Hans van Lint: Datakennis moet in je rugzakje zitten

woensdag 2 oktober 2019 Nettie Bakker 54x gelezen

Een van zijn professoren zei ooit: ‘Ons vakgebied is rijk aan assumpties, maar minder rijk aan data om die te valideren’. De vele data die nu al beschikbaar zijn en de nieuwe databronnen die nog komen, zouden het mogelijk kunnen maken om deze uitspraak om te draaien: een vakgebied dat rijk is aan data en onderbouwde voorspellingen kan doen ten behoeve van beleidsbeslissingen over verkeer en vervoer. “Dat vereist wel nieuwe skills van verkeerskundigen”, stelt hoogleraar Hans van Lint: “Je moet begrijpen welke informatie je uit data kunt halen”.  

Als antwoord op de vraag: ‘Wat is de belangrijkste opgave waarvoor ICT-oplossingen moet aandragen?’ zou Van Lint ten eerste ICT willen vertalen in datascience en netwerkscience. “ICT zie ik als ‘facilitair’. Je hebt ICT nodig om op grote schaal dataonderzoek te kunnen doen, maar de verkeerskundige hoeft geen ICT-specialist te zijn. Hij of zij moet daarentegen wel iets begrijpen van datascience. Je moet wel begrijpen welke informatie databronnen kunnen bevatten, zowel afzonderlijk als in combinatie met andere databronnen.” Dit is het onderzoeksveld waarin Van Lint en zijn promovendi en post-docs opereren.

Van Lint komt terug op de opgave waarvoor je aan data sleutelt: “Beter grip krijgen op hoe verkeer en vervoer op grote schaal plaatsvinden voor bijna alle planningen en grote beleidsbeslissingen. Hiervoor worden grote modellen gebruikt die tjokvol zitten met veronderstellingen. Helaas worden modellen door beleidsmakers nog vaak gezien als een ‘toverdoos’ waar feiten uitkomen. Reden genoeg om modellen beter te maken. Met datascience en netwerkscience kun je de modellen veel meer datagedreven maken.”

Data en veronderstellingen
Van Lint gaat nog wat dieper in op data- en netwerkscience. “Veel van wat we traditioneel doen, het begrijpen van verkeers- en vervoerstromen, kunnen we tegenwoordig uit data leren. Dat vergt zowel kennis van data en dataverwerking, als van hypotheses (veronderstellingen) over hoe verkeer en vervoer in elkaar zitten. Die ‘data skills’ waren voorheen minder belangrijk, want toen waren er veel minder data en moesten we het vooral doen met heel veel veronderstellingen. Nu moeten die twee werelden bij elkaar komen. Mind you: met alleen data analytics red je het niet, maar met alleen veronderstellingen ook niet.” Dat brengt Van Lint op het ‘durven’ terugkijken: hoe verhouden voorspellingen zich met de werkelijkheid? “Met de huidige datafaciliteiten, kunnen we dat zelfs al continu doen. Ook dat maakt het gat kleiner tussen modellen en werkelijkheid, tussen assumptie en hoe het in de werkelijkheid uitpakt.”

Verkeer en vervoer gaat over onze collectieve keuzes, vervolgt Van Lint, in zijn uitleg van netwerk science. “Welke activiteiten gaan we waar doen? Hoe reizen we en wanneer? En wat heeft dat voor gevolgen voor het gebruik van wegen en ov-netwerken? Dat laatste beïnvloedt dan weer alle keuzes die we maken (HB-stromen) en de manier waarop weg- en ov-beheerders hun netwerken ontwerpen en managen. Alles hangt met alles samen en het centrale woord is hier: netwerken. De infrastructuur is een netwerk, en een dienstregeling of een HB-matrix is ook een netwerk. Alles is te schematiseren tot een netwerk. Netwerk science is een tak van de wetenschap met geavanceerd gereedschap om aan zulke netwerken te rekenen. Veel van dat gereedschap wordt nog niet gebruikt in verkeer en vervoer (veel ook wel). Juist in combinatie met nieuwe data bieden methodes uit netwerk science superkrachtig gereedschap om verkeer en vervoer beter te begrijpen en dus ook beter te voorspellen wat er gaat gebeuren.”

Noodzakelijke transitie
“Deze kennis van data- en netwerkscience in het rugzakje van verkeerskundigen plaatsen is een transitie die we moeten maken. Wil je beide vakgebieden toepassen dan moet je iets weten van de onderliggende principes (kennis) en de software (vaardigheden) die je daarvoor nodig hebt. Je kunt natuurlijk niet alles in je rugzak hebben, als je maar wel ongeveer begrijpt wat je met data en netwerk science kunt doen. Als je maar weet dat je van kaarten, Gis en data chocola kunt maken. Want als je dat wéét, dán gebeurt het ook wel.”

Hoe verkeerskundigen aan deze extra kennis komen? Van Lint noemt twee marsroutes: “Eén is de opleiding. Het hoort in de basisopleiding thuis. Het andere is het onderkennen dat veel problemen in verkeer en vervoer tegenwoordig interdisciplinair zijn. Dat betekent herkennen wat je zelf kúnt doen en stuit je op problemen, zorg je voor een team. Het is deze mix aan competenties en inzichten waarin de verkeerskundige moet leren werken”

En de toekomst? “Dat weet je nooit, maar het ligt voor de hand dat datascience en netwerkscience van belang blijven.”

Inhoud laatste dossier

De verkeerskundige

Naar alle eerdere dossiers

Meer artikelen over Wegontwerp

Artikelen 1 tot 5 van 62

1 2 3 4 5 6

Artikelen 1 tot 5 van 62

1 2 3 4 5 6

Verkeerskunde is een uitgave van ANWB.
© 2019 verkeerskunde.nl - alle rechten voorbehouden.