Regionale Verkeersmonitoring

Transcriptie

1 Faculty of Civil Engineering and Geosciences Transport & Planning Department Visiting address Stevinweg CN Delft Postal address P.O. Box GA Delft The Netherlands Delft University of Technology PAO cursus DVM, november 2005 Regionale Verkeersmonitoring het maximale halen uit onbetrouwbare en heterogene verkeersgegevens Dr. Ir. Hans van Lint Universitair docent verkeerstromen H.vanLint@citg.tudelft.nl

2 Regionale verkeersmonitoring Voorwoord Deze syllabus geeft achtergrond informatie bij het cursusdeel regionale verkeersmonitoring uit de PAO cursus Dynamisch Verkeersmanagement. Leerdoelen van dit cursusdeel: o o o o Een overzicht bieden van de verschillende componenten in een regionaal monitoring systeem en de verschillende beschikbare sensor technieken Inzicht geven in welke ruwe gegevenssoorten met welke sensoren te meten zijn en welke niet, basisbegrip van de mogelijkheden en beperkingen van verschillende sensoren Inzicht geven in waarom gegevens van verschillende sensoren soms incompatibel of inconsistent zijn en basis begrip bijbrengen over de mogelijkheden gegevens uit verschillende bronnen te fuseren en vertalen naar netwerkbr3ede schatting van verkeerscondities op basis waarvan je regionale DVM maatregelen kunt toepassen. Leidraad verschaffen voor het plannen van een monitoring systeem: welke informatie is er nodig en welke systemen kunnen daar voor zorgen waarbij een balans gezocht moet worden tussen kosten en kwaliteit. Naast het basismateriaal zijn een aantal bijlagen opgenomen met achtergrondmateriaal, waarvan enkele in het Engels. In de (Nederlandse) tekst van het hoofddocument zal kort worden vermeld welke informatie in die bijlagen te vinden is. Als bijlage zijn onder andere twee artikelen opgenomen in deze syllabus. De eerste is een artikel dat in het najaar van 2005 in het blad verkeerskunde zal verschijnen. Dit artikel gaat over het Advanced Traffic Monitoring (ATMO) project dat begin 2005 is gestart binnen het cluster verkeersmanagement (VM) in het TRANSUMO project. Het tweede artikel is een (bewerking van een) stuk dat in 2003 is gepubliceerd in de Transport Research Records, het wetenschappelijk journal van de Transportation Research Board (VS). Dat artikel beschrijft een methode om uit lusgegevens (snelheden en intensiteiten) reistijden te schatten

3 1 - Inleiding 1 Inleiding 1.1 Achtergrond: plaats van Monitoren in DVM Om in een systeem te kunnen ingrijpen en sturen is het monitoren van (meten aan) een dergelijk systeem randvoorwaardelijk. Enerzijds om het effect van maatregelen te kunnen meten en te toetsen op hun bijdrage aan de doelen die gesteld zijn en anderzijds om invoer te produceren voor de systemen of modellen die de maatregelen uitvoeren en optimaliseren. Zo n cyclus noemt men een regelcyclus. Dynamisch verkeersmanagement (DVM) kan men ook beschouwen als een set maatregelen die ingrijpen in een systeem (het verkeerssysteem) en dus als een regelcyclus of regelcirkel. Figure 1-1 laat zien wat de plek van verkeersmonitoring monitoring is in de DVM regelcyclus. vraag aanbod informeren, prikkelen, belonen beprijzen) reizigers Monitoren (meten, interpreteren, begrijpen, voorspellen) DVM netwerk regelen (vri s, tdi s, routering, 80 km zones, spits stroken, etc) reizigers doelen: kwaliteit, op tijd Beleidsdoelen: snel, schoon, veilig, zijn, comfort, betrouwbaar Commerciele doelen: goed (genoeg), lage kosten, meerwaarde betrouwbaar Figure 1-1: plaats van monitoring in de DVM regelcirkel Figure 1-1 laat zien dat er binnen DVM ruw weg twee regelcycli zijn, die beide sterk afhankelijk zijn van monitoring. De eerste (rechter cirkel) richt zich op het zo goed mogelijk afstemmen van de beschikbare capaciteit in een verkeersnetwerk op de actuele verkeersvraag, beide plaats en tijdsafhankelijk. Hierbij moet gedacht worden aan routering, toeritdoseren, kruispuntregelingen, dynamisch snelheidslimieten, spitstroken, etc. De tweede cirkel (links in Figure 1-1) richt zich op het beter afstemmen van de vraag op de beschikbare capaciteit in een netwerk. Door middel van informatie, beprijzen of belonen kunnen reizigers gemotiveerd worden hun vertrektijdstip, route of zelfs vervoerwijze keuzes aan te passen. Onder een aantal voorwaarden leiden die betere individuele keuzes ook tot collectieve winst. Op korte termijn in termen van bijvoorbeeld reistijd (minder files) maar op langere termijn in elk geval tot een betrouwbaarder en beter voorspelbaar verkeerssysteem. Centraal in een regelcirkel staat het doel dat ermee bereikt kan of moet worden. In de regelcirkel van een centraal verwarmingssysteem is dit doel simpel: de ruimte waarin het systeem opereert dient op een bepaalde constante temperatuur gehouden te worden. In een verkeersysteem is dit allesbehalve eenvoudig. Er zijn - 3 -

