep door het verkeer daar ook te bufferen. De wachtrij bij een TDI loopt zo minder snel op, waardoor die extra lang z’n werk kan doen.
Met deze korte beschrijving doen we GNV beslist tekort, maar het illustreert wel waarom het schatten van een wachtrij zo belangrijk is. Het systeem ‘weet’ dan hoeveel voertuigen er nog op het opstelvak bij de TDI passen – en dus: of de TDI nog aan kan blijven – en met welke kracht de VRI’s verderop het verkeer moeten bufferen. Gebeurt dit schatten onvoldoende nauwkeurig dan boet het systeem aan kracht in of, erger nog, zou de TDI-wachtrij kunnen terugslaan op het kruispunt stroomopwaarts.
De GNV-systemen in Utrecht en Rotterdam leunen voor het schatten van de wachtrijen daarom op nauwkeurige radarsystemen. Die detecteren de voertuigtrajectoriën en daar leidt slimme software de wachtrijeigenschappen uit af. Dankzij de radardata kan het GNV-systeem de opbouw en afbouw van de wachtrij binnen een cyclus precies volgen.
Zoektocht
Maar dan het nadeel: radarsystemen en de installatie ervan zijn prijzig en de radars moeten ook actief beheerd worden. Omdat je per verkeersmanagementmaatregel meerdere wachtrijschatters nodig hebt (in ons voorbeeld: één per TDI en één tot drie per stroomopwaarts kruispunt), lopen de kosten snel op – en dat kan een vlotte uitrol van GNV in de weg staan.
Dat was reden voor de regio Midden-Nederland om op zoek te gaan naar een ‘GNV light’, naar een goedkopere detectiemethode om hetzelfde effect te halen. De regio schakelde hiervoor Arane, Technolution, Fileradar en Hoeflake in. De gemeenten Utrecht en Rotterdam droegen bij aan het onderzoek.
We hebben het probleem van verschillende kanten benaderd: 1) kan dat nauwkeurig schatten van de wachtrij goedkoper met andere inwintechnieken, 2) kunnen we de data-eisen van het GNV-systeem omlaag schroeven zonder dat we (te veel) toegeven op de functionaliteit en 3) zijn er nog andere, praktische kostenbesparingen denkbaar?
1. Alternatieve inwintechnieken
Over het eerste deel van de zoektocht kunnen we kort zijn: we hebben 21 inwinmethodes onderzocht, maar er was geen methode die én de gewenste kwaliteit kon leveren én goedkoper was. Sommige waren van onvoldoende kwaliteit of snelheid (zoals bij de commercieel beschikbare floating car data: te hoge latency), andere waren wel goed maar niet goedkoper (bijvoorbeeld smart video). Wel waren er inwintechnieken die ondersteunend kunnen zijn of die in de toekomst een rol kunnen spelen – daar komen we zo op terug.
2. Aangepaste data-eisen
Voor het deel ‘data-eisen’ hebben we alle verkeerskundige functies opnieuw tegen het licht gehouden: zijn de huidige hoge data-eisen altijd en overal nodig? Het bufferen bij de ‘hoofdmaatregel’ (in het eerdere voorbeeld: de TDI’s), luistert nauw: de wegvakken moeten gelijkmatig gevuld worden en daar is gedetailleerde informatie voor nodig over het aantal voertuigen dat er nog bij past. Maar voor het inschakelen van ondersteuning vanuit een VRI is het eigenlijk voldoende te weten of een bepaalde grenswaarde is overschreden.
Dat laatste zou heel goed kunnen met lusdata: data uit de VRI via Ivera of V-Log. De bezettingsgraad van filelussen levert informatie over het overschrijden van de grenswaarde. De hiaten bij koplussen kunnen weer gebruikt worden voor een andere functie: het bepalen of alle voertuigen van de wachtrij tijdens een groentijd door konden rijden.
VRI-data gebruiken is met name kostenbesparend als de infrastructuur (lussen) al beschikbaar is of bij een herinrichting beschikbaar kan worden gemaakt.
