PPA West: Toepassingsmogelijkheden Floating Car Data voor Verkeersmanagement. Eindrapport MuConsult

Transcriptie

1 PPA West: Toepassingsmogelijkheden Floating Car Data voor Verkeersmanagement Eindrapport MuConsult Definitief Vastgesteld door PPA Stuurgroep

2 PPA West: Toepassingsmogelijkheden Floating Car Data voor Verkeersmanagement MUCONSULT B.V., POSTBUS 2054, 3800 CB AMERSFOORT

3 Eindrapport MuConsult Uitgebracht aan: RWS Amersfoort, 9 november 2015 Projectnummer: RW032

4

5 Inhoudsopgave Inhoudsopgave 1 Samenvatting 3 Aanleiding 3 Kwaliteit databronnen 3 Verschillende karakteristieken wegkant data en FCD 4 Van ruwe data naar bewerkte data 5 Open data 6 Informatiebehoefte verkeersmanagement instrumenten 6 Algemene conclusie 7 1. Inleiding Inleiding Opzet van dit rapport Aanbodstructuur data voor verkeersmanagement Inleiding Dataverzamelingsmethoden voor verkeersmanagement Wegkant systemen Floating Car Data Databewerking (inclusief datafusie) van FCD Synthese Vraagstructuur voor verkeersmanagement Inleiding Informatiebehoefte Dynamisch Verkeersmanagement Algemeen Informatiebehoefte GNV Kwaliteitsdimensies van data Synthese 37 1

6 4. Conclusies en onderzoeksvragen Inleiding Onderzoeksvragen 39 Bijlage 1: Voorbeeld invloed dichtheid meetlocaties en penetratiegraad FCD 45 Bijlage 2: Nadere precisering kwaliteitseisen data verkeersmanagement instrumenten 49 Bijlage 3: Begrippenlijst 51 Bijlage 4: Lijst gebruikte literatuur 55 2

7 Samenvatting IN DIT RAPPORT WORDEN DE RESULTATEN VAN EEN ONDERZOEK NAAR TOEPASSINGSMOGELIJKHEDEN VAN FLOATING CAR DATA (FCD) VOOR VERKEERSMANAGEMENT GEPRESENTEERD. FCD LIJKT GOEDE KANSEN TE BIEDEN. ALVORENS KAN WORDEN OVERGEGAAN OP TOEPASSING VAN FCD, DIENT EEN AANTAL IN DIT RAPPORT GEFORMULEERDE ONDERZOEKSVRAGEN TE WORDEN BEANTWOORD. Aanleiding Floating car data (FCD) 1 kan van substantiële toegevoegde waarde voor verkeersmanagement toepassingen zijn. In tegenstelling tot data vergaard met wegkant systemen (waarbij sprake is van puntmetingen op vaste plekken in een netwerk) kan FCD inzicht geven in de dynamica van voertuigbewegingen in een netwerk. Voor reistijdinformatie over routes kan het huidige aanbod van FCD de plaats van lus detectie al overnemen. FCD biedt de mogelijkheid om inzicht te verkrijgen in herkomstbestemmingsrelaties hetgeen van toegevoegde waarde kan zijn bij het vaststellen van de zogenaamde splitfracties voor het GNV concept van PPA West. Ook kan met FCD mogelijk meer accuraat het optreden van congestie (bijvoorbeeld door schokgolven) worden bepaald. Hoewel FCD dus belangrijke kansen biedt, heeft het onderzoek uitgewezen dat voor de verbreiding van de toepassing van FCD voor real time (dynamisch) verkeersmanagement én voor PPA West nog een aantal stappen moet worden gezet. De algemene conclusie is dat meer toepassingsgericht onderzoek nodig is. De belangrijkste bevindingen en daaraan gekoppelde onderzoeksvragen worden in het onderstaande puntsgewijs weergegeven. Kwaliteit databronnen Op GSM gebaseerde data (locatie- en tijdbepaling met zendmasten voor telefoonverkeer) is - door de substantiële meetfout in de locatiebepaling van voertuigen - minder geschikt voor 1 In dit document wordt met Floating Car Data (FCD) bedoeld alle vormen van gegevens die direct uit bewegende voertuigen wordt afgeleid en bewerkt tot informatie over reistijden, snelheden, intensiteiten en herkomst bestemmingsrelaties. ( Probe Vehicle Data (PVD) gelden als de ruwe data van individuele bewegende voertuigen (posities, snelheden) die de basis vormen voor FCD ) 3

8 verkeersmanagement doeleinden en met name voor real time verkeersmonitoring. Wel zijn toepassingen van GSM mogelijk die een lagere accuraatheid van de locatiebepaling vragen, zoals toepassingen die gebruik maken van herkomst-bestemmingsrelaties. Op GPS gebaseerde data (bepaling van locatie, tijd en veelal ook snelheid en richting middels satellieten) is wel een goede bron om gebruikt te worden voor verkeersmanagement doeleinden. De accuraatheid van de locatiebepaling door GPS is aanmerkelijk beter dan van GSM. Na deze constatering heeft het uitgevoerde onderzoek zich vooral gericht op de toepassingsmogelijkheden van GPS voor verkeersmanagement. Ook bij op GPS gebaseerde data kunnen meetfouten in de bepaling van de locatie en de snelheid worden waargenomen. Dit geldt met name indien GPS wordt gebruikt zonder gebruik te maken van andere databronnen. Het is nog onbekend hoe groot de meetfout in de locatiebepaling van GPS is onder verschillende omstandigheden. GPS data is op locaties met meer bebouwing minder accuraat. Bovendien is locatiebepaling van stilstaande voertuigen minder accuraat hetgeen in PPA West van belang is voor bijvoorbeeld het bepalen van wachtrijlengtes bij VRI s en TDI s. Verschillende karakteristieken wegkant data en FCD FCD maakt als gezegd - in tegenstelling tot data verzameld met wegkant systemen - mogelijk inzicht te geven in de dynamica van voertuigbewegingen (trajectoriën versus puntmetingen). Dit is een belangrijk en karakteristiek verschil tussen beide vormen van data. Een ander belangrijk verschil tussen data verzameld met wegkant systemen en FCD is dat bij wegkant systemen de gehele populatie wordt bemeten (behoudens meetfouten in bijvoorbeeld de lus detectie). Bij FCD is er sprake van een steekproef uit alle bewegende voertuigen waarvan GPS wordt ontvangen. Dit roept vragen over de benodigde steekproefgrootte (penetratiegraad) voor verschillende verkeersmanagement instrumenten. De benodigde steekproefgrootte is afhankelijk van de variatie in de variabele waarover een uitspraak moet worden gedaan (bijvoorbeeld herkomst- bestemmingsrelatie, gemiddelde snelheid, intensiteit) en de voor verkeersmanagement instrumenten benodigde accuraatheid en betrouwbaarheid. Het is echter nog niet duidelijk hoe groot de benodigde accuraatheid en betrouwbaarheid van data moet zijn in relatie tot de verschillende verkeersmanagement instrumenten. Dit hangt nauw samen met de informatiebehoefte van de verschillende verkeersmanagement instrumenten. Verder kan worden opgemerkt dat de mate van accuraatheid samenhangt met de situatie. Zo kan voor verkeersmanagement doeleinden worden voorgesteld dat de accuraatheid en betrouwbaarheid van de data aanzienlijk belangrijker is in die situaties waarin ook daadwerkelijk geregeld moet worden. 4

9 Van ruwe data naar bewerkte data Door de dataleveranciers wordt de ruwe FCD bewerkt tot data die gebruikt kan worden voor verkeersmanagement doeleinden. De bewerkingen die worden uitgevoerd, zijn gericht op het corrigeren van de meetfouten die inherent zijn aan de databron(nen) uit bewegende voertuigen. In zijn algemeenheid hanteren de data leveranciers de volgende stappen in de bewerking van de ruwe data: 8 Normaliseren: bewerken om bruikbare ruwe GPS posities vast te stellen bijvoorbeeld door uitschieters te elimineren, 8 Map matchen: toedelen van GPS posities aan segmenten van een wegen netwerk door filteren van genormaliseerde data op snelheid, locatie en rijrichting, 8 Datafusie: integreren van verschillende databronnen (inclusief historische data en wegkant data) door gebruik van wegingsfactoren op grond van de ingeschatte betrouwbaarheid van de verschillende databronnen, 8 Verrijken: bepalen van verkeerskundige grootheden (bijvoorbeeld reistijden of gemiddelde snelheid). Voor de stap datafusie dient te worden vermeld dat er hier sprake is van maatwerk, dat sterk afhankelijk is van de situatie en de verkeersmanagement maatregel. Het is bij al deze stappen niet duidelijk in welke mate de door de dataleveranciers bewerkte (gefuseerde) data afwijkt van de werkelijkheid. Ook de vraag of deze afwijking acceptabel is voor de verschillende verkeersmanagement instrumenten, kan nog niet worden beantwoord. In dit kader zijn al wel eerste stappen gezet teneinde de kwaliteit van de data te kwantificeren, zoals de zogenaamde Qbench score 2 die door een aantal dataleveranciers wordt gehanteerd. Hoewel deze bewerkingen noodzakelijk zijn, is dus nog onduidelijk welke bijdrage FCD levert aan de uiteindelijke leverbare data. Ook vragen als wat de kwaliteit is van deze data indien wordt afgezien van het fuseren met wegkant data of wanneer de hoeveelheid te gebruiken wegkant data afneemt (bijvoorbeeld door versobering van het gebruik van wegkant systemen) kunnen nog niet worden beantwoord. Tenslotte is gebleken dat data leveranciers segmentatie van de data toepassen. De data wordt geaggregeerd naar wegvakken van bijvoorbeeld 200 meter. Een van de redenen is dat hiermee het privacy aspect van FCD wordt ondervangen. Na segmentatie is niet langer van identificatie via een voertuig maar via een wegsegment sprake. Segmentatie leidt echter mogelijk tot detailverlies in de data en vermindert wellicht de toegevoegde waarde van FCD 2 de Boer, G., & Krootjes, P. (2012). The Quality of Floating Car Data Benchmarked: An Alternative to Roadside Equipment?. In 19th ITS World Congress. 5

10 in termen van het kunnen gebruiken van de dynamica van voertuigbewegingen. Ook hier is nader onderzoek nodig om te bepalen welk detailniveau voor de verkeersmanagement toepassingen vereist is. Open data Zoals gesteld voeren de data leveranciers verschillende bewerkingen uit om te corrigeren voor meetfouten in de ruwe data. Dit is geen verschil met de huidige praktijk van dataverzameling en bewerking bij toepassing van lus detectie. RWS en andere wegbeheerders stellen via NDW lus data ter beschikking die in een aantal applicaties zijn bewerkt om de validiteit en de plausibiliteit van de data te verbeteren. De bewerkte data gelden als open data. Leveranciers van FCD ontlenen aan de bewerkingen die zij op de ruwe data uitvoeren hun verdienmodel. Indien de wegbeheerder voor FCD moet betalen en vervolgens de data weer als open data aanbiedt, dan heeft dit gevolgen voor de kosteneffectiviteit van FCD. Tegen deze achtergrond zal de kosteneffectiviteit van FCD moeten worden beoordeeld. In dit kader dient eveneens te worden vermeld dat dataleveranciers de afnemers van data in de regel een gebruiksrecht verschaffen, hetgeen betekent dat de afnemer de data mag gebruiken voor haar toepassingen en deze in principe dus niet aan derden ter beschikking mag stellen. Informatiebehoefte verkeersmanagement instrumenten De informatiebehoefte van de verschillende instrumenten is diepgaand onderzocht. Geconcludeerd is bij de verdere beoordeling van de waarde van FCD een onderscheid kan worden gemaakt in een aantal archetypen, te weten: 8 reistijd- en routeinformatie (bijvoorbeeld op DRIP s), 8 monitoring voor verkeersmanagement (zoals de PPA modules kiemenspeurder en wachtrijschatter), 8 fractieschattingen en herkomst bestemmingsrelaties (zoals in de PPA module fractieschatter). In dit stadium is de hypothese dat het huidige aanbod van FCD al geschikt is voor (gerealiseerde) reistijd- en routeinformatie maar nog niet geschikt is voor monitoring voor ( real time ) dynamisch verkeersmanagement en de monitoringmodules binnen PPA. Voor fractieschattingen is offline gebruik (met historische data) wel denkbaar. Deze hypothesen hangen samen met de verkregen inzichten over de huidige steekproefgrootte van FCD. 6

