Keynote gegeven tijdens het NDW symposium over mogelijkheden van nieuwe databronnen. We kijken met name naar toepassingen binnen het netwerkbroed dynamisch verkeersmanagement.
1. Nieuwe data, anders denken
Prof. dr. Serge Hoogendoorn
Delft University of Technology, Arane, NM Magazine
Amsterdam Institute of Advanced Metropolitan Solutions
Kansen voor Floating Car Data in Verkeersmanagement
2. Hoofdboodschap
• Toepassing Floating Car Data binnen state-of-
the-art verkeersmanagement
• Focus op “wat nu nodig is” en “wat nu kan”
• Inzicht in “waarde onsje meer of betere data”
• Wachtrijschatter als voorbeeld…
Om het meeste uit nieuwe databronnen te halen,
moeten we (soms) af van de ‘normal practise’
aanpak voor schatten en regelen
3. De Hype: NFD’s
Yokohama
San
Francisco
Nairobi
0 50 100 150 200 250
Density
0
1000
2000
3000
4000
5000
6000
7000
8000
Flow
MFD data v2
Amsterdam?
• NFD: Netwerk
Fundamenteel Diagram
• Beschrijft gemiddeld
functioneren van het netwerk
als functie van de belasting
van het netwerk (bijv.
uitgedrukt in gemiddelde
dichtheid)
• Geeft belangrijk inzichten in
functioneren netwerken en
mogelijkheid netwerken te
vergelijken…
• Tipping point: vanaf bepaalde
belasting loop netwerk
productie achteruit en
stagneert zelfs volledig
• Wat veroorzaakt nu de vorm?
4. • Afwikkeling in netwerk laat zich goed
beschrijven door het Netwerk Fundamenteel
Diagram (NFD)
• Vorm NFD laat zich verklaren door diverse
processen die zorgen voor afname effectieve
capaciteit, waaronder:
- Capaciteitsval (15 - 30% afhankelijk van soort file)
- Terugslag file (zeer hoge reductie doorstroming!)
• Verkeersmanagment beoogt deze processen te
voorkomen of effect ervan te verminderen
Waarom werkt VM?
Capaciteitsval: maximale intensiteit is lager voor
het moment dat congestie ontstaat
Terugslag file (naar afrit): doorstroming reduceert
als file toerit locatie afrit bereikt
5. Simpele oplossing…
• File beheersen (voorkomen, oplossen) door
beperken instroom en / of vergroten uitstroom
• Voorbeeld toeritdoseren: voorkomen (oplossen)
file snelweg door beperken instroom toerit
• Geïsoleerde toeritdosering is zeer effectief (gem.
10% verhoging van capaciteit, zolang actief!),
maar oplossend vermogen is beperkt:
- Beperkte ruimte om te bufferen
- Vaststellen (voorspellen) probleem HWN (kiem)
- Fouten bij meten wachtrij toerit (resterende ruimte)
1.Meet actuele dichtheid stroomafwaarts
van de toerit en vergelijk deze met
regeldoel (optimale of kritische dichtheid)
2.Doseer zodat actuele dichtheid naar
regeldoel (optimale dichtheid) wordt
gebracht
Vraag: waarom is het goed vaststellen
van de wachtrij zo belangrijk?
3.Beperk (of stop) doseren als wachtrij toerit
te lang wordt
6. Effect meetfout wachtrij
• Kennis over impact fout is zeer beperkt
• TrafficQuest onderzoek naar relatie fout / effectiviteit
• Voorbeeld: impact fout op effectiviteit toeritdosering:
- verbetering van relatieve fout van 25% naar 15%
- levert ongeveer 90 vtg-u op (jaarlijks 360 kEuro besparing
maatschappelijke kosten)
• Belangrijk, maar nog geen generiek inzicht in “wat
kwaliteit waard is”
• Zeer complex, want impact kwaliteit hangt af van
toepassing (TDI, AID, verkeersregeling, inzet
regelscenario), ontwerp regeling, situatie, etc.
• Figuur toont relatie tussen VVU en meetfout
wachtrij toerit
• VVU betreffen VVU HWN, toerit en SWN
• Vanaf bepaalde fout regelmatig terugslag
wachtrij naar SWN wat leidt tot hoge
vertragingen
• TrafficQuest doet onderzoek relatie datakwaliteit
en effectiviteit verkeersmanagement
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
relatieve fout
1900
1950
2000
2050
2100
2150
2200
VVU(vtg-u)
Niet doseren
Wel
doseren
Nieuwe
methode
Oude
methode
7. Trends in Verkeersmanagement
Gebruikmakend van actuele technologische innovaties (e.g. Connectivity & Big
Data) en nieuwe organisatorische concepten komen tot transities:
• Van geïsoleerde inzet naar in samenhang inzetten van maatregelen (GNV)
• Van sturing via wegkant naar sturing & geleiding via mix van wegkant en in-car
• Van klassieke detectie via wegkant naar optimale mix van inwinning via
wegkant en in-car
Praktijkproef Amsterdam (PPA) als voorbeeldproject voor opdoen ervaring met
toepassing nieuwe concepten en technologie die uit deze trends volgen
8. Het GNV concept
• Kiem wordt zo snel mogelijk opgespeurd
• Kiem wordt meteen aangepakt door lokale
maatregel (in dit geval een TDI)
• Lokale maatregel wordt ondersteund door
maatregelen elders in netwerk (TDI’s, VRI’s,
dynamische snelheidslimieten)
• Adagium: verdeel wachtrijen over buffers netwerk
evenwichtig, conform beleidsuitgangspunten
• Concept toepasbaar wegkant en in-car!
