Raamwerk voor real-time reistijdvoorspellingen

Dit artikel is verschenen in Verkeerskunde3/2016. Het betreft een samenvatting van het artikel 'Real-time reistijdvoorspellingen voor routekeuze- en vertrektijdstipadvies - een toepassing in de Praktijkproef Amsterdam' dat is verschenen in Tijdschrift Vervoerwetenschap 51(4)2015. 

Het beste routekeuze- en vertrektijdstipadvies is gebaseerd op betrouwbare reistijdvoorspellingen. Een nieuwe ontwikkeling is een raamwerk dat plaats biedt aan verschillende voorspelmethoden waaruit de ‘hypothesemanager’ de juiste methoden combineert voor dát tijdstip, op díe locatie onder díe verwachte weersomstandigheden. Dit raamwerk is succesvol toegepast in de in-car Parktijkproef Amsterdam.

Vervoerwijze-, routekeuze- en vertrektijdstipadvies vindt veelal plaats op basis van historische en (bijna) actuele reistijden, terwijl betere adviezen kunnen worden gegeven als rekening wordt gehouden met reistijdvoorspellingen.

Zes methodes draaien realtime parallel
In een nieuw raamwerk draaien zes verschillende, op model en op data gebaseerde reistijdvoorspelmethodes, realtime parallel. Afhankelijk van de situatie - voorspelhorizon, dag van de week, tijdstip, wegtype, regulier/incident - kiest een digitale ‘hypothesemanager’ de naar verwachting meest accurate methode. De gekozen voorspelmethodes zijn voornamelijk datagedreven methodes. Zo worden kalibratieproblemen beperkt, bovendien hebben deze methodes veelal een korte rekentijd. Naast bestaande voorspelmethodes is een nieuwe, (extra)reistijdvoorspelmethode geïntroduceerd voor incidentsituaties op het hoofdwegennetwerk. Dit is een hybride (data en simulatie) real-time marginaal incidentmodel.

Binnen 1 minuut voorspellingen
Toepassing in de Praktijkproef Amsterdam heeft aangetoond dat het geïntroduceerde raamwerk het mogelijk maakt om binnen 1 minuut voorspellingen tot 3 uur vooruit voor het hele Nederlandse hoofdwegennetwerk te maken en voor een groot deel van het onderliggende wegennetwerk rondom Amsterdam, op basis van grote hoeveelheden data.

Gebruikte reistijdvoorspellers
Het raamwerk voor de Praktijkproef Amsterdam bevat vier voorspellers voor het onderliggende wegennetwerk (‘OWN-voorspellers’), een voorspeller voor het hoofdwegennetwerk voor ‘reguliere’ omstandigheden (‘HWN-voorspeller’) en een voorspeller voor het hoofdwegennetwerk voor incidentsituaties (‘Incidentmodule’). Voor incidentsituaties is een datagedreven methode minder geschikt omdat incidenten per definitie uitzonderlijk zijn en historische data dus geen goede basis biedt. Voor incidenten is daarom voor een marginaal model gekozen.

Gatenvulalgoritmes
De architectuur is zodanig opgezet dat eenvoudig andere reistijdvoorspellers kunnen worden toegevoegd. Ook kan de kwaliteit van de voorspellers die opgenomen zijn in het raamwerk worden gemonitord en verbeterd. Speciaal voor ‘onbemeten’ wegen zijn aanvullend ‘gatenvulalgoritmes’ ontwikkeld.

Verkeersdata en neerslagdata
Naast NDW-data wordt gebruik gemaakt van additionele Bluetooth-sensoren die in evenementengebieden zijn geplaatst en van floating car data van Be-mobile en de PPAapp. Tot slot wordt gebruik gemaakt van actuele en voorspelde neerslagdata om de voorspelde reistijden voor het hoofdwegennetwerk bij te stellen op basis van relaties die per snelweg zijn vastgesteld tussen de neerslagintensiteit en de snelheidsreductie als gevolg van die neerslag.

Conclusies
De toepassing heeft aangetoond dat het geïntroduceerde raamwerk het mogelijk maakt om binnen 1 minuut kwalitatief hoogwaardige voorspellingen te maken voor een groot netwerk (116.000 links en 68.000 knopen) op basis van grote hoeveelheden data. De foutmarge is over het algemeen kleiner dan 20 procent. Groot voordeel van het raamwerk is dat er eenvoudig nieuwe, meer geavanceerde methodes kunnen worden toegevoegd. Het raamwerk is gebruikt om slimmere vertrektijdstip- en routeadviezen te geven via de Supperroute-App.

Vervolgstap
Een vervolgstap richt zich op het flexibiliseren van de ‘hypothesemanager’ door de keuze voor een voorspelmethode niet alleen van de historische prestaties af te laten hangen, maar ook van lokale recente/actuele data.

 
Auteur: Maaike Snelder, Simeon Calvert, Taoufik Bakri, Bjorn Heijligers, Jasper van Huis, TNO