11 Algemene conclusie Floating car data (FCD) biedt toepassingsmogelijkheden voor dynamisch verkeersmanagement in het algemeen en Gecoördineerd Netwerkbreed Verkeersmanagement (GNV) in het bijzonder. Echter, om FCD te kunnen toepassen dient een aantal onderzoeksvragen te worden beantwoord. Deze onderzoeksvragen betreffen de kwaliteit van de verschillende databronnen, de verschillende karakteristieken van wegkant data en FCD, de bewerkingen die door de dataleveranciers worden uitgevoerd, het open karakter van data voor verkeersmanagement en de informatiebehoefte van de verkeersmanagement instrumenten. Wij adviseren om deze onderzoeksvragen te beantwoorden in PPA West plateau 2 en om daarbij (in de gebruikte Agile/scrum methode) FCD leveranciers direct te betrekken. 7

12

13 1. Inleiding IN DIT HOOFDSTUK WORDT EEN INLEIDING TOT HET ONDERZOEK VERSCHAFT. ACHTEREENVOLGENS WORDT DE PRAKTIJKPROEF AMSTERDAM KORT BESPROKEN, INCLUSIEF DE HOOFDDOELEN VAN DEZE PROEF. OOK WORDT IN DEZE INLEIDING DE OPZET VAN HET RAPPORT GEPRESENTEERD. 1.1 Inleiding Voor regelconcepten die in (dynamisch) verkeersmanagement worden gebruikt, zoals ook voor het PPA-regelconcept, zijn adequate schattingen van de huidige ( actuele, momentane ) toestand van het verkeer noodzakelijk. Dit is inclusief inzichten in de evolutie van de toestand van het verkeer op het gehele netwerk. Om adequate schattingen van de huidige toestand van het verkeer alsmede inzicht in de evolutie van de toestand van het verkeer op het gehele netwerk te kunnen verkrijgen, is informatie en daarmee data onmisbaar. Traditioneel worden voor het verkrijgen van data wegkant systemen gebruikt. Voorbeelden van wegkant systemen die gebruikt worden om de benodigde data te verzamelen zijn detectielussen, bluetooth, video en radar. Echter, steeds vaker wordt de mogelijkheid genoemd om floating car data (FCD) te gebruiken als middel om het functioneren van verkeersmanagement regelconcepten kosteneffectief te verbeteren. In Fase 2 van de Praktijkproef Amsterdam is dan ook de vraag gerezen in welke mate FCD een bijdrage kan leveren aan het functioneren van de regelconcepten. In de Praktijkproef Amsterdam worden innovatieve technieken ingezet om de capaciteitsbenutting in het netwerk rond stedelijke gebieden te verbeteren. In de proef wordt gebruik gemaakt van bestaande wegkantsystemen en wordt uitdrukkelijk een combinatie gezocht met in-car systemen. De hoofddoelen van de Praktijkproef zijn als volgt geformuleerd in de Proof of Concept: 1. Het verkrijgen van inzicht in de werking en het nut van een aantal nieuwe instrumenten van verkeersmanagement; 2. Het verkrijgen van duidelijkheid over de haalbaarheid, effectiviteit en efficiency van GNV en het draagvlak daarvoor bij de wegbeheerders en weggebruikers; 3. Het verkrijgen van inzicht in de potentie van deze nieuwe maatregelen voor de rest van het land. 9

14 De proef is ingedeeld in een aantal fasen. In Fase 1 van de proef zijn innovatieve wegkant en in-car systemen gescheiden toegepast. In de wegkantproef zijn, gebruik makend van een nieuwe regelconcept GNV (gecoördineerd netwerk breed verkeersmanagement), regelingen van VRI s en TDI s gecoördineerd. In de in-car proef is individuele reisinformatie (inclusief routeinformatie) aan weggebruikers aangeboden. Het algemene doel van PPA Fase 2 wordt in het Plan van Aanpak Fase 2 uitgewerkt in de volgende subdoelstellingen: 1. Het beproeven van de mogelijkheid om GNV effectief te operationaliseren in een ander gebied met nieuwe partners; 2. Het beproeven van de mogelijkheid om de wegkantoplossingen van Fase 1 kosteneffectief te verbeteren door bij het GNV actuele FCD te gebruiken; 3. Het beproeven van de mogelijkheid om de in-car aanpak van Fase 1 te versterken door het inbrengen van wegkant adviezen in de in-car systemen. De tweede subdoelstelling is de directe aanleiding voor deelproject PPA West. Het project PPA West heeft aan MuConsult opdracht verleend om empirisch onderbouwd inzicht te leveren in de kosteneffectieve toepassingsmogelijkheden van FCD voor (dynamisch) verkeersmanagement in het algemeen en GNV in het bijzonder. Het inzicht is gebaseerd op een literatuurstudie, op uitkomsten van interviews met een aantal FCD leveranciers en op twee werksessies met een groep experts. De geïnterviewde FCD leveranciers hebben aan deze werksessie deelgenomen. 1.2 Opzet van dit rapport In het volgende hoofdstuk presenteren we de aanbodstructuur van data die benut wordt of kan worden voor verkeersmanagement in het algemeen en de regelconcepten zoals ontwikkeld binnen de Praktijkproef Amsterdam in het bijzonder. In dit kader presenteren we de definitie van FCD en bespreken we de kenmerkende verschillen tussen dataverzameling met wegkantsystemen en dataverzameling waarbij voertuigen gebruikt worden als bewegende sensoren ( floating cars of probes ). Vervolgens bespreken we in het kort de werking van de verschillende beschikbare dataverzamelingsmethoden. Hierbij is speciale aandacht voor de mogelijkheden die de verschillende methoden bieden alsmede de beperkingen die verbonden zijn aan de verschillende methoden. Op data worden verschillende bewerkingen uitgevoerd alvorens deze in de vorm van informatie door verkeersmanagement instrumenten kan worden gebruikt. De bewerkingen inclusief het fuseren van verschillende databronnen passerende revue. Het hoofdstuk sluit af met een synthese van de bevindingen van het hoofdstuk. In het daarop volgende hoofdstuk bespreken wij de vraagstructuur met betrekking tot data voor verkeersmanagement. Bij het bepalen van de vraagstructuur staat de 10

15 informatiebehoefte van de verschillende verkeersmanagementinstrumenten centraal. Met een voor dit onderzoek ontwikkeld conceptueel model vloeit deze informatiebehoefte voort uit de gebruikte methoden, de situatie alsmede uiteindelijke de subdoelen en het hoofddoel van verkeersmanagement. Het hoofdstuk wordt vervolgd met een nadere precisering van deze informatiebehoefte, die vervolgens leidt tot het formuleren van enkele kwaliteitseisen die verbonden zijn aan ontwikkelde kwaliteitsdimensies. Het hoofdstuk sluit af met een synthese van de bevindingen van het hoofdstuk. In het laatste hoofdstuk worden aanbod en vraag bijeengebracht en worden conclusies getrokken. Eveneens worden de onderzoeksvragen die beantwoord moeten worden, gepresenteerd. 11

16

17 2. Aanbodstructuur data voor verkeersmanagement IN DIT HOOFDSTUK BESPREKEN WIJ DE AANBODSTRUCTUUR VAN DATA VOOR VERKEERSMANAGEMENTDOELEINDEN. VERSCHILLENDE DATAVERZAMELINGSMETHODEN WORDEN IN DIT HOOFDSTUK BESPROKEN EN ER WORDT AANDACHT BESTEED AAN DE KARAKTERISTIEKE VERSCHILLEN TUSSEN DATAVERZAMELING MET WEGKANT SYSTEMEN EN MET FLOATING CAR DATA. 2.1 Inleiding Het belang van het monitoren van de toestand van wegverkeer is sterk toegenomen de laatste decennia. Door technische ontwikkelingen worden in toenemende mate meldingen van weggebruikers, maar ook hulpdiensten, gecompleteerd met informatie verkregen uit data verzameld met wegkant sensoren zoals inductielussen en videocamera s. Over het algemeen wordt aangenomen dat deze data verzamelingssystemen accurate informatie verschaffen over de toestand van het verkeer. Deze systemen hebben echter als belangrijk nadeel dat zij beperkt zijn tot de locatie waar zij geïnstalleerd zijn en dat zij aanmerkelijke onderhoudsverplichtingen met zich meebrengen. Om het wegennet volledig te kunnen beslaan, zou elke weg met deze wegkant sensoren moeten worden uitgerust. Bovendien dienen deze sensoren een voldoende dichtheid te hebben. Dit is echter niet goed haalbaar gezien de grootte van het wegennet en de kosten die dit met zich meebrengt. Bovendien hebben inductielussen als nadeel dat alleen de passagetijden en snelheden kunnen worden gemeten en dat zij niet in staat zijn om snelheden over langere trajecten te meten. De toenemende penetratiegraad van mobiele (navigatie) systemen heeft de deur geopend voor de mogelijkheid om de toestand van het verkeer - en de korte termijn evolutie van deze toestand - te bepalen met data die via deze apparaten kan worden verzameld. Deze systemen maken gebruik van de positionele informatie van deze apparaten en kunnen derhalve FCD genereren. Met deze dataverzamelingsmethode kan een FCD voertuig derhalve zijn positie op een segment van het netwerk doorgeven aan een datacentrale. Deze voertuigen zenden periodiek de geaccumuleerde data over hun longitudinale en laterale positie en (optioneel) instantane snelheden naar een centraal systeem alwaar deze de FCD koppelt aan de gereisde route door het matchen van de gerelateerde trajectoriën aan een wegennetwerk 13

18 ( map matchen ). De frequentie waarmee FCD wordt verzonden door de voertuigen wordt doorgaans bepaald door de vereiste resolutie van de data en de communicatiemethode (bandbreedte). Op deze wijze heeft FCD derhalve de potentie om inzicht in de verkeersprestatie op zelfs een groter netwerk te verschaffen en biedt deze dataverzamelingsmethode een mogelijkheid om de bestaande dataverzamelingsmethode via wegkant systemen te complementeren dan wel te vervangen. De definitie van FCD is met name ontleend aan FOT s. FOT s (Field Operational Tests) zijn testprogramma s uitgevoerd op een grote schaal gericht op het in kaart brengen van de efficiëntie, de kwaliteit, de robuustheid en de acceptatie van verkeersmanagement of ITS oplossingen teneinde slimmere, veiligere, schonere en meer comfortabele transportmogelijkheden te bieden. Vanuit deze testprogramma s zijn een groot aantal verschillende definities van FCD voor handen. Wij pleiten echter voor een generieke definitie in de vorm van een noodzakelijke voorwaarde. In onze visie kan data alleen worden gekwalificeerd als FCD indien de data daadwerkelijk in het voertuig verzameld wordt. De dataverzameling vindt bij FCD dus nooit via de wegkant plaats, zoals bijvoorbeeld het geval is bij bluetooth. Een andere voorwaarde voor het predicaat FCD is dat bij FCD sprake is van de mogelijkheid om trajectoriën te meten (voertuigdynamica in de ruimte gemeten in tijd gebaseerde intervallen). In tegenstelling tot dat het geval is bij dataverzameling met wegkantsystemen is er derhalve geen sprake van een puntmeting. Zie voor een illustratie van het verschil tussen detectie met FCD en wegkantdetectie Figuur 2.1. Figuur 2.1: Proces dataverzameling FCD en met wegkant systemen In het voorgaande maakten we derhalve een globaal onderscheid tussen dataverzameling met wegkant systemen en dataverzameling waarbij gebruik wordt gemaakt van voertuigen als bewegende sensoren. De werking en de verschillende karakteristieken van beide generieke dataverzamelingsmethoden worden in het onderstaande nader toegelicht. 14