Kiem
Gelijkmatige vulling
buffers en toerit Master
• Master-Slave concept succesvol toegepast in
de praktijk (o.a. HERO)
• GNV inmiddels concept toegepast en
veralgemeniseerd in diverse projecten (PPA,
AFM, PoC Utrecht, Melbourne)
9. Praktijkproef Amsterdam
• Aanpak PPA fase 1 (wegkant) 1e pilot GNV concept bleek
effectief: doseerduur 3-5 x hoger, extra vertraging SWN
• Aantal belangrijke lessen…
- Beperkte waarde voorspelling, belang tijdig vaststellen kiem en
kiemkenmerken (de ene file is de andere niet)
- Kennis effectiviteit buffers (fracties)
- Nauwkeurig bepalen wachtrijen toerit en stedelijk wegennet
• Lastig met alleen lussen: toevoegen FCD?
• Wetenschappelijke studies tonen kansen, maar
aannames over kenmerken FCD data vaak niet realistisch• Ex-post analyse van beschikbare gegevens laten een
netto winst zien op HWN van 300 vvu/spits, ten koste
van extra verlies op toeriten en stedelijk wegennet
• Met eenvoudige ingrepen (betere tuning, alleen
gebruiken effectieve buffers) is 80% van de extra
vertraging worden weggenomen (fase 2.1)
Voor vervolg: focus op schattenwachtrijen in verband met belangnauwkeurige en betrouwbareschattingen in tal van state-of-the-art toepassingen en projecten
10. Bepalen wachtrijen
• Schatten wachtrijen met alleen lussen blijkt
buitengewoon lastig
• Nog geen generieke methode beschikbaar!
• Eisen aan lusconfiguratie en -kwaliteit hoog:
beperkt uitrolbaarheid van regelconcept!
• Onderzoek in kader van PPA naar mogelijkheden
om met FCD wachtrijschatters te verbeteren
• Samenwerking TomTom, FileRadar en Arane
Wachtrijen bepaald met behulp van
radar maken duidelijk hoe complex het
schatten van wachtrijen is!
11. Gebruik FCD data
AI en Advanced Machine Learning:
nr. 1 Strategic Technology Trend 2017 (Gartner)
• Uitgaan van ‘standaard’ TomTom producten
(snelheid dyn. segmenten, fracties per 30 s)
• Diverse methoden ontwikkeld en getoetst:
- Uitbreiding PPA wachtrijschatter met fracties TomTom
- Fusie lus / TomTom data op grond van model
(theorie of model-gebaseerde methode)
- Fusie met Machine Learning (data driven methode)
• Alle methoden: betere resultaten fusie FCD
• Machine-learning aanpak zeer kansrijk!
12. Machine learning?
• Model-gebaseerde aanpakken gaan uit van
veronderstelde verkeerskundige verbanden, e.g.:
1. Snelheid verkeer wordt bepaald door dichtheid
2. Aantal voertuigen wachtrij bepaald door balans instroom
en uitstroom
• Door fouten in theorie (1) en fouten in metingen (2)
blijken deze verbanden niet altijd goede basis
• Machine learning methoden zoeken statistische
relaties in de data zonder te scherpe
veronderstellingen over vorm relaties…
• Voor onze schatter keuze voor grey box model
Fout
Parameters
Grey-box
model
Schatting
wachtrij
Ground truth
wachtrijen
(training)
VRI en TDI
lusdata
FCD
reistijden
Nadeel: trainingsdata (ground truth)
noodzakelijk!
