Nationaal verkeerskundecongres 2015

Transcriptie

1 Nationaal verkeerskundecongres 2015 Verkeersmanagement o.b.v. RT modellen : wat vergt dit van huidige systemen? Bas van der Bijl (Grontmij Smart Mobility) Guus Tamminga (Grontmij Smart Mobility) Gerbrand Klijn (Grontmij Smart Mobility) Daarbij willen wij onze dank uitspreken voor de ondersteuning door Alexander Verbraeck en Hans van Lint (TU Delft) Samenvatting Er komt steeds meer data beschikbaar, zowel uit nieuwe bronnen als oudere wegkantsystemen. Om deze data bruikbaarder te maken is datafusie benodigd. Bij datafusie zijn Realtime (RT) modellen een effectieve methode. Grontmij heeft ervaring met het toepassen van RT modellen bij datafusie ten behoeve van operationeel verkeersmanagement. O.b.v. data uit huidige systemen kan een goed beeld van de verkeerssituatie worden geboden, kan er worden voorspeld en kunnen effectiever worden ingezet. Het is een eerste vorm van coöperatief verkeersmanagement, met zeer gunstig effect op de doorstroming en uitstoot van verkeer. Echter, dit vergt wel de beschikbaarheid van data uit huidige wegkant systemen. Graag gaan wij de discussie aan met aanwezigen over deze aanpak en de eisen die het stelt aan (data uit) wegkantsystemen. Trefwoorden Model-based datafusie, model-based verkeersmanagement, verkeersvoorspellingen, slimme VRI s, data uit wegkantsystemen

2 Verkeersmanagement o.b.v. RT modellen : wat vergt dat van huidige systemen? Trends met beloftes De wereld van mobiliteit is sterk in verandering, althans als je de diverse artikelen en hightech ontwikkelingen in het nieuws mag geloven. Vooralsnog zijn de veranderingen op straat nog vrij beperkt. Toch zijn de veranderingen inspirerend. Door snellere processoren, goedkopere opslagcapaciteit en betere connectiviteit komt steeds meer data beschikbaar en worden daar steeds meer toepassingen voor gevonden, zoals realtime reisplanners. Het internet maakt het bij elkaar brengen van vraag en aanbod steeds eenvoudiger, zoals bij de diensten van Uber. Voertuigen worden steeds meer hightech en intelligent, zoals te zien is bij de auto s van Tesla, Google, maar ook de high-end merken uit Europa. De verwachting is dat stedelijke gebieden de komende decennia verder zullen verdichten, wat groeiende uitdagingen zal geven t.a.v. mobiliteit. De behoefte is er, de technologie ook, maar waarom gaat het dan nog relatief langzaam? Grontmij Smart Mobility ziet als twee van de barrières de relatieve versnippering in het mobiliteitsveld, maar ook de sterke aanwezigheid van oude (legacy) wegkantsystemen, die met een remmende voorsprong de penetratie van nieuwe systemen vertraagt. Het is aannemelijk om te verwachten dat we de komende 5 a 10 jaar nog moeten werken met systemen die er twintig jaar geleden ook al stonden. Hoe kunnen we er voor zorgen dat oude en bewezen systemen en nieuwe hightech systemen elkaar versterken? Beschikbaarheid van data Er komt steeds meer data over verkeer beschikbaar. Enerzijds door een toename van meetsystemen langs de weg, zoals reistijdcamera s en bluetooth-meetpunten. Anderzijds door het in steeds grotere getale beschikbaar komen van in-car data, bijvoorbeeld via smartphones of systemen in het voertuig (zoals navigatie). Nu wordt deze data meestal nog afzonderlijk van elkaar gebruikt, waardoor er veel dubbelingen in de data zijn. Maar omdat elk meetnet nog blinde vlekken heeft wordt het arsenaal aan meetsystemen nog steeds verder uitgebreid. Datafusie De eerste toepassingen van datafusie zijn inmiddels een feit. Met datafusie worden verschillende databronnen gecombineerd zodat er completer beeld van het verkeer ontstaat. Datafusie wordt doorgaans toegepast met twee doeleinden: ofwel het aantal blinde vlekken verminderen, ofwel een besparing op meetsystemen realiseren. Huidige datafusie-technieken maken veelal gebruik van geaggregeerde verkeersdata. Voorbeelden hiervan zijn traject-reistijden, wegvak-snelheden en intensiteiten. Kenmerkend voor geaggregeerde data is dat het vaak gemiddeldes zijn, bijvoorbeeld per minuut. Hierdoor zijn de huidige technieken vooral succesvol op snelwegen, waar de verkeersstromen zich goed laten omschrijven middels deze geaggregeerde data. In stedelijke omgevingen is datafusie complexer, vanwege de sterkere fluctuaties zowel in tijd als locatie. Hier is het verkeersbeeld vaak diffuus, bijvoorbeeld door de aanwezige VRI s. Ook zijn andere data en datafusietechnieken nodig dan op de autosnelwegen waar het verkeersbeeld en -patroon