19 2.2 Dataverzamelingsmethoden voor verkeersmanagement In deze paragraaf worden de werking en de karakteristieken van dataverzamelingsmethoden met wegkantsystemen en met het gebruik van voertuigen als bewegende sensoren ( floating cars ) besproken Wegkant systemen In zijn algemeenheid kunnen voor dataverzameling met wegkantsystemen de volgende databronnen of meetmethoden worden gebruikt: 8 Inductie lus detectie; 8 Radardetectie; 8 Video detectie; 8 Bluetooth detectie; De meest gebruikte methode om data over de toestand van het verkeer te verzamelen is het gebruik van inductielussen. Een lus detector bestaat uit een lus van geleidend materiaal die in het wegdek is aangelegd. De lus heeft een of meer windingen die worden gevoed met wisselstroom, zodat een magnetisch veld met een bepaalde frequentie ontstaat. Deze lussen worden, indien er sprake is van asfaltverharding, in het wegdek gefreesd (dan wel in sommige gevallen onder het wegdek aangebracht). Wanneer er verkeer over de lus rijdt dat materialen bevat dat van metaal is dan wordt het magnetisch veld verstoord. Naar aanleiding van de verstoring wordt het signaal doorgegeven aan een elektronische schakeling die op zijn beurt een uitgangssignaal creëert voor de software van bijvoorbeeld een Verkeersregel Installatie (VRI). Naast lus detectie wordt in de huidige praktijk in beperkte mate gebruik gemaakt van radardetectie. In zijn algemeenheid kunnen twee soorten radarsystemen worden onderscheiden. De eerste vorm, de Dopplerradar, zendt een continu signaal uit met een vaste frequentie. In verkeersmanagement worden met name deze type radars gebruikt, zoals voor flitskasten en roodlichtcamera s. Het signaal dat wordt uitgezonden is afgestemd op 24 GHz. Wanneer een bewegend object in de richting van de radar of van de radar af beweegt, dan wordt het signaal weerkaatst waardoor de radar een andere frequentie waarneemt. Hierdoor is het mogelijk om zowel de rijrichting als de snelheid van voertuigen waar te nemen. Bij een tweede vorm van radardetectie worden signalen uitgezonden met verschillende frequenties. Daardoor is het mogelijk om eveneens stilstaande voertuigen waar te nemen. Deze laatste vorm wordt minder vaak gebruikt. Een derde methode om wegkant data te verzamelen is het gebruik van videodetectoren. Hierbij zijn een aantal videocamera s gericht op het te detecteren verkeer. Met software wordt binnen een detectiegebied een virtuele detectielus gedefinieerd. Soms wordt ook een lijn gedefinieerd waarmee geteld kan worden dan wel wachtrijlengtes kunnen worden 15

20 vastgesteld. Bij deze dataverzamelingsmethode wordt het actuele beeld van de videocamera vergeleken met een statische achtergrond. Bij geen of kleine verschillen volgt geen detectie, terwijl bij grote verschillen detectie volgt. Dit houdt in dat verschillen in de statische achtergrond, onder andere veroorzaakt door weersomstandigheden of daglicht, al snel tot meetfouten kunnen leiden. Recent zijn echter ook algoritmes geformuleerd die gemakkelijker bewegende objecten kunnen volgen. Voorbeelden hiervan zijn de algoritmes besproken in Ochs et al. 3 en Naha et al. 4. De laatste vorm van dataverzameling met wegkantsystemen is het gebruik van bluetooth. Bluetooth is een communicatietechniek op basis van elektromagnetische golven. Het doel van bluetooth is om een verbinding tussen twee apparaten te leggen om zo gegevens over en weer te sturen. Aangezien de techniek op basis van elektromagnetische golven werkt is geen directe zichtlijn noodzakelijk. Om toch te kunnen bepalen met welk apparaat wordt gecommuniceerd heeft ieder bluetooth apparaat een unieke identiteit (MAC adres). Door apparatuur langs of boven de weg te plaatsen die deze MAC adressen kunnen lezen is het mogelijk om bluetooth apparaten die aanstaan te detecteren, waarmee derhalve informatie wordt verkregen over passagetijden op een specifieke locatie. Afhankelijk van het aantal aanwezige bluetooth systemen is het mogelijk om de afgelegde route van met bluetooth uitgeruste voertuigen te volgen. Het is echter niet mogelijk om informatie te verkrijgen omtrent de voertuigdynamica. Al de voorgaande wegkant genoemde dataverzamelingsmethoden hebben een aantal karakteristieken gemeen. In alle gevallen is er sprake van puntmetingen. Bovendien kan worden gesteld dat in het geval van lus, radar en video detectie in de regel (dus afgezien van meetfouten) alle voertuigen worden gedetecteerd (voertuigdetectie bij bluetooth is immers afhankelijk van de aanwezigheid van een bluetooth apparaat in het voertuig). Op deze wijze kan informatie worden verkregen over de passagetijden en snelheden ter hoogte van alle aangelegde lussen. Echter, geen informatie wordt verkregen over de voertuigdynamica tussen (twee of meer) lussen. Zo is het bijvoorbeeld niet mogelijk om een schokgolf tussen de twee lussen te detecteren dan wel een incident te detecteren (tot het moment dat de gevolgen van het incident terugslaan op de locatie waar een lus aanwezig is). Het is uiteraard wel mogelijk om de snelheid tussen de twee lussen te benaderen door het berekenen van de gemiddelde snelheid. In wetenschappelijk onderzoek in dit verband verschillende methoden ontwikkeld om deze dynamica toch te repliceren (zie: Van Hinsbergen et al. 5 ). 3 Ochs, P., Malik, J., & Brox, T. (2014). Segmentation of moving objects by long term video analysis. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 36(6), Naha, R., Ray, A., Sarkar, P., & Datta, D. (2014). Moving Objects Tracking in Real Time Video and Plotting Their Path of Movement. International Journal of Advanced Computer Research, 4(1), Van Hinsbergen, C. P., Schreiter, T., Zuurbier, F. S., Van Lint, J. W. C., & Van Zuylen, H. J. (2012). Localized extended kalman filter for scalable real-time traffic state estimation. Intelligent Transportation Systems, IEEE Transactions on, 13(1),

21 Over de kwaliteit van met name lus data is relatief veel discussie. Een niet optimale kwaliteit van de lus data is gewoonlijk te herleiden tot de locatie van de lussen dan wel het technisch functioneren van de lussen. Zo ligt een deel van de lussen in verbindingsbogen vlakbij toeen afritten. Omdat sommige voertuigen daar niet midden op de rijstrook rijden, worden ze niet gedetecteerd ( scheefrijden in het jargon). Ook kunnen sommige voertuigen niet geteld worden door het technisch functioneren van de lussen. Lussen kunnen te diep in het asfalt gefreesd zijn waardoor ze het verkeer niet goed detecteren. Ook kunnen ze te hoog liggen, waardoor ze beschadigd raken en niet meer goed tellen. Bij slecht weer en plassen op het wegdek neemt de accuraatheid van de detectie met lussen eveneens af. Hiernaast is bekend dat lussen ook minder adequaat functioneren indien zij langzaam rijdende voertuigen dienen te detecteren. Indien bij een lage snelheid voertuigen elkaar volgen met een kleine volgafstand, bestaat de kans dat de lus deze voertuigen als één voertuig ziet. Het is echter grotendeels onbekend wat het effect van deze onvolkomenheden is op de kwaliteit van de data. Bijvoorbeeld het tijdelijk niet functioneren van een detectielus leidt tot incompleetheid van de data. Indien de lussen echter wel functioneren, is onvoldoende bekend hoe betrouwbaar deze metingen zijn. Dat gegevens niet altijd even betrouwbaar zijn, is af te leiden uit inconsistenties in de data. Hiermee wordt bedoeld dat de meetgegevens van verschillende lussen niet in overeenstemming zijn. Ruwe gegevens uit lus detectie worden bewerkt om deze meetfouten te corrigeren. Maar in welke mate deze correcties afdoende zijn en/of er toch incompleetheid en inconsistenties overblijven die leiden tot een vermindering in de prestatie van de DVM en GNV maatregelen, is niet duidelijk Floating Car Data In zijn algemeenheid kunnen drie verschillende bronnen van FCD worden onderscheiden, namelijk: 8 GSM, 8 GPS, 8 Wi-Fi. Daar GSM en Wi-Fi beide gebruik maken van triangulatie en zij een vergelijkbare accuraatheid voor wat betreft locatiebepaling hebben, zullen wij in het navolgende focussen op het onderscheid GSM / Wi-Fi en GPS. Hier is echter kleine nuancering op zijn plaats, daar Wi-Fi ook op een wijze vergelijkbaar met bluetooth kan werken. Dit houdt in dat er in dat geval slechts sprake is van een puntmeting. De werking van bluetooth hebben wij in het voorgaande reeds besproken. 17

22 De infrastructuur van een mobiel cellulair netwerk (GSM) bestaat uit een Radio Access Netwerk (RAN) en een Core Netwerk (CN). Het CN is verdeeld in twee domeinen, te weten het Circuit Switched (CS) en het Packet Switched (PS) domein. Mobiele systemen kunnen zich verbinden aan het CS voor telefoongesprekken en aan het PS voor het ontvangen en verzenden van data (zoals het geval is bij smartphones en sommige OBU s (On Board Units)). Ook kunnen de systemen zich aan beide domeinen tegelijkertijd verbinden. Radio communicatie vindt in dit verband plaats tussen een mobiel systeem en GSM masten. Op elk moment kan een mobiel apparaat actief dan wel passief zijn. Wanneer een telefoongesprek wordt gevoerd dan wel data wordt verzonden / ontvangen, is het apparaat actief. Indien het telefoongesprek wordt beëindigd dan wel er sprake is van een time-out van het dataverkeer, is het apparaat passief. Bedenk in dit verband dat apparaten die altijd aan zijn met een permanente open data context (PDP context 6,7 ), zoals smartphones, het grootste deel van de tijd passief zijn en alleen naar een actieve stand switchen indien er data wordt verzonden / ontvangen. De basis voor het verzamelen van data met cellulaire devices is het gebruik van een sample van geanonimiseerde signaaldata komend vanuit een cellulair netwerk. Een dergelijke stroom kan bijna real-time worden afgeleverd aan een verwerkingseenheid, waarbij deze datastroom kan worden aangenomen te bestaan uit zogenaamde tickets. Elke ticket bevat dan de volgende informatie: 8 Een geanonimiseerde identifier van het mobiele apparaat; 8 Een cel identifier, die dan aan een geografische locatie kan worden gekoppeld; 8 Een timestamp en 8 Het type boodschap (dataverkeer, telefoongesprek, etc.). 6 3GPP - TS General packet radio service (GPRS); service description; stage 2, v Technical Report , 3GPP, H. Holma and A. Toskala. WCDMA for UMTS: HSPA Evolution and LTE. Wiley,

23 Het koppelen van de cell identifier aan een geografische locatie geschiedt middels triangulatie. Bij triangulatie wordt de locatie bepaald door te kijken op welke locatie de ontvangst door het apparaat van verschillende zendmasten overlappen. Dit wordt geïllustreerd in de bovenstaande figuur. De sequentie van de bezochte cellen leidt tot het kunnen schatten van de fysieke bewegingen van de voertuigen waarin het apparaat aanwezig is. Deze wijze van monitoring stelt in staat om de verschillende signalling events zoals gegenereerd door het mobiele apparaat, in kaart te brengen. De maximale hoeveelheid informatie kan derhalve worden verkregen indien het device actief is over een langere periode. Echter, in de praktijk blijkt dat de mobiele devices slechts zelden over een langere periode actief zijn. Dit maakt het verkrijgen van consistente en complete data lastig. Eveneens blijkt de locatiebepaling met GSM weinig accuraat. Aan dit aspect zal in het vervolg van dit hoofdstuk nog enige aandacht worden besteed. Bij dataverzameling met GPS (Global Positioning System) wordt gebruik gemaakt van het opvangen van signalen van tenminste drie satellieten. Door het opvangen van deze signalen kan de positie van een GPS ontvanger met een nauwkeurigheid van ongeveer 10 meter worden bepaald. Door het Europese project Galileo, dat in 2010 is gestart en is gericht op Figuur 2.3: Triangulatie om de locatie van een GSM apparaat te bepalen lancering van satellieten met als specifiek doel accuratere locatiebepaling van GPS apparaten mogelijk te maken, zal een hogere nauwkeurigheid worden behaald. De locatie op aarde waar een GPS ontvanger zich bevindt, wordt opgeslagen in de vorm van longitudinale en laterale coördinaten. 19