13. Machine learning?
• Model-gebaseerde aanpakken gaan uit van
veronderstelde verkeerskundige verbanden, e.g.:
1. Snelheid verkeer wordt bepaald door dichtheid
2. Aantal voertuigen wachtrij bepaald door balans instroom
en uitstroom
• Door fouten in theorie (1) en fouten in metingen (2)
blijken deze verbanden niet altijd goede basis
• Machine learning methoden zoeken statistische
relaties in de data zonder te scherpe
veronderstellingen over vorm relaties…
• Voor onze schatter keuze voor grey box model
• Machine learning methode leidt tot zeer
redelijke schattingen voor kalibratie en
validatie datasets
• Voorbeeld resultaat schatten wachtrijen
s106 Oost voor ochtendspits en avondspits
• Fout relatief klein in vergelijking tot andere
(theory-based) methoden
• Ook goede resultaten zonder FCD; redelijk
met alleen FCD data
06:00 06:30 07:00 07:30 08:00 08:30 09:00 09:30 10:00
tijd Jul 11, 2016
0
100
200
300
400
wachtrij(m)
waargenomen
geschat
15:00 15:30 16:00 16:30 17:00 17:30 18:00 18:30 19:00
tijd Jul 11, 2016
0
100
200
300
400
wachtrij(m)
waargenomen
geschat
06:00 06:30 07:00 07:30 08:00 08:30 09:00 09:30 10:00
tijd Jul 19, 2016
0
100
200
300
400
wachtrij(m)
waargenomen
geschat
15:00 15:30 16:00 16:30 17:00 17:30 18:00 18:30 19:00
tijd Jul 19, 2016
0
100
200
300
400
wachtrij(m)
waargenomen
geschat
Klinkt goed?
Problem solved?
Geen bezwaren uit
de zaal?
14. Hold on Einstein!
• Training vereist beschikbaarheid ground
truth, dus installatie van radarsysteem!
• Bovendien worden op dit moment de FCD data
met enige vertraging geleverd
• Oplossing? Gebruik FCD data als trainingsdata
• Aanpak in principe toepasbaar willekeurige
locatie; aanvullende inwinning niet nodig!
• Voorlopig resultaten van methode
veelbelovend: beperkt lagere nauwkeurigheid
en betrouwbaarheid (pakweg 20%)
Fout
Parameters
Grey-box
model
Schatting
reistijd
VRI en TDI
lusdata
FCD
reistijden
15. Lessen aanpak?
• Succesfactor: intensieve samenwerking
verkeerskundige en leverancier
• Iteratief proces: herhaald confronteren van:
- Wat is / lijkt nu nodig voor schatten wachtrijen?
- Wat is nu beschikbaar? Wat kunnen we (met
beperkte effort) beschikbaar maken?
• Convergentie naar oplossing (die werkt!)
• Wensenlijstje voor de toekomst…
Verkeerskundige
eisen data
Technische
mogelijkheden
Aangepast
gebruik data
Aangepaste
kenmerken
data
16. Wat kan? Wat moet?
• Eisen aan data worden vaak gesteld vanuit ‘klassieke
toepassingen’ (de facto: op basis eisen wegkant detectie)
• FCD voldoet vaak niet aan deze specifieke eisen (e.g.
“geen betrouwbare intensiteit”) en zal dat voorlopig ook wel
niet doen
• Kunnen we regelen met data met andere kenmerken, e.g.:
- Toeritdoseren met snelheden ipv dichtheden / intensiteiten
- Bufferen met reistijdvertragingen in plaats van wachtrijen (?)
• Moet datakwaliteit wel “constant” zijn, of kan het “soms wat
meer, soms wat minder” (e.g. FCD ‘on demand’)?
• Innovatie vereist “out of the box denken” aan zowel de
datakant als aan de toepassingskant
“Ik wil toeritdoseren! Geef me
intensiteiten!”
“Heb je niets aan reistijden?”
17. “We cannot solve a problem using the same
kind thinking we used when we created it…”
Albert Einstein
18. Hoofdboodschap
• Toepassing Floating Car Data binnen state-of-
the-art verkeersmanagement
• Focus op “wat nu nodig is” en “wat nu kan”
• Inzicht in “waarde onsje meer of betere data”
• Wachtrijschatter als voorbeeld…
Om het meeste uit nieuwe databronnen te halen,
moeten we (soms) af van de ‘normal practise’
aanpak voor schatten en regelen
19. Andere mogelijkheden
• Onderzoek naar andere PPA monitoring functies
toont toepassingsmogelijkheden FCD
• Potentiële winst door fusie wegkant en FCD binnen
GNV concept:
- Beter onderscheid typen kiemen, dus effectiever regelen
- Inzicht effectiviteit buffers door informatie fracties
• Hoeveel beter functioneert het systeem? Hoe zit het
met de uitrolbaarheid?
• Datafusie kan belangrijke bijdrage leveren aan GNV
• Hoe verder? Kunnen we straks zonder lussen?
20. Kansen FCD?
• FOSIM studie A13 (synthetische dataset)
• Aanname: beschikking trajectorien p% voertuigen
• Combinatie FCD met lusdata (500, 1000, 2500 m)
• Kwaliteit verbeterd aanzienlijk, ook bij lage
penetratie: bij 2% met 5x minder lussen nodig!
• Aannames beschikbare data realistisch? In hoeverre
kunnen we nu al zinvol gebruikmaken van FCD
Voor nu: focus op wachtrijschatters in verband
met belang nauwkeurige en betrouwbare schattingen
in tal van toepassingen HWN / SWN (PPA, AFM, etc.) 0% 2% 4% 6% 8% 10%
Percentage FCD data
Fout(insnelheid)
12
10
8
6
4
500 m
1000 m
2500 m
Ruwe data (snelheden)
Resultaten na toepassing Adaptive Smoothing Method