Files voorspellen terwijl ‘het nog rijdt’

De gemiddelde snelheid, en niet de bezettingsgraad, is daarbij de belangrijkste parameter, concludeert de promovendus, die zijn onderzoek deed bij de vakgroep Verkeer en Vervoer van de faculteit Construerende Technische Wetenschappen.

In de huidige verkeersmanagementcentrales wordt nog geen gebruik gemaakt van voorspellende methoden, aldus Huisken. Dit terwijl een belangrijk deel van het hoofdwegennet is uitgerust met inductielussen die een schat aan data opleveren over het aantal voertuigen, de gemiddelde snelheid, de afwijking van die gemiddelde snelheid, de bezettingsgraad van de weg en zogenaamde Automatic Incident Detection. Kun je die data niet gebruiken om voorspellingen te doen, en welk model voldoet dan het beste, was de vraag die de promovendus zich stelde.

Hij heeft twee notoire bottlenecks in Nederland uitgezocht om te rekenen aan voorspellende methoden: knooppunt Beekbergen en knooppunt Hoevelaken. Bij beiden treedt regelmatig congestie op, en allebei hebben ze ook een vrij geïsoleerde ligging ten opzichte van andere bottlenecks in het wegennet. Voor de ochtend- en avondspits heeft Huisken, in samenwerking met Rijkswaterstaat, datasets verzameld. Door deze data voor te schotelen aan een rekenmodel en te koppelen aan AID- gegevens –wanneer is het verkeer daadwerkelijk vastgelopen- is een voorspelling te doen.

De eenvoudigste benadering is het ‘doe-niets scenario’: tijdens de voorspellingsperiode wordt aangenomen dat er geen verandering is in de congestietoestand. Deze ‘naïeve methode’ presteert slecht, en dat ligt in de lijn van de verwachting. Opmerkelijk is echter dat ook veel geavanceerder modellen het weinig beter doen. De beste resultaten halen lerende modellen, zogenaamde neurale netwerken die getraind worden in het herkennen van patronen. Zij herkennen het weggedrag en weten dit te koppelen aan het optreden van congestie. Uit Huisken’s onderzoek blijkt dat niet zozeer de data, verzameld ná het congestiepunt, cruciaal is voor de voorspelling: vooral de data op weg náár de bottleneck, stroomopwaarts, is relevant. De belangrijkste parameter is bovendien niet de bezettingsgraad of het aantal voertuigen, maar de gemiddelde snelheid. Ook dat wijkt af van de verwachting, stelt Huisken.

Voorspellende modellen dienen volgens Huisken niet louter om het gebruik van het beschikbare asfalt te maximaliseren. Eén van de stellingen bij zijn proefschrift is zelfs dat dit onwenselijk is. Een maximale benutting van de weg zorgt voor viermaal zoveel auto’s op het hoofdwegennet, laat hij met een berekening zien. Bovendien is er bij maximale benutting geen enkele reserve voor als er een ongeval optreedt met congestie als gevolg. Hoe meer je benut, hoe minder robuust het wegennetwerk wordt, is zijn conclusie.