24 Steeds vaker maken smartphones gebruik van een combinatie van manieren om de locatie van de smartphone te bepalen (zoals Wi-Fi). Het is derhalve de vraag in hoeverre de diverse dataleveranciers de pure GPS data ontvangen of dat hier reeds sprake is van een synthese van data zoals uitgevoerd door de smartphone. Figuur 2.4: Trajectoriën bij Floating Car Data Naast de coördinaten van de locatie kunnen GPS ontvangers eveneens de tijd waarop ze zich op de locatie bevinden registreren. Hiermee worden de instantane (GPS) snelheden van de GPS ontvangers berekend. De verschillende bronnen van FCD hebben met elkaar gemeen dat zij - anders dan bij wegkant systemen - de mogelijkheid bieden om trajectoriën (voertuigposities over tijd) te genereren. Er is derhalve geen sprake van een puntmeting, zoals bij wegkant systemen het geval is. Nadeel van deze dataverzamelingsmethode is dat sprake is van een steekproef uit de populatie voertuigen. Dit wordt veroorzaakt doordat niet alle voertuigen met de benodigde apparatuur zijn uitgerust of dat het apparaat benodigd om de locatiebepaling uit te voeren uit staat. Met andere woorden: in vergelijking met wegkant systemen kan bij FCD meer en rijkere informatie per voertuig worden verkregen. Echter, in tegenstelling tot bij wegkantsystemen worden niet alle voertuigen gemeten. In Tabel 2.1 zijn nogmaals deze belangrijke verschillen tussen wegkant dataverzamelingsmethoden en methoden waarbij voertuigen als bewegende sensoren fungeren weergegeven. 20

25 Dit schema behoeft enige nuancering. Zoals ons is gebleken, is de gemaakte scheiding te rigide, daar in de regel de verschillende dataleveranciers gebruik maken van datafusie van verschillende databronnen. Aan deze datafusie zal in het vervolg van het rapport verdere aandacht worden besteed. Tabel 2.1: Verschillende karakteristieken van meten met wegkant systemen en met Floating Cars. DATAVERZAMELINGSMETHODE SOORT METING ALLE VOERTUIGEN WEGKANT SYSTEMEN (LUS DETECTIE, VIDEO, ETC). Puntmeting FLOATING CARS Trajectoriën Nee BEMETEN Ja 2.3 Databewerking (inclusief datafusie) van FCD De data die door de verschillende databronnen wordt verzameld ondergaat verschillende bewerkingen om te corrigeren voor bijvoorbeeld meetfouten. In zijn algemeenheid kunnen de volgende bewerkingen worden waargenomen: 8 Normaliseren data; 8 Map matching; 8 Datafusie met andere databronnen; 8 Fusie realtime, historische en modeldata. In Figuur 2.5 zijn de verschillende bewerkingen weergegeven. Bij normaliseren worden al verschillende floating car data bronnen (bijvoorbeeld GPS data van lease auto s en van vrachtauto s) gefuseerd en wordt in de regel gemonitord om de juiste datapunten te kunnen vaststellen. De volgende stap is map-matchen. Zoals we in paragraaf 2.4 zullen zien, bevat de ruwe data uit de verschillende databronnen niet zelden fouten in bijvoorbeeld de locatiebepaling en de bepaling van de snelheid. Map-matching is een techniek in GIS die een gesorteerde lijst van voertuigposities toewijst aan de infrastructuur. Met andere woorden: er wordt een associatie gemaakt tussen de voertuigpositie en het wegnetwerk. In Figuur 2.6 wordt dit geïllustreerd. Op deze plaats dient nog te worden opgemerkt dat de netwerkdefinitie een belangrijke rol speelt. Uit het door ons uitgevoerde onderzoek kwam onder andere naar voren dat de verschillende dataleveranciers ook verschillende netwerkdefinities hanteren. Dit betekent dat 21

26 het niet triviaal is om de kwaliteit van map matchen van de verschillende dataleveranciers te beoordelen en te vergelijken. 22 Figuur 2.5: Voorbeeld proces datafusie Figuur 2.6: Voorbeeld map-matchen

27 Op dit moment is het nog niet altijd duidelijk welke algoritmes worden gebruikt om deze mapmatching uit te voeren. In dit kader zijn vele methoden van map-matching voor handen, zoals de methode voorgesteld door Pereira et al. (2009) 8, maar ook Lou et al. (2009) 9. In de stap van map-matchen wordt de data eveneens gefilterd op snelheid, locatie en rijrichting. In die stap worden de data niet zelden geaggregeerd en spatiaal gesegmenteerd. Aggregatie in tijd geschiedt overigens meestal al op het niveau van het individuele apparaat om het energieverbruik door verzending van de data te beperken. Figuur 2.7: Voorbeeld van segmentatie over locatie (spatiale Segmenten kunnen worden voorgesteld als brede lussen waarbinnen een gemiddelde snelheid / dichtheid wordt weergegeven. Deze segmenten kunnen een verschillende lengte hebben. Over deze segmenten wordt de data geaggregeerd. In de bovenstaande figuur is een voorbeeld van segmentatie weergegeven. Weergegeven zijn de snelheidsprofielen van twee voertuigen op een traject van 800 meter. Deze snelheidsprofielen zijn weergegeven in de vorm van de blauwe en de oranje lijnen. De rode lijn geeft de geaggregeerde snelheid over 200m van deze twee voertuigen weer. Hoewel dit kan worden gezien als een verbetering ten opzichte van puntmetingen, wordt een deel van de gedetailleerdheid en daarmee de mogelijke meerwaarde van FCD hiermee verminderd. Deze wijze van segmenteren gebeurt met name bij de snelheidsdata. Indien er sprake is van andersoortige data, zullen andere methoden van segmenteren worden gehanteerd. De reden voor spatiale segmentatie is, naast efficiëntie motieven, eveneens gelegen in de privacy issues die een belangrijke rol spelen bij FCD. Het mag duidelijk zijn dat de techniek die wordt toegepast teneinde het privacy issue te voorkomen van invloed kan zijn op de 8 Pereira, F. C., Costa, H., & Pereira, N. M. (2009). An off-line map-matching algorithm for incomplete map databases. European Transport Research Review, 1(3), Lou, Y., Zhang, C., Zheng, Y., Xie, X., Wang, W., & Huang, Y. (2009, November). Map-matching for low-sampling-rate GPS trajectories. In Proceedings of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems (pp ). ACM. 23

28 betrouwbaarheid van de data. Herrera et al. 10 hebben een onderzoek gerapporteerd over de betrouwbaarheid van GPS data indien data reductietechnieken zoals bijvoorbeeld virtuele trip lijnen worden gebruikt. Deze spatiale trip lijnen kunnen het beste worden gezien als spatiale triggers die kunnen worden gebruikt om data te verzamelen en updates te verzenden. Hier is derhalve eveneens sprake van spatiale aggregatie van de data. In Figuur 2.5 is datafusie eveneens als mogelijke bewerking opgenomen. FCD wordt bijvoorbeeld gefuseerd met lusdata dan wel met historische data en / of modeldata (voorspellende data). Het nut van datafusie van verschillende databronnen komt overduidelijk uit de literatuur naar voren. Zo komt uit de pilot datafusie van de NDW naar voren dat datafusie van lus data met FCD een toegevoegde waarde kan hebben voor het weergeven van incidentfiles en schokgolven. Hierbij wordt aangegeven dat datafusie er toe leidt dat er ook iets te zien is tussen de puntmetingen. Verder wordt in het rapport aangegeven dat FCD inzicht biedt in de kwaliteit en de plausibiliteit van de lus data. In dit kader kunnen bronnen worden geïdentificeerd die systematisch sterk afwijken van de andere bronnen. Ook lijkt datafusie kansen te bieden voor het OWN waar minder lussen liggen. Datafusie heeft de potentie om te fungeren als doorlopende plausibiliteitscontrole van de lus data. Op deze wijze kan immers een samenhangend beeld uit de verschillende databronnen worden gevormd.. Bijvoorbeeld in Yuan (2013) 11 komt naar voren dat middels datafusie de schattingen van de snelheid aanmerkelijk kunnen worden verbeterd. In dit proefschrift wordt onder andere vastgesteld dat door toevoeging van FCD met een penetratiegraad van slechts 2% aan lus data de meetfout van snelheden gehalveerd kan worden ten opzichte van de meetfout met uitsluitend lus data. Indien wij de kwaliteit van datafusie willen beoordelen, dient inzicht te worden gekregen in de datafusie methode. Enkele aanbieders gebruiken hiertoe bijvoorbeeld een Kalman of Extended Kalman filter. Analoog aan het gestelde bij map-matching dient inzicht te worden gekregen in de kwaliteit van de wijze waarop de verschillende FCD bronnen worden gefuseerd en de methoden die worden gebruikt om de juiste datapunten vast te stellen. Hiernaast dient echter eveneens inzicht te worden verkregen in de methoden die worden gebruikt om zogenaamde outliers te detecteren. Wellicht wordt onterecht een voertuig met pech geïdentificeerd als een outlier. Ook dient inzicht te worden verkregen in de verschillende weegfactoren die worden toegekend aan de verschillende databronnen. Dit geeft immers inzicht in de bijdrage die FCD levert aan de gefuseerde data. 10 Herrera, J. C., Work, D. B., Herring, R., Ban, X. J., Jacobson, Q., & Bayen, A. M. (2010). Evaluation of traffic data obtained via GPS-enabled mobile phones: The Mobile Century field experiment. Transportation Research Part C: Emerging Technologies, 18(4), Yuan, Y. (2013). LaGrangian Multiclass Traffic State Estimation. TU Delft, Delft University of Technology. 24

29 2.4 Synthese Uit de voorgaande paragrafen komt naar voren dat de verschillen tussen dataverzameling met wegkant systemen en met het gebruik van voertuigen als bewegende sensoren substantieel zijn. Een belangrijk verschil tussen beide methoden is dat bij dataverzameling met wegkant systemen sprake is van puntmetingen, terwijl dataverzameling met floating cars in staat stelt om trajectoriën te verzamelen. Met deze laatste kan inzicht worden verkregen in de dynamica van de verkeersstroom tussen punten (zoals een schokgolf). Bij puntmetingen is slechts informatie beschikbaar over de verkeerssituatie op de specifieke locatie. Een ander belangrijk verschil is dat bij de meeste wegkant systemen (daargelaten meetfouten in bijvoorbeeld de detectie middels lussen) alle voertuigen worden gedetecteerd. Met andere woorden, de gehele populatie van voertuigen aanwezig op het specifieke wegvak op de specifieke tijd wordt gemeten. Dit is uitdrukkelijk niet het geval bij dataverzameling met het gebruik van floating cars. Hier is slechts sprake van een steekproef uit de populatie van voertuigen die zich op het desbetreffende wegvak op die specifieke tijd bevinden. Dit laatste werpt vragen op over de benodigde steekproefgrootte om betrouwbare uitspraken over verkeerskundige grootheden te kunnen doen. In zijn algemeenheid kan worden gesteld dat de benodigde steekproefgrootte afhankelijk is de volgende factoren: 8 de variatie in het fenomeen dat wordt onderzocht; 8 de accuraatheid van de uitspraak die wordt gewenst; 8 de betrouwbaarheid van de uitspraak. De invloed van de steekproefgrootte kan goed worden geïllustreerd aan de hand van een voorbeeld. Op de Nederlandse wegen kan een zogenaamd filestaartbeveiligingssysteem worden waargenomen. Dit systeem staat ook wel bekend als Automatische Incident Detectie (AID). AID heeft als doel het beperken van de kans op een (secundair) ongeval bij filestaarten door middel van het verlagen van de maximum snelheid van voertuigen die de congestie naderen. Uit onderzoek komt echter naar voren dat de dichtheid van de meetlocaties (lussen) en de penetratiegraad van FCD een substantiële invloed heeft op het functioneren van AID. In Bijlage 1 is dit voorbeeld uitgewerkt. Zoals in de bijlage is aangegeven maakt AID gebruik van de gemiddelde snelheid met dientengevolge eisen die worden gesteld aan de steekproefgrootte. Voor wat betreft verkeersmanagement systemen die gebruik maken van dichtheden en intensiteiten kan verder worden aangenomen dat de eisen die aan de steekproefgrootte worden gesteld nog strenger zijn. 25