3 homogener is. Met name in stedelijke omgevingen zien we daarom nog een toename van meetsystemen om het verkeer in kaart te brengen. In het bijzonder voor stedelijke omgevingen is er daarom behoefte aan nieuwe vormen van datafusie. Deze technieken maken minder gebruik van geaggregeerde data, maar focussen zich vooral op gegevens van individuele voertuigen. Dit kan zowel data gegenereerd door voertuigen zelf zijn, als data aangemaakt door wegkantsystemen. Een voorbeeld hiervan is een detectielus die individuele voertuigpassages registreert. Door deze evolutie wordt datafusie ook toepasbaar in stedelijke gebieden. Dit biedt tal van mogelijkheden. Datafusie in de praktijk In de stad komt steeds meer data beschikbaar. Denk bijvoorbeeld aan het ontsluiten van VRI s met detectielussen, verkeerscamera s (die met de juiste software voertuigen kunnen herkennen), weggebruikers met een smartphone, etc. Door al deze beschikbare data te fuseren, ontstaat er een compleet beeld van het verkeer op het niveau van individuele voertuigen. In eerste instantie zal deze fusie gebruikt worden om het aantal meetsystemen te verminderen en kosten te besparen. Bijvoorbeeld geen tellussen voor intensiteiten bij een VRI, minder reistijdmeetsystemen, minder detectielussen. Echter, deze datafusie kan tevens gebruikt worden om verkeerssystemen en verkeersmanagement intelligenter te maken. Het beschikbaar komen van meer verkeersdata maakt het mogelijk om betere algoritmes te ontwikkelen. Meer kennis van het verkeer, leidt automatisch tot het nemen van slimmere keuzes. Een VRI is bijvoorbeeld niet meer afhankelijk van zijn eigen detectielussen, maar ziet voertuigen al van grotere afstand aankomen, en kan zo zijn groenfases beter inplannen. Een toename van beschikbare data en een ontwikkeling in datafusie-technieken zal op termijn leiden tot een evolutie van verkeerssystemen. Doordat er meer data beschikbaar is voor deze systemen, kunnen ze intelligentere beslissingen nemen. Verkeersmanagement wordt hierdoor steeds meer data-driven en uiteindelijk (deels) worden geautomatiseerd. Datafusie met RT modellen Zoals gezegd is er behoefte aan nieuwe datafusie-technieken voor verkeerskundige data in stedelijke omgevingen. Deze data is microscopisch van aard, de data heeft betrekking op individuele voertuigen. Deze microscopische data kan onderverdeeld worden in 2 categorieën: data afkomstig van voertuigen. Deze data kan beschreven worden als de trajectoriën van voertuigen in het netwerk. Slechts van een deel van de voertuigen is deze data beschikbaar (steekproef). data afkomstig van wegkantsystemen. Deze data kan beschreven worden als een set van waarnemingen (tijdstip, locatie) van willekeurige voertuigen. De waarneming vertelt niet welke voertuig er is waargenomen, alleen dat er een voertuig is waargenomen. Een wegkantsysteem registreert alle passerende voertuigen. Grontmij Smart Mobility heeft de visie dat realtime microscopische verkeersmodellen een belangrijke rol in stedelijke datafusie en daarmee verkeersmanagement kunnen spelen. In tegenstelling tot meer data-driven technieken (waarbij onder andere patroonherkenning een belangrijk aspect is), wordt met een verkeersmodel gezocht naar de verkeerskundige verklaring van de beschikbare data en wordt getracht om deze data verkeerskundig te fuseren. Hierbij wordt zowel data afkomstig uit voertuig als afkomstig uit verkeerssystemen verkeerskundig gefuseerd, zodat er een compleet verkeersbeeld ontstaat. Bijkomend voordeel van een realtime microscopisch verkeersmodel is dat de interactie met verkeerssystemen (bijvoorbeeld VRI s) goed berekend kan worden, waardoor deze techniek ook geschikt is voor datafusie in complexere netwerken.