Met dit in gedachten hebben we een nieuwe lijst data-eisen voor GNV opgesteld, waarin we onderscheid maken tussen drie typen metingen: een volledige meting, een versoberde gebiedsmeting en een puntmeting. Een volledige meting is conform het huidige gebruik van de radar-wachtrijschatter. Gebiedsmetingen bepalen voor een gedeelte van het wegvak (100 meter bijvoorbeeld) de verkeerstoestand. En puntmetingen, zoals lusdata van de VRI, detecteren alleen lokaal congestie. In een nieuwe data-eisenlijst hebben we aangegeven wanneer (= voor welke GNV-functie waar in het netwerk?) een volledige meting vereist is, en wanneer gebieds- of puntmetingen volstaan.
3. Praktische kostenbesparing
We hebben ook gekeken naar de kosten van de radardetectie zelf. Met name op de aansluitkosten is vaak nog winst mogelijk. Veel radars in Utrecht zijn geïnstalleerd op een eigen mast met een aparte voeding en de data worden verzonden via glasvezel. Door de radarsensor aan te sluiten op een bestaande mast voor openbare verlichting en de voeding hiervan te gebruiken, zoals in Rotterdam is gebeurd, kunnen we al veel kosten besparen. Voor de communicatie zou 4G (het draadloze mobiele netwerk) moeten volstaan.
Kansrijk
Zoals gezegd stuitten we in onze zoektocht naar radaralternatieven op enkele kanshebbers. Het gaat dan om (toekomstige) vervangers van de radar, geschikt voor een volledige meting, of voor technieken die interessant zijn voor gebieds- of puntmetingen.
We noemen er vier:
- Draadloze pods (met batterijen). Dit zijn sensoren die in de weg worden geplaatst en gedurende een aantal jaar puntmetingen kunnen verrichten. Dit eenvoudige systeem is wat aansluitkosten betreft veel goedkoper dan de meetlus. Het nadeel is dat het nog geen bewezen techniek is voor verkeersmanagement. We weten bijvoorbeeld nog niet goed wat de levensduur van pods is (worden ze niet snel kapotgereden?) en of de batterijen eenvoudig te vervangen zijn.
- Akoestische sensoren. Deze bieden in potentie een goede gebiedsmeting, met significant lagere aanschafkosten dan radar. In Nederland hebben we alleen nog geen ervaring met deze meetmethode. Zo weten we bijvoorbeeld niet in hoeverre een akoestische sensor last heeft van omgevingsgeluid.
- Kunstmatige intelligente. Met VRI-data (meetlussen en signaalgroepen) als input kan een model met kunstmatige intelligentie de wachtrijlengte berekenen. In Noord-Holland zijn goede ervaringen opgedaan met de HAL24K-wachtrijvoorspeller. Deze wachtrijschatter wordt momenteel gevalideerd in Rotterdam.
- Datafusie. Op de middellange termijn is datafusie interessant, in ieder geval voor puntmetingen en gebiedsmetingen. We hebben de potentie van twee concepten onderzocht. Eén werkt op basis van deep learning (ook een vorm van kunstmatige intelligentie) en de ander gebruikt het simple store model (= per richting/rijstrook bijhouden hoeveel voertuigen er zijn). De korte conclusie uit onze verkenning: kansrijk, maar beide aanpakken vereisen nog veel ontwikkel- en testwerk.
Tot slot
In ons onderzoek hebben we niet de heilige graal van goedkope wachtrijschattingen gevonden, maar wel interessante aanknopingspunten om tot (forse) kostenbesparing te komen. Om dit te duiden hebben we voor een representatief netwerk met zeventien wegvakken vijf varianten van inwinning uitgewerkt en bijbehorende begrotingen gemaakt. Voor het volledig, met radar bemeten van het netwerk is een budget van € 525.000 nodig; voor de goedkoopste variant volstaat een budget van € 250.000. Daarbij is aan de randen van het netwerk gebruikgemaakt van draadloze pods en zijn de noodzakelijke radarsensoren geïnstalleerd op bestaande masten voor openbare verlichting. Ook is waar mogelijk gebruikgemaakt van data uit de VRI.
Met deze slag hebben we de kosten al met de helft kunnen terugdringen. In de toekomst moet dit met akoestische sensoren, kunstmatige intelligentie en/of datafusie verder omlaag kunnen.
_____
De auteurs
Dr. Erik-Sander Smits en Jaap van Kooten zijn respectievelijk partner en strategisch adviseur bij Arane.
Ing. Peter-Jan Kleevens is senior adviseur verkeersmanagement bij gemeente Utrecht.