30 Uit literatuuronderzoek komt naar voren dat voor het bepalen van de intensiteiten per punt, per dagsoort en per maand een zeer hoog aantal metingen vereist is om betrouwbare uitspraken te kunnen doen. Als wordt uitgegaan van een penetratiegraad van 3%, dan zijn slechts betrouwbare metingen mogelijk voor delen van het HWN en trajecten met intensiteiten van meer dan 4000 voertuigen per uur of meer. Het is wellicht wel mogelijk om een indicatie van de dichtheid te verschaffen aan de hand van de berekende gemiddelde snelheid (op grond van de fundamentele relatie tussen dichtheid, gemiddelde snelheid en doorstroming). De mate waarin dit leidt tot een accuraat beeld van de dichtheid is op dit moment nog niet duidelijk. De steekproefgrootte is derhalve een zeer belangrijk element voor de toepassingsmogelijkheden van FCD voor verkeersmanagement in het algemeen en GNV in het bijzonder bepaald. Op dit moment is het nog niet duidelijk hoe hoog de actuele penetratiegraad van voertuigen uitgerust met FCD mogelijkheden is. Verder is het ook nog niet duidelijk welke steekproefgrootte door de verschillende verkeersmanagement toepassingen nog acceptabel wordt geacht. Zoals gesteld is dit sterk afhankelijk van de vereiste betrouwbaarheid, accuraatheid en de variatie in het fenomeen dat wordt gebruikt door de verkeersmanagement toepassing. In het hoofdstuk hebben we globaal de werking van de verschillende dataverzamelingsmethoden besproken. Uit ons onderzoek komt naar voren dat zowel dataverzameling met wegkant systemen als dataverzameling met het gebruik van voertuigen als bewegende sensoren meetfouten met zich meebrengt. Voor bijvoorbeeld lus detectoren worden deze fouten met name veroorzaakt door technische oorzaken, zoals beschadigde lussen of lussen die te diep gefreesd zijn. De omvang van deze incompleetheid en inconsistenties alsmede de invloed op de werking van verkeersmanagement instrumenten is echter vooralsnog niet duidelijk. De meetfouten die gepaard gaan met FCD blijkt sterk afhankelijk van het soort databron dat wordt gebruikt. Dit wordt goed geïllustreerd als de kwaliteit van de databronnen GPS en GSM wordt vergeleken. In zijn algemeenheid komt uit de door ons gevoerde gesprekken met dataleveranciers naar voren dat GSM minder voor de hand ligt voor toepassing in de verkeersmonitoring. De hiervoor gegeven reden is de lagere accuraatheid van de locatiebepaling met GSM alsmede de impact die de dataverzameling heeft op de werklast van de zendmasten. Het voorgaande wordt ruimschoots ondersteund door wetenschappelijke en grijze literatuur. Om met zendmasten smartphones te kunnen lokaliseren wordt gebruik gemaakt van triangulatie 12 (zie ook hiervoor). Deze benadering is echter, zoals gezegd, minder inaccuraat, waardoor het zo goed als onmogelijk is om rechtstreeks betrouwbaar de snelheden te kunnen bepalen. Teneinde de snelheid betrouwbaar te kunnen bepalen met GSM zijn 12 Westerman, M., Litjens, R., & Linnartz, J. P. (1996). Integration of probe vehicle and induction loop data: Estimation of travel times and automatic incident detection. California Partners for Advanced Transit and Highways (PATH). 26

31 verschillende oplossingen voorgesteld. Een voorgestelde oplossing is bijvoorbeeld om gebaseerd op het tijdverschil tussen twee posities de gemiddelde snelheid en de gemiddelde reistijd tussen twee links te bepalen. Echter ook deze benadering lijkt tot minder accurate informatie te leiden. Wel kan in onze visie GSM worden gebruikt voor verkeersmanagement doeleinden die een lagere positioneringsaccuraatheid vergen. Hierbij valt te denken aan verkeersmanagement toepassingen die gebruik maken van herkomst-bestemmingsrelaties. Dergelijke dynamisch HB-matrices kunnen behulpzaam zijn bij de voorgestelde optimalisaties binnen PPA Fase 2. Echter voor verkeersmonitoring lijkt GSM vooralsnog niet geschikt. Uit verschillende onderzoeken komt naar voren dat GPS aanzienlijk betrouwbaarder is dan GSM voor wat betreft bijvoorbeeld het vaststellen van snelheden en reistijden. Ook kunnen wellicht andere verkeerskundige grootheden betrouwbaar worden verzameld, zoals de acceleratie en de richting waarin men reist. Bijvoorbeeld in Yim en Cayford (2001) 13 en ook in Yim (2003) 14 wordt gesteld dat GPS uitgebreide en betrouwbare informatie voor verkeersmonitoring kan verschaffen, eveneens in termen van spatiale en temporele dekking. Echter, ook GPS kan gepaard gaan met aanzienlijke meetfouten. In enkele van de gesprekken gevoerd met dataleveranciers komt naar voren dat ongeveer 1 op de 3 GPS metingen niet correct is. Ook kunnen aanzienlijke afwijkingen in de posities worden waargenomen (dit maakt de noodzaak tot map-matching duidelijk; zie het voorgaande). Afwijkingen in de richting van + / - 10 meter zijn genoemd tijdens de gesprekken. De meetfout in de locatiebepaling is sterk afhankelijk van de situatie (bijvoorbeeld bij een locatie met veel bebouwing). Op dit moment is het nog niet duidelijk hoe groot de meetfout in de locatiebepaling onder verschillende omstandigheden is. Hiernaast blijkt in de praktijk sprake te zijn van vertraging in de verzending en ontvangst van de ruwe FCD ( latency ). In dit verband komt uit de gevoerde gesprekken met de diverse dataleveranciers naar voren dat in de regel de data wordt gebufferd in het mobiele apparaat voordat deze wordt verzonden. De tijdspanne van deze buffering is rond de 30 seconden (bijvoorbeeld bij Flitsmeister-app). Daarnaast wordt de data per minuut geaggregeerd. Reden voor het voorgaande is dat aangenomen kan worden dat consumenten een hogere resolutie niet accepteren vanwege privacy issues. Hiernaast lijkt het verzenden van de data met een hogere temporele resolutie te leiden tot een te hoog energieverbruik van de gebruikte apparaten, zoals smartphones. Het is op dit moment echter nog niet duidelijk welke mate van aggregatie en vertraging nog acceptabel is voor de verschillende verkeersmanagement doeleinden. 13 Yim, Y. B., & Cayford, R. (2001). Investigation of vehicles as probes using global positioning system and cellular phone tracking: field operational test. California Partners for Advanced Transit and Highways (PATH). 14 Yim, Y. (2003). The state of cellular probes. California Partners for Advanced Transit and Highways (PATH). 27

32 In de praktijk blijkt nauwelijks direct ruwe data te worden geleverd door de verschillende dataleveranciers. In zijn algemeenheid is het nog niet duidelijk wat de afwijking is tussen de door de dataleveranciers bewerkte data en de werkelijke toestand van het verkeer. Verder is het nog niet duidelijk welke afwijking tussen de bewerkte data en de werkelijke toestand van het verkeer nog acceptabel is voor de verschillende verkeersmanagement instrumenten. Er blijkt sprake van segmentatie van de data. Door het indelen van de trajectoriën in segmenten kan worden aangenomen dat er sprake is van detailverlies van de data. Met andere woorden: FCD gaat weer meer de kenmerken krijgen van data verzameld met wegkant systemen. Ook hierbij geldt weer dat nog niet duidelijk is welke mate van segmentatie nog acceptabel is voor de verschillende verkeersmanagement toepassingen. Samengevat kan worden gesteld dat FCD goede kansen lijkt te bieden voor verkeersmanagement doeleinden in het algemeen en PPA in het bijzonder. Echter op niet alle vragen die bij toepassing van FCD opdoemen, zijn al beantwoord. De belangrijkste onduidelijkheid is welke kwaliteit van data nog acceptabel is voor verkeersmanagement in het algemeen en GNV in het bijzonder: de vraagstructuur van data. Dit betreft bijvoorbeeld de benodigde steekproefgrootte, nauwkeurigheid, betrouwbaarheid, vertraging, temporele aggregatie en spatiale segmentatie. In dit rapport wordt een eerste aanzet gegeven voor het formuleren van kwaliteitseisen voor data. Deze kwaliteitseisen zijn gebaseerd op de informatiebehoefte van verkeersmanagement instrumenten beredeneerd vanuit het conceptueel model zoals dat in navolgend hoofdstuk wordt beschreven. 28

33 3. Vraagstructuur voor verkeersmanagement IN DIT HOOFDSTUK WORDT DE VRAAGSTRUCTUUR VAN VERKEERSMANAGEMENT IN RELATIE TOT DATA BEPAALD. HET HOOFDSTUK BEGRINT MET EEN PRESENTATIE VAN EEN CONCEPTUEEL MODEL, WAARNA ZAL WORDEN INGEGAAN OP DE INFORMATIEBEHOEFTE VAN DE VERKEERSMANAGEMENT INSTRUMENTEN. OP GROND VAN DEZE INFORMATIEBEHOEFTE VOLGT EEN EERSTE AANZET VOOR HET FORMULEREN VAN KWALITEITSDIMENSIES EN EISEN AAN DATA. 3.1 Inleiding Bij het beoordelen van de mate waarin FCD toegepast kan worden voor dynamisch verkeersmanagement gaan we in het uitgevoerde onderzoek uit van een conceptueel model. Essentieel in dit conceptueel model is dat de toepassingsmogelijkheden van FCD afhangen van de informatiebehoefte van ingezette methoden en instrumenten van verkeersmanagement. Deze methoden en instrumenten zijn op hun beurt afhankelijk van de doelen van verkeersmanagement. Derhalve is het voor een goed beoordelingskader voor de kwaliteit van verkeersmanagement data cruciaal de te onderscheiden elementen van DVM en de relaties daartussen goed in beeld te hebben. Het conceptueel model is weergegeven in Figuur 3.1. Aan de top van het model staat een meta-doel van verkeersmanagement. Het meta-doel van verkeersmanagement is het optimaliseren van het weggebruik (verkeersvraag) gegeven de bestaande capaciteit van de weg (verkeersaanbod). Het meta doel is gericht op het verbeteren van de doorstroming. Andere meta doelen zijn ook goed verdedigbaar, zoals het monitoren van de hoeveelheid verkeer op wegen voor het bepalen van de impact van verkeer op het milieu. Het meta-doel kan worden uitgedrukt in een aantal indicatoren dan wel sub doelen. In het conceptueel model zijn daartoe de volgende indicatoren opgenomen: 8 Bereikbaarheid; 8 Leefbaarheid; 8 Betrouwbare reistijden; 8 Minimaal reistijdverlies; 8 Optimale doorstroming. 29

34 Vervolgens wordt in het conceptueel model een onderscheid gemaakt tussen reguliere en niet-reguliere situaties. Voorbeelden van niet-reguliere situaties zijn incidenten (zoals verkeersongevallen) en evenementen. Verder kan een onderscheid worden gemaakt tussen de situatie voorafgaand aan een capaciteitsval en na de capaciteitsval. Capaciteitsval is de benaming voor het verschijnsel dat de capaciteit bij vrij verkeer hoger ligt dan bij congestie ( file ). Dit komt voornamelijk doordat de turbulente stroom bij congestie minder efficiënt is dan de laminaire stroom bij vrij verkeer. Het conceptueel model onderscheidt vier hoofdmethoden om de indicatoren te beïnvloeden en daarmee het meta-doel te bereiken: 1. Instroom beperken, 2. Uitstroom bevorderen, 3. Omleiden, en 4. Rijtaak ondersteunen. Deze methoden maken gebruik van instrumenten, waarbij een onderscheid wordt gemaakt tussen collectieve en individuele instrumenten. Op dat niveau hebben we het dan over de volgende instrumenten: 8 Informeren en adviseren (collectief en individueel); 8 Waarschuwen en informeren (collectief en individueel); 8 Sturen / regelen / geleiden (collectief en individueel); 8 Besturen / ingrijpen (individueel); De instrumenten op dit niveau worden in het conceptueel model vertaald naar concrete collectieve en individuele instrumenten. Als collectieve instrumenten worden gezien: 8 VerkeersRegelInstallaties (VRI s); 8 Toerit Doseer Installaties (TDI s); 8 Automatische Incident Detectie (AID) ; 8 (berm)drip / GRIP; 8 Rood kruis / verdrijvingspijl (rijstrooksignalering); 8 Dynamische maximum snelheden; 8 GNV monitoring HWN; 8 GNV monitoring OWN; Als individuele instrumenten worden gezien: 8 Adviserende ADAS (bijv. navigatiesystemen); 8 Waarschuwende ADAS (bijv. lane departure warning); 30