4 Door de inzet van verkeersmodellen wordt datafusie model-based in plaats van data-driven. Verkeersmanagement met RT modellen Beter geïnformeerd VM Een grotere beschikbaarheid van verkeersdata kan door verkeerssystemen gebruikt worden om het verkeer intelligenter te regelen. De huidige generatie verkeerssystemen regelt op basis van beperkte informatie, en neemt hierdoor meestal niet de optimale beslissingen. Een VRI weet bijvoorbeeld wel dat er voertuigen voor een bepaalde richting staan te wachten, maar niet hoeveel voertuigen. Daardoor kan de VRI niet de optimale beslissing nemen om de totale vertraging rondom het kruispunt te beperken (bv eerst groen geven aan de richting met de meeste wachtende voertuigen), maar geeft het de richtingen in een vaste cyclus groen. Door een grotere beschikbaarheid van data, krijgen verkeerssystemen meer verkeersinformatie op basis waarvan beslissingen genomen worden. Uit de beschreven model-based datafusie-techniek is bijvoorbeeld het aantal wachtende voertuigen bij een VRI bekend. Voorspellingen Model-based datafusie biedt ook de mogelijkheid tot het maken van voorspellingen. Met het microscopische verkeersmodel wordt berekend wat de aanwezige voertuigen in het netwerk de komende periode gaan doen. Met name op de kortere termijn, 1 tot 2 minuten vooruit, is de betrouwbaarheid hoog. Juist de korte termijn voorspelling kan bijzonder nuttig zijn als beslissingsondersteuning voor (operationeel) verkeersmanagers, maar ook verkeerssystemen. Een VRI weet bijvoorbeeld niet alleen hoeveel voertuigen er op een bepaald moment staan te wachten, maar ook wanneer er voertuigen de komende periode arriveren. De VRI kan hierdoor de groenfases van richtingen plannen, zodat deze goed aansluiten bij het aankomstpatroon van voertuigen. Groenfases worden dan dus vooraf ingepland. Model-based verkeersmanagement biedt dus een aantal voordelen ten opzichten van traditioneel verkeersmanagement. Verkeerssystemen kunnen optimaler regelen doordat er meer kennis van de actuele verkeerssituatie is en doordat de toekomstige verkeersituatie in de optimalisatie meegenomen wordt. Het vooraf inplannen van groenfases van een VRI bieden de mogelijkheid om deze informatie te delen met aankomende voertuigen, zodat deze hun rijgedrag hierop kunnen aanpassen. Model-based verkeersmanagement is dus een eerste vorm van coöperatief verkeersmanagement. Concrete initiatieven Omdat wij ons willen committeren aan bovenstaande visie, zijn wij concreet bezig om een drietal producten te ontwikkelen: Smart Monitoring, Smart Forecasting en Smart Control. Samen vormen deze producten Smart Traffic. Op basis van reeds beschikbare data kunnen wij met nieuwe datafusietechnieken een nauwkeurig beeld geven van de actuele verkeerssituatie in stedelijke omgevingen (Smart Monitoring), voorspellen hoe deze situatie zich gaat ontwikkelen (Smart Forecasting) en vervolgens ingrijpen op die situatie op de weg via de huidig beschikbare wegkantsystemen, zoals VRI s (Smart Control). Als onderdeel van deze productontwikkelingen, zijn wij actief in diverse initiatieven. Zo hebben wij in opdracht van de Provincie Zuid-Holland op de N492 (Groene Kruisweg) model-based datafusie toegepast op een historische dataset. Vervolgens hebben wij deze datafusie-techniek online/realtime toegepast in opdracht van de Provincie Noord-Holland op de N201, en bij moment van schrijven zijn de