35 Al deze instrumenten gebruiken informatie. Deze informatie noemen we in het conceptueel model verkeerskundige grootheden. Voorbeelden hiervan zijn de locatie en de lengtes van files, dichtheden, herkomsten en bestemmingen (of splitfracties) en intensiteiten en reistijden. Deze verkeerskundige grootheden zijn afgeleid van data. Bij deze data kan bijvoorbeeld gedacht worden aan longitudinale en laterale posities alsmede aan passagetijden. Bijvoorbeeld uit de longitudinale en laterale posities als ook uit de passagetijden kunnen verkeerskundige grootheden als snelheden worden afgeleid. Deze data kan worden gewonnen uit een aantal databronnen. In het conceptueel model noemen we als mogelijke databronnen lus data, GPS data, GSM data, etc. De verschillende databronnen voor FCD en ook van wegkantsystemen zijn reeds in het voorgaande hoofdstuk besproken. 3.1 Informatiebehoefte Dynamisch Verkeersmanagement Algemeen Niet alle instrumenten van DVM hebben dezelfde informatiebehoefte dan wel maken gebruik van dezelfde verkeerskundige grootheden. Om een overzicht te verkrijgen van de informatiebehoefte van de verschillende instrumenten van DVM hebben wij een tabel opgesteld waarin deze informatiebehoefte gespecificeerd wordt per instrument (Tabel 3.1). Hier is derhalve sprake van het onderscheiden van een aantal archetypen instrumenten. Deze archetypen zullen in het vervolg de basis vormen voor de te formuleren kwaliteitseisen en derhalve het toetsen van de toepassingsmogelijkheden van FCD voor DVM en GNV. Het overzicht pretendeert niet compleet te zijn, maar dient om de denklijn te illustreren. Verder abstraheren we in de onderstaande tabel van individuele verkeersmanagement maatregelen, zoals adviserende en waarschuwende ADAS. 31

36 Figuur 3.1: Conceptueel model: Van Doelen naar Data 32

37 Tabel 3.1: Overzicht van instrumenten naar benodigde verkeerskundige grootheden (informatiebehoefte) voor DVM algemeen Instrument Voertuigpassage Minuutintensiteit Gemiddelde snelheid VRI X X X TDI (X) X Dichtheid Wachtrijlengte Reistijd HB relatie (berm)drip GRIP AID (X) X Rijstrookgebruik (X) X Dyn. Snelheden X X X X Indien met het voorgaande zou vertalen naar data, dan kan worden vastgesteld dat derhalve passages in combinatie met tijden alsmede snelheden dan wel trajectoriën de gevraagde informatie kunnen leveren. We hebben nu de informatiebehoefte van verkeersmanagement instrumenten in het algemeen weergegeven. In het onderstaande zal nader worden ingegaan op de informatiebehoefte van de instrumenten voor GNV. 3.2 Informatiebehoefte GNV In het GNV regelconcept wordt de oplossing voor knelpunten gezocht in het principe lokaal waar mogelijk en opschalen wanneer nodig. Deze visie leidt tot een gelaagd verkeerskundig regelconcept, waarbij men gaat van kleine infrastructurele maatregelen, via lokale maatregelen, maatregelen op trajectniveau naar maatregelen op (deel)netwerkniveau. Het uitgangspunt van dit regelconcept is gebaseerd op de doelen zoals geformuleerd in het Proof of Concept en geconcretiseerd in de volgende doelen: 1. Het voorkomen van de capaciteitsval door proactief te regelen; 2. Het voorkomen van blokkades en terugslag bij kruispunten en aansluitingen door de regelingen aan te passen aan de actuele situatie; 3. Het oplossen van problemen op het daartoe geëigende niveau (locatie van de kiem ) middels gelaagd regelen. Om deze regels nader te kunnen concretiseren zijn een aantal functionele componenten binnen PPA ontwikkeld. Bij deze functionele componenten gaat het om zogenaamde monitoreenheden die zijn bedoeld om mogelijke knelpunten op te sporen. Hiernaast hebben deze monitoreenheden tot doel om de zogenaamde regelruimte vast te stellen. De regeleenheden hebben tot doel TDI s en VRI s (de collectieve instrumenten) op de juiste wijze in te zetten. 33

38 Het regelconcept bestaat derhalve uit verschillende elementen. Deze elementen zijn met elkaar verbonden door een gemeenschappelijke databus. Het functioneren en het effect van de verschillende elementen kan met een centrale logging worden geanalyseerd. Het voorgaande informeert ons echter nog niet op welke wijze de regeldoelen worden vastgesteld binnen het regelconcept. Hiervoor wordt in het regelconcept de zogenaamde Parameterschatter benut. Deze Parameterschatter bepaalt op basis van de actuele toestand van het verkeer een optimale set met regeldoelen voor de TDI s, VRI s en de zogenaamde Supervisors. In dit kader berekent de Parameterschatter derhalve de doseerintensiteit van de TDI s en deltagroen tijden voor de VRI s. Dit wordt in het regelconcept bewerkstelligd doordat de Parameterschatter belangrijke parameters, zoals de kritische dichtheid en de capaciteit schat. Deze Parameterschatter heeft derhalve input nodig van de dataverzamelingssystemen. De informatiebehoefte van GNV bestaat uit voertuigpassages, minuutintensiteiten, gemiddelde snelheden, dichtheden, wachtrijlengtes en eventueel HB relaties. Dit is samengevat in de onderstaande tabel. Tabel 3.2: Overzicht van instrumenten naar benodigde verkeerskundige grootheden (informatiebehoefte) voor GNV Instrument Voertuigpassage Minuutintensiteit Gemiddelde snelheid Dichtheid Wachtrijlengte Reistijd HB GNV HWN (X) X X X X GNV OWN (X) X Bij de gecoördineerde TDI s en VRI s neemt de zogenaamde bufferruimte een belangrijke plaats in. Bij gecoördineerde TDI s wordt de Master TDI ondersteund door zogenaamde Slave lokale maatregelen (TDI s / VRI s), die verkeer elders bufferen. Hierbij worden derhalve de wachtrijen evenwichtig over de beschikbare bufferruimtes verdeeld. Een mogelijk nieuwe functionaliteit is het verhogen van de efficiëntie van de inzet van de buffers door rekening te houden met de routes van de betrokken voertuigen (op grond van HB relaties). Ook kan op deze wijze bijvoorbeeld in het kader van zogenaamde afritkiemen worden bepaald welke fractie van het verkeer naar de desbetreffende afrit toegaat. Verder is een mogelijk nieuwe functionaliteit dat een algoritme wordt ontwikkeld die minder afhankelijk is van intensiteiten. 3.3 Kwaliteitsdimensies van data In het voorgaande hebben wij de informatiebehoefte van de verschillende instrumenten van verkeersmanagement besproken aan de hand van een conceptueel model. relatie 34

39 Figuur 3.3: Kwaliteitsdimensies en accuraatheid van verkeerskundige grootheden In de figuur zijn een vijftal dimensies te onderscheiden. Bij nauwkeurigheid / betrouwbaarheid gaat het om de meetfouten van de gebruikte dataverzamelingsmethode. Hier kan het gaan om zowel meetfouten van het detectiesysteem zelf als ook fouten in de verzending en ontvangst van de data. Hierbij dient te worden opgemerkt dat de eisen voor onnauwkeurigheid en onbetrouwbaarheid los van elkaar liggen. Bij nauwkeurigheid gaat het om de gemiddelde afwijking van de metingen ten opzichte van de werkelijkheid. Bij betrouwbaarheid gaat het om het aandeel waarin de bemeten gegevens sterk afwijken van de werkelijkheid. Bij ruimtelijke aggregatie / dekking gaat het om de grootte van het gebied dat wordt bemeten en de exactheid van de lokalisering. Wordt een onderscheid gemaakt naar rijstrook, rijbaan of een volledige doorsnede? Is er sprake van een puntmeting of van trajectoriën? Zoals we zagen in het voorgaande bieden FCD de mogelijkheid om trajectoriën te genereren, terwijl er bij lusdata sprake is van puntmetingen. Bij dichtheid meetlocaties / penetratiegraad gaat het om de hoeveelheid meetpunten dat nodig is om de juiste informatie te kunnen verzamelen. Bij FCD gaat het dan om het percentage voertuigen dat is uitgerust met de apparatuur benodigd om de desbetreffende data te verzamelen en te verzenden aan de centrale verwerkingseenheid. In het vorige hoofdstuk is reeds ruimschoots aandacht besteed aan de invloed van de steekproefgrootte op de accuraatheid van de metingen en het functioneren van verkeersmanagement maatregelen. Verder wordt in de figuur de dimensie aggregatie in tijd genoemd. Hier gaat het om het detailniveau van de data. Dit is eigenlijk derhalve de temporele variant van ruimtelijke aggregatie. Hierbij gaat het er dus om of informatie op het niveau van individuele voertuigen De verschillende doelen, methoden en instrumenten van DVM in het algemeen en GNV in het bijzonder hebben een verschillende informatiebehoefte. Om te komen tot een samenhangend beoordelingskader van data stellen we voor uit te gaan van kwaliteitsdimensies. Deze kwaliteitsdimensies vormen samen de totale kwaliteit van de data en bepalen derhalve de accuraatheid van de verkeerskundige grootheden (informatie). In de onderstaande figuur zijn deze dimensies schematisch weergegeven. 35

40 beschikbaar is of dat er wellicht sprake is van bijvoorbeeld minuutdata. Zoals we reeds hebben gezien wordt in de regel bij FCD de data geaggregeerd. Tenslotte gaat het bij compleetheid / tijdigheid om de mate waarin sprake is van missing values. Dit hang bijvoorbeeld weer samen met de nauwkeurigheid van de data. Verder gaat het bij deze dimensie om de mate waarin er sprake is van latency in de verzameling, verzending en ontvangst van de data. In het voorgaande hebben we de verschillende dimensies van de kwaliteit van data geformuleerd en gepresenteerd in een figuur. Dit geeft ons echter nog geen inzicht in de daadwerkelijke kwaliteitseisen van de data. Indien men de literatuur beziet kan men waarnemen dat de kwaliteitseisen niet zelden in de vorm van bandbreedtes worden weergegeven. Deze bandbreedtes zijn in het onderstaande weergegeven in de vorm van een tabel. Tabel 3.3: Dimensies kwaliteit data en bandbreedtes acceptabele kwaliteit Dimensie data Bandbreedte acceptabele kwaliteit Nauwkeurigheid / Betrouwbaarheid 95-99% Ruimtelijke aggregatie / dekking Strook / (hoofd)rijbaan, toerit Aggregatie in tijd 1-5 minuten Dichtheid meetlocaties / penetratiegraad Elke meter Compleetheid / tijdigheid 0-5% NB: ten aanzien van de tijdigheid kon op grond van de beschikbare informatie geen betrouwbare bandbreedte worden gegeven. Tabel 3.2: Kwaliteitseisen voor intensiteiten, reistijden en puntsnelheden (bron: NDW) Dimensie data Intensiteiten Reistijden Puntsnelheden Nauwkeurigheid / 5% / 20% 20% / 30% 5% / 20% Betrouwbaarheid Ruimtelijke aggregatie / Hoofdrijbaan, toe- en Hoofdrijbaan Hoofdrijbaan dekking afritten Aggregatie in tijd 1 minuut 1 minuut 1 minuut Dichtheid meetlocaties / Elke 75m Elke 3000m Elke 75m penetratiegraad Compleetheid / tijdigheid 40s 40s 40s In de literatuur wordt verder vaak de exacte benodigde kwaliteit gekoppeld aan de soort informatie die verkregen moet worden. Bij de eisen zoals geformuleerd door de NDW wordt in dit kader een onderscheid gemaakt tussen kwaliteitseisen ten behoeve van intensiteiten, reistijden en puntsnelheid. In de bovenstaande tabel zijn de verschillende eisen omgezet naar de hiervoor genoemde kwaliteitsdimensies. Naar onze mening schetst de hiervoor weergegeven tabel wellicht een te eenvoudig beeld. De benodigde kwaliteit van de data is immers niet alleen afhankelijk van het soort informatie 36