5 resultaten zeer positief: het ontwikkelde realtime verkeersmodel is in staat om, op basis van een beperkte dataset, een compleet beeld te geven van de actuele verkeerssituatie op de weg. Daarnaast zijn we op dit moment bezig met de ontwikkeling van de eerste prototypes voor intelligente VRI s. Het realtime microscopische verkeersmodel wordt gebruikt voor het maken van korte termijn voorspellingen van het verkeersaanbod van de VRI s (op voertuigniveau). De VRI kan hierdoor op een intelligente manier groenfases inplannen, en is niet meer afhankelijk van enkel zijn eigen detectieveld. De eerste resultaten van de prototypes zijn veelbelovend: 30% minder voertuigverliesuren is realistisch. Voor bovenstaande werken we o.a. samen met de TU Delft en de TU Eindhoven. Hieronder zetten wij twee van deze ontwikkelingen in iets meer detail uiteen. Pilot Smart Monitoring in Noord Holland Op de N201 wordt op diverse trajecten de reistijden gemeten met kentekencamera s. In deze pilot fuseren we, met behulp van een realtime microscopisch verkeersmodel, de logbestanden van de aanwezige VRI s. Hieruit worden de reistijden berekend. In deze pilot worden de berekende reistijden vergeleken met de gemeten reistijden door de kentekencamera s. Het voordeel van onze aanpak is tweeërlei: Doordat we geen gebruik maken van persoonsgebonden registratiegegevens, zoals kentekencamera s is model-based datafusie niet gevoelig voor schending van de privacy. De gebruikte VRI-gegevens zijn volstrekt anoniem. Datafusie maakt gebruik van bestaande systemen en data, waardoor we geen extra investeringen hoeven te doen in extra wegkantsystemen. Daardoor wordt er op de kosten bespaard. Samenwerking met TU Delft voor OpenTraffic Omdat bestaande microsimulatie-pakketten onvoldoende mogelijkheden bieden om de gewenste algoritmes goed en robuust te implementeren, is in samenwerking met de TU Delft gewerkt aan de implementatie van Smart Traffic in het open source verkeerssimulatiemodel OpenTrafficSim (OTS). Open Traffic is een initiatief van Hans van Lint en Alexander Verbraeck (beiden TU Delft) en heeft als doel om een simulatie-omgeving te creëren waarbinnen bestaande simulatiemodellen kunnen worden uitgebreid met nieuwe methoden maar ook nieuwe functionaliteit. Grontmij heeft samen met de TU Delft het model-based datafusie algoritme geïmplementeerd in Open Traffic. Dit heeft geresulteerd in een realtime microscopisch verkeersmodel, waarmee de actuele verkeerssituatie op basis van een beperkte dataset berekend kan worden. Tevens biedt dit verkeersmodel de mogelijkheid tot het maken van korte termijnvoorspellingen en kan het een onderdeel vormen van nieuwe intelligente kruispunten. Hightech versus Legacy: rol van oude systemen in de transitie Zoals beschreven, is er bijzonder veel mogelijk op basis van het beschikbaar komen van data, ook uit de huidige systemen. Echter, een van de constateringen uit onze projecten, is dat er veel data beschikbaar is, maar dat deze data vaak onbetrouwbaar en van wisselende kwaliteit kan zijn. Veel verkeerssystemen, zoals VRI s, functioneren niet optimaal vanwege het ontbreken van een betrouwbaar en compleet verkeersbeeld. Ook zijn lang niet alle wegkantsystemen connected met een centrale of hun omgeving, waardoor uitwisseling van data niet mogelijk is.

6 Toch denken wij dat de huidige systemen nog prima bruikbaar zijn of kunnen worden gemaakt voor de innovatieve ontwikkelingen die we de komende 5 a 10 jaar zullen zien en ambiëren (stelling). De vraag is hoe doen we dat? (vraag) Hoofdvraag van deze discussiepaper Hoe kunnen we data uit huidig wegkantsystemen inzetten voor een connected/coöperatieve mobiliteit op de middenlange termijn en zelfrijdende verkeer op de lange termijn en wat vergt dat van de huidige systemen? Onderliggende vragen zijn: Wat voor eisen stelt dit aan huidige wegkantsystemen en sensoren? Wat zijn de meest voor de hand liggende aanvullende datasoorten? Uitgaande van een voortdurend veranderend systeem, met diverse componenten hoe houden we het totale verkeersysteem flexibel voor deze veranderingen? Wanneer we uitgaan van steeds sterkere connectiviteit van (oude) systemen en het risico van cybercriminaliteit, hoe houden we het verkeerssysteem dan veilig en redundant?