41 wat wordt gebruikt door het verkeersmanagement instrument (informatiebehoefte), maar eveneens door het type instrument zelf. In dit kader hebben we in dit onderzoek een aanzet gegeven voor een relatieve bepaling van de kwaliteitseisen die verschillende verkeersmanagementinstrumenten aan FCD stellen. Deze kwaliteitseisen zijn nader uitgewerkt in Bijlage Synthese Dit hoofdstuk heeft tot doel het formuleren van generieke kwaliteitseisen ten behoeve van data voor verkeersmanagementdoeleinden. Er is een conceptueel model bepaald waarin wordt geredeneerd vanuit een meta doel ( optimaliseren weggebruik (vraag) gegeven de bestaande capaciteit van de weg (aanbod). Door het verbinden van dit meta doel aan subdoelen, de situatie, methode, conceptuele instrumenten en concrete instrumenten wordy een verbinding gemaakt met de benodigde verkeerskundige grootheden (indicatoren), benodigde data en de daarvoor te benutten databronnen. Op deze plaats dienen we nog wel uitdrukkelijk te vermelden dat in het huidige onderzoek puur wordt uitgegaan van het meta doel gericht op verbetering van de doorstroming. We abstraheren in dit onderzoek derhalve van het inzetten van verkeersmanagement voor andere doeleinden, zoals het verbeteren van de verkeersveiligheid. Centraal in de toepassingsmogelijkheden van FCD staat de informatiebehoefte van de verkeersmanagementinstrumenten. In dit kader hebben wij de informatiebehoefte conceptueel geanalyseerd voor de verschillende instrumenten van DVM en GNV. Op grond van de bevindingen uit de literatuur en gesprekken met experts komt naar voren dat de informatiebehoefte van de verschillende verkeersmanagementinstrumenten onderling sterk verschilt. Op grond van de informatiebehoefte van de verschillende instrumenten hebben wij een aantal generieke kwaliteitsdimensies van data voor verkeersmanagement doeleinden geformuleerd. Deze zijn: 8 nauwkeurigheid / betrouwbaarheid; 8 ruimtelijke aggregatie / dekking; 8 aggregatie in tijd; 8 dichtheid meetlocaties / penetratiegraad; 8 compleetheid / tijdigheid; Vervolgens hebben we in het hoofdstuk bandbreedtes van de benodigde kwaliteit, wederom op basis van de literatuur en expert opinions, geformuleerd. Echter, zoals hiervoor gesteld is de informatiebehoefte van de verschillende verkeersmanagement instrumenten sterk verschillend. Een nadere precisering is derhalve noodzakelijk. Te dien aanzien hebben wij in de huidige studie conceptueel de verschillende eisen nader gepreciseerd en deze onder andere weergegeven in spindiagrammen (zie Bijlage 2). 37

42 Het is noodzakelijk om deze kwaliteitseisen nader te kwantificeren. Hiervoor is meer onderzoek nodig en beproeving binnen een FOT zoals de PPA. Hoofdstuk 2 beschrijft de karakteristieke verschillen tussen data verzameld met wegkant systemen en data verzameld met floating cars. Er is sprake van puntmetingen versus trajectoriën. Het is echter op dit moment nog niet duidelijk welke meerwaarde trajectoriën kan leveren voor verkeersmanagement instrumenten in verhouding tot puntmetingen. Ook hier is meer onderzoek nodig. 38

43 4. Conclusies en onderzoeksvragen IN DIT HOOFDSTUIK WORDEN DE BELANGRIJKSTE CONCLUSIES VAN HET ONDERZOEK SAMENGEVAT, WORDEN EINDCONCLUSIES GETROKKEN EN WORDEN ONDERZOEKSVRAGEN GEFORMULEERD. 4.1 Inleiding De inwinning met wegkant systemen en inwinning met bewegende voertuigen kent sterk verschillende karakteristieken die ertoe leiden dat de beoordeling van de kwaliteit van de data van beide databronnen complex is. Dit is de belangrijkste conclusie van dit onderzoek naar de toepassingsmogelijkheden van FCD voor verkeersmanagement in het algemeen en PPA West in het bijzonder. Het zijn conclusies die aansluiten bij de opvattingen en verwachtingen die al langer leven. De conclusies zijn wat dat betreft open deuren: als opnieuw de conclusies zijn dat FCD een toepasbare gegevensbron is, waarom komt het gebruik dan zo moeizaam van de grond? Het proces dat in het onderzoek doorlopen is, geeft antwoorden op die vraag gegeven en bevat aanknopingspunten voor een toename van het gebruik van FCD. In dit kader komen uit het onderzoek een aantal onzekerheden / onduidelijkheden naar voren die als onderzoeksvragen zijn geformuleerd. Deze onderzoeksvragen zullen in het onderstaande worden weergegeven en besproken. 4.2 Onderzoeksvragen Hoofdstuk 2 beschrijft de verschillende karakteristieken van dataverzameling met wegkant systemen en data verzameling door het gebruik van floating cars ( probes ). Hieruit komt naar voren dat er bij dataverzameling met wegkant systemen sprake is van puntmetingen, terwijl er bij FCD sprake is van verzameling van trajectoriën (waarbij wij abstraheren van spatiale segmentatie van de data). Een tweede karakteristiek verschil tussen dataverzameling middels wegkantsystemen en FCD is dat er bij dataverzameling middels wegkant systemen ervan uitgegaan kan worden dat de gehele populatie voertuigen aanwezig op een specifiek wegvak op een specifiek tijdstip bemeten wordt. Dit in tegenstelling tot bij FCD waarbij er altijd sprake is van een steekproef van voertuigen uit de populatie. Dit leidt tot de conclusie dat data die middels wegkant systemen wordt verkregen en data die wordt verzameld door gebruik te maken van 39

44 voertuigen als bewegende sensoren lastig te vergelijken zijn voor wat betreft de kwaliteit van deze data. Dit compliceert eveneens de mogelijkheid om algemene kwaliteitseisen voor data te formuleren. Om de toepasbaarheid van FCD te kunnen bepalen en een vergelijking te kunnen maken tussen de kwaliteit van de huidige praktijk van dataverzameling en FCD hebben wij in deze studie een aantal generieke kwaliteitsdimensies geformuleerd en een aanzet gedaan deze te concretiseren door op conceptueel niveau kwaliteitseisen te formuleren. Samenvattend zijn deze kwaliteitsdimensies: 8 nauwkeurigheid / betrouwbaarheid; 8 ruimtelijke aggregatie / dekking; 8 dichtheid meetlocatie / penetratiegraad; 8 aggregatie in tijd; 8 compleetheid / tijdigheid. Om een onderbouwd oordeel te kunnen geven van de toepasbaarheid van FCD voor DVM en GNV, is het nodig om deze kwaliteitseisen nader te kwantificeren. Om dit te kunnen bewerkstelligen, stellen wij voor om een aantal onderzoeksvragen te beantwoorden. Bij nauwkeurigheid / betrouwbaarheid gaat het om de meetfouten van de gebruikte dataverzamelingsmethode. Hier kan het gaan om zowel meetfouten van het detectiesysteem zelf als ook fouten in de verzending en ontvangst van de data. Hierbij dient te worden opgemerkt dat de eisen voor onnauwkeurigheid en onbetrouwbaarheid niet gelijk zijn. Bij nauwkeurigheid gaat het om de gemiddelde afwijking van de metingen ten opzichte van de werkelijkheid. Bij betrouwbaarheid gaat het om het aandeel waarin de bemeten gegevens afwijken van de werkelijkheid. In Hoofdstuk 3 gaan we uit van een conceptueel model. Hierin staat de informatiebehoefte van de archetypische verkeersmanagement instrumenten centraal. Om de toepasbaarheid van FCD te kunnen bepalen dient een antwoord te worden gegeven op de volgende onderzoeksvragen: 1. Wat is de voor de (archetypische) verkeersmanagement instrumenten van DVM en GNV benodigde nauwkeurigheid van de informatie die dient te worden bepaald? 2. Met welk betrouwbaarheidsniveau dient de voor de (archetypische) verkeersmanagement instrumenten van DVM en GNV benodigde informatie te worden bepaald? Een antwoord op deze vraag kwantificeert de kwaliteitseis voor nauwkeurigheid / betrouwbaarheid. Om echter inzicht te kunnen verkrijgen in de toepasbaarheid van FCD voor DVM en GNV dient wel inzicht te worden verkregen in de meetfouten die gepaard gaan met de verschillende databronnen van FCD. Hoewel reeds enig inzicht voorhanden is en reeds 40

45 gepresenteerd is in de voorgaande hoofdstukken, dient nader empirisch onderbouwd inzicht te worden verkregen. Hierbij kan een onderscheid worden gemaakt in de meetfouten die gepaard gaan met de verschillende typen data. Daarbij stellen wij voor de volgende onderzoeksvraag te gebruiken: 3. In welke mate is er een afwijking waar te nemen tussen de met floating cars (probes) verzamelde data en de werkelijkheid? a. Wat is de meetfout in de locatiebepaling (ruwe data) verzameld met de databronnen (GSM en) GPS onder verschillende omstandigheden? b. Wat is de afwijking tussen de door de dataleveranciers bewerkte data (inclusief datafusie) en de werkelijke toestand van het verkeer De tweede dimensie van kwaliteit van data die wij geformuleerd hebben is ruimtelijke aggregatie / dekking. Bij ruimtelijke aggregatie / dekking gaat het om de grootte van het gebied dat wordt bemeten en de exactheid van de lokalisering. Wordt een onderscheid gemaakt naar rijstrook, rijbaan of een volledige doorsnede? Is er sprake van een puntmeting of van trajectoriën? Is er sprake van segmentatie van de data? Het lijkt mogelijk om met FCD trajectoriën te genereren, terwijl er bij lusdata sprake is van puntmetingen. In hoofdstuk 2 is het concept ruimtelijke segmentatie besproken zoals veelvuldig toegepast door de verschillende dataleveranciers. De vervolgvraag is nu welke spatiale resolutie acceptabel is voor de verschillende verkeersmanagementinstrumenten van DVM en GNV. Dit leidt tot de volgende onderzoeksvraag: 4. Welke grootte van spatiale segmentatie van data is acceptabel voor de verschillende (archetypische) instrumenten van DVM en GNV? Vervolgens dient deze acceptabele spatiale segmentatie te worden vergeleken met de spatiale segmentatie die de dataleveranciers in de praktijk toepassen. Dit leidt tot de volgende onderzoeksvraag: 5. Hoe verhoudt de spatiale segmentatie zoals door de dataleveranciers in de praktijk toegepast tot de nog voor de verschillende (archetypische) instrumenten van DVM en GNV acceptabele spatiale segmentatie? De derde dimensie van kwaliteit van data is dichtheid meetlocatie / penetratiegraad. Met betrekking tot dichtheid meetlocaties / penetratiegraad gaat het om de hoeveelheid meetpunten dat nodig is om de juiste informatie te kunnen verzamelen. Bij FCD gaat het om het percentage voertuigen dat is uitgerust met de apparatuur benodigd om de desbetreffende data te verzamelen en te verzenden aan de centrale verwerkingseenheid. Er blijkt sprake van een sterke relatie tussen de dichtheid van de meetlocaties en de penetratiegraad enerzijds en het aantal detecteerde files, de tijd die nodig is om een file te 41

46 detecteren en de meetfout in de locatie van de staart van de file voor Automatische Incident Detectie (AID) anderzijds. De benodigde dichtheid meetlocaties / penetratiegraad wordt bepaald door de benodigde steekproefgrootte. Deze steekproefgrootte wordt bepaald door de variatie in de informatie waarover een uitspraak dient te worden gedaan, door de benodigde nauwkeurigheid en de benodigde betrouwbaarheid van de uitspraak die moet worden gedaan over de informatie. Een antwoord op de vraag wat de benodigde nauwkeurigheid en betrouwbaarheid is, vloeit reeds voort uit de onderzoeksvragen 1 en 2. Het voorgaande leidt tot de volgende onderzoeksvraag: 6. Wat is de benodigde steekproefgrootte om betrouwbaar de grootte van de verschillende door de (archetypische) instrumenten van verkeermanagement benodigde verkeerskundige grootheden (indicatoren) vast te stellen? Deze benodigde steekproefgrootte kan sterk verschillen per verkeerskundige grootheid en derhalve verkeersmanagement instrument. Zo geldt dat voor het betrouwbaar vaststellen van intensiteiten en ook dichtheden een relatief grote steekproef benodigd is. De acceptabele steekproefgrootte dient te worden geconfronteerd met de penetratiegraad van de verschillende databronnen van FCD. Om dit moment is nog onvoldoende informatie aanwezig om betrouwbaar uitspraken te kunnen doen over de penetratiegraden. Daarom dient de volgende onderzoeksvraag te worden beantwoord: 7. Hoe verhoudt de penetratiegraad zoals in de praktijk waargenomen zich tot de voor de verschillende (archetypische) instrumenten van DVM en GNV acceptabele steekproefgrootte? De volgende kwaliteitsdimensie is aggregatie in tijd. Hier gaat het om het detailniveau van de data. Hierbij gaat het er dus om of informatie op het niveau van individuele voertuigen beschikbaar is of dat er wellicht sprake is van bijvoorbeeld minuutdata. Ook bij FCD wordt in de regel de data geaggregeerd. De vraag is echter welke temporele aggregatie voor de verschillende archetypische instrumenten van verkeersmanagement nog acceptabel is en hoe deze zich verhoudt tot de temporele aggregatie die door de verschillende dataleveranciers in de praktijk wordt toegepast: 8. Welke temporele aggregatie van data is nog acceptabel voor de verschillende (archetypische) instrumenten van DVM en GNV? 9. Hoe verhoudt de temporele aggregatie van data zoals in de praktijk toegepast zich tot de nog voor de verschillende (archetypische) instrumenten van DVM en GNV acceptabele temporele aggregatie? De laatste kwaliteitsdimensie is compleetheid / tijdigheid. Bij deze dimensie gaat het om de mate waarin sprake is van missing values. Dit hangt bijvoorbeeld weer samen met de 42

47 nauwkeurigheid van de data (zie onderzoeksvraag 1). Verder gaat het bij deze dimensie om de mate waarin er sprake is van latency in de verzameling, verzending en ontvangst van de data: 10. Welke compleetheid en latency van data is acceptabel voor de verschillende (archetypische) instrumenten van DVM en GNV? 11. Hoe verhoudt deze compleetheid en latency van data zoals in de praktijk toegepast zich tot de voor de verschillende (archetypische) instrumenten van DVM en GNV acceptabele compleetheid en latency? De voorgaande onderzoeksvragen betreffen de toepasbaarheid van FCD voor verkeersmanagementdoeleinden. Inzicht dient echter ook te worden verkregen in de meerwaarde die FCD biedt ten opzichte van de dataverzameling met wegkant systemen. Zoals is gebleken, hebben de data verzameld middels wegkant systemen en data verzameld met probes verschillende karakteristieken. De toepasbaarheid van FCD kan worden vergroot doordat FCD een meerwaarde levert voor DVM en GNV daar trajectoriën kunnen worden verkregen in plaats van puntmetingen. Dit leidt tot de volgende onderzoeksvraag: 12. In welke mate leidt het gebruik van trajectoriën in plaats van puntmetingen door de verschillende (archetypische) verkeersmanagement instrumenten tot optimaal effect van deze instrumenten? Een andere toepassingsmogelijkheid is het gebruiken van FCD om zodoende de bestaande dataverzameling met wegkant systemen te versoberen. In dit kader gaven we in het voorgaande al aan dat een belangrijke relatie kan worden aangenomen tussen de dichtheid van de meetlocaties en de penetratiegraad van FCD. Zo kan bijvoorbeeld uit Figuur 2.8 worden waargenomen dat bij een hogere penetratiegraad met een lagere dichtheid van meetlocaties kan worden volstaan voor AID. Deze relatie dient echter nog wel nader te worden onderzocht voor andere (archetypische) instrumenten van DVM en GNV. Dit leidt tot de volgende onderzoeksvraag: 13. Hoe verhoudt de dichtheid van de meetlocaties van wegkant dataverzamelingssystemen zich tot de benodigde penetratiegraad voor de verschillende (archetypische) instrumenten van DVM en GNV? Tenslotte is aangegeven dat de dataleveranciers een aantal bewerkingen uitvoeren om voor meetfouten in de data te corrigeren. Voor de huidige praktijk van dataverzameling (zoals bijvoorbeeld lusdata) stelt RWS stelt via NDW data ter beschikking die in een aantal applicaties zijn bewerkt om de validiteit en plausibiliteit van de data te verbeteren. De bewerkte data gelden als open data. Voor ruwe FCD geldt ook dat deze worden bewerkt. Data providers ontlenen aan die bewerkingen hun verdienmodel. Als de wegbeheerder door dit verdienmodel voor FCD moet betalen (en die data als open data weer aanbiedt), heeft dat gevolg voor berekening kosteneffectiviteit. De vraag is in welke mate het gebruik van FCD 43

48 als kosteneffectief kan worden bestempeld gegeven het verdienmodel van de dataleveranciers van FCD: 14. Hoe kan de kosteneffectiviteit van FCD worden bepaald in relatie tot het verdienmodel van de verschillende dataleveranciers en wat is het effect van het verschaffen van deze data door RWS als open data voor deze kosteneffectiviteit? 44

49 Bijlage 1: Voorbeeld invloed dichtheid meetlocaties en penetratiegraad FCD Op het Nederlandse hoofdwegennet is een zogenaamd filestaartbeveiligingssysteem aanwezig. Dit systeem staat ook bekend als Automatische Incident Detectie (AID). AID heeft als doel het beperken van de kans op een (secundair) ongeval bij filestaarten door middel van het verlagen van de maximum snelheid van voertuigen die de congestie naderen. Een bijwerking van het systeem is dat het kan bijdragen aan de vlottere afwikkeling van congestie, in het bijzonder in het geval van schokgolven, door de instroom in congestie te beperken. De maximumsnelheden worden aan de weggebruikers gecommuniceerd middels de matrixborden op portalen die zich ongeveer op een afstand van 500m van elkaar bevinden. Dit systeem maakt bij het inschatten van de toestand van het verkeer gebruik van lusdata. Het algoritme is gebaseerd op de detectie van snelheid van de individuele passerende voertuigen. Middels het algoritme worden eerst de snelheden die boven de 200 km/u liggen eruit gefilterd. Hetzelfde geldt voor snelheden die lager liggen dan 18 km/u 15. Een gewogen moving average wordt vervolgens berekend van de snelheden ten einde fluctuaties in snelheid af te vlakken door de huidige afgevlakte snelheid te wegen met de huidige bemeten snelheid gebruik makend van een weegfactor. Deze weegfactor is hoger voor de bemeten snelheid indien de bemeten snelheid lager is dan de afgevlakte snelheid dan wanneer de nieuw bemeten snelheid hoger is. Op deze wijze wordt het systeem in staat gesteld om sneller te reageren op lagere bemeten snelheden dan op hogere bemeten snelheden. Het systeem wordt geactiveerd indien het moving average onder de 35 km/u komt op een van de bemeten stroken gebaseerd op tenminste n=3. Het systeem wordt gedeactiveerd indien het moving average boven de 50 km/u komt. Deze laatste grens is gekozen om te voorkomen dat het systeem te vaak aan- en uitschakelt. Om inzicht te verkrijgen in de benodigde steekproefgrootte (penetratiegraad) alsmede voor de benodigde dichtheid van de meetlocaties bij lusdetectie voor AID is door Klunder et al. 16 een onderzoek uitgevoerd. Voor wat betreft de dataset is in dit onderzoek gebruik gemaakt van microscopische lus detector data op een drukke snelweg in het Verenigd Koninkrijk. De data is afkomstig van een sectie met Active Traffic Management op de M42 dichtbij 15 Klijnhout, J. J. (1984). Motorway control and signalling: The test of time. Traffic engineering & control, 25(HS ). 16 Klunder, G. Taale, H.., & Hoogendoorn, S.P. The impact of loop detector distance and floating car data penetration rate on queue tail warning. 45

50 Birmingham 17. Op deze sectie van het netwerk bevinden zich een groot aantal lus detectoren met een onderlinge afstand van rond de 100 meter. De individuele voertuigdata bevat de passagetijd, snelheid, nummer van de strook waarop gereden wordt en de voertuiglengtes. Met deze hoge resolutie van de data is het mogelijk om de voertuigbewegingen van de individuele voertuigen te tracken gedurende de meeste verkeerscondities en zodoende de trajectoriën te reconstrueren 18. In het onderzoek zijn de indicatoren van de performance van het AID systeem achtereenvolgens de tijd die nodig is om een file te detecteren, de fout in de ingeschatte locatie van de staart van de file en het aantal daadwerkelijk gedetecteerde files. In deze studie is de tijd die nodig is een file te detecteren gedefinieerd als het verschil tussen de eerste keer dat de file wordt gedetecteerd (gemiddelde snelheid < 35 km/u) in de controle conditie (beschikbaarheid volledige trajectoriën) en de experimentele conditie. In het onderzoek wordt de fout in de locatie van de staart van de file gedefinieerd als het verschil tussen de opstroomse locatie van de staart van de file in de controleconditie en de opstroomse locatie van de staart van de file in de experimentele conditie. Het aantal gedetecteerde files is gedefinieerd als het aantal keer dat het AID systeem aan gaat. Figuur 1: Aantal gedetecteerde files voor verschillende afstanden tussen lus detectoren en penetratiegraden van FCD (bron: Klunder et al.) 17 Wilson, R.E. Accessed Jul [Online]. Url: 18 Wilson, R.E. (2008). From inductance loops to vehicle trajectories. In: Proc. Symp. Fundam. Diagram 75 Years, pp ,

51 Om het effect van de dichtheid van de meetlocatie op het functioneren van het AID systeem te onderzoeken zijn verschillende dichtheden met elkaar vergeleken door bepaalde data uit de dataset weg te laten en zijn verschillende penetratiegraden ten behoeve van FCD gehanteerd. De resultaten van de analyses staan weergegeven in de onderstaande figuur. In deze figuur is het aantal gedetecteerde files afgezet tegen de afstand tussen de lussen in combinatie met FCD met verschillende penetratiegraden. Figuur 2: Tijd die nodig is om congestie te detecteren voor verschillende afstanden tussen lusdetectoren en verschillende penetratiegraden (bron: Klunder et al.error! Bookmark not defined.). Met de figuur kan worden waargenomen dat bij een penetratiegraad van 100% alle files worden gedetecteerd. Uiteraard maakt de afstand tussen de lussen dan geen verschil meer. Echter, uit de figuur kan eveneens worden waargenomen dat lus detectors in de het scenario zonder FCD maximaal maar 30% van alle files kunnen detecteren. Het grote verschil tussen het resultaat in dit scenario en het scenario waarin sprake is van FCD met een penetratiegraad van 100% wordt veroorzaakt door de hoge spatiale resolutie van de data. Indien men echter uitgaat van een penetratiegraad van 50% FCD worden slechts tussen de 60 en 75% van alle files gedetecteerd. In het onderstaande is een figuur weergegeven waarin de tijd die nodig is om congestie te detecteren wordt afgezet tegen de afstand tussen de lus detectoren in combinatie met verschillende penetratiegraden van FCD. Uit de figuur komt naar voren dat de tijd die nodig is om congestie te detecteren varieert van 10 tot 100 seconden indien geen FCD wordt 47

52 gebruikt. Indien men echter uitgaat van een penetratiegraad van 50% blijft deze detectietijd onder de 40 seconden. Ook de fout in de lokalisering van de staart van de file kan mogelijk positief worden beïnvloed door het toevoegen van FCD aan de lusdata. Dit komt duidelijk naar voren uit de figuur. Met lus detectoren kan de fout in de lokalisering oplopen tot wel 250m, terwijl door het toevoegen van 1% FCD deze kan afnemen tot 200m. Bij een penetratiegraad van 50% neemt de fout zelfs af tot onder de 80m. Figuur 3: Fout in de lokalisering van de staart van de file voor verschillende afstanden tussen lusdetectoren en verschillende penetratiegraden (bron: Klunder et al.error! Bookmark not defined.). De invloed van de steekproefgrootte (penetratiegraad) is dus substantieel. Naarmate de steekproefgrootte toeneemt, neemt het aantal gedetecteerde files substantieel toe en neemt de tijd die nodig is om een file te detecteren alsmede de fout in de lokalisering van de staart van de file substantieel af. 48

53 Bijlage 2: Nadere precisering kwaliteitseisen data verkeersmanagement instrumenten Figuur 1: Kwaliteitseisen (relatief) per dimensie voor (A) Dynamische maximum snelheden, (B) TDI, (C) VRI en (D) AID. Zo kan worden voorgesteld dat de eisen die Automatische Incident Detectie stellen aan data zwaarder zijn dan de eisen die een Dynamisch Route Informatie Paneel stelt. In de onderstaande figuur is het voorgaande schematisch weergegeven. Let op: de verschillen tussen de instrumenten zijn relatief. De figuur is primair bedoeld om inzicht te verschaffen en pretendeert niet de verschillen tussen de verschillende instrumenten te kwantificeren. In Hoofdstuk 3 refereren we aan de verschillende informatiebehoefte van de verschillende verkeersmanagement instrumenten. In deze bijlage geven we een aanzet tot het formuleren van deze kwaliteitseisen. 49