4 Regionale verkeersmonitoring veel actoren (wegbeheerders, reizigers, commerciële partijen) die elk hun eigen doelen nastreven (Figure 1-1 beneden). Of die doelen gehaald worden is onder andere afhankelijk de kwaliteit en betrouwbaarheid van de regel dan wel informatie systemen en de mate waarin die systemen bijdragen tot de gestelde doelen. Dat betekent enerzijds dat goed moet kunnen voorspeld worden hoe het verkeersysteem (interactie tussen de reizigers en infrastructuur) reageert en anderzijds dat nauwkeurig gemeten moet worden of die voorspellingen klopten en in welke richting maatregelen of informatie moeten worden bijgesteld. Kortom: of het nu om verkeersinformatie informatie of regelen gaat het begint en eindigt bij monitoring. Samengevat Monitoring systemen spelen een centrale rol in DVM omdat ze 1. voor invoergegevens zorgen voor veel DVM systemen bijvoorbeeld dynamische route informatie panelen (DRIPs), toeritdoseerinstallaties, kruispuntregelingen, dynamische snelheidslimieten, incident detectie systemen, etc, etc 2. feedback geven over de effecten van DVM, zodat de systemen (achteraf en in real time) kunnen worden getoetst op hun bijdrage aan de gestelde doelen en zodat ze (in real time) in sync kunnen blijven met de actuele verkeerssituatie, bijvoorbeeld a. Waar in een netwerk is file en hoe erg is het (in termen van vertragingen of anderszins) b. Actueel inzicht in incidenten en andere verstoringen c. Actuele gemiddelde snelheid of reistijd op bepaalde routes en de verwachting daarvan op korte termijn d. Wat is de reistijd betrouwbaarheid op een route gegeven de actuele verkeersituatie? e. etc 1.2 Leeswijzer Het volgende hoofdstuk zal ingaan op de belangrijkste functies van en een overzicht geven van de componenten in een monitoring systeem. In het hoofdstuk erna kijken we naar hoe uit de veelheid van verschillende gegevens zinvolle netwerk brede informatie gehaald kan worden. Het laatste hoofdstuk geeft een beknopte leidraad voor het ontwerpen en samenstellen van een monitoring systeem. De bijlagen bevatten achtergrond materiaal waaronder het al eerder genoemde verkeerskunde artikel over het TRANSUMO project ATMO

5 2 - Functies en componenten van een Monitoring systeem 2 Functies en componenten van een Monitoring systeem 2.1 Functies van een monitoring systeem Zoals Figure 1-1 al liet zien heeft een ideaal monitoring systeem vier kern functies: 1. Het meten van ruwe verkeersgegevens met sensoren / detectie middelen 2. Het checken, corrigeren en aanvullen van die ruwe gegevens Bijlage B is (in het Engels) geeft een overzicht van verschillende technieken om dat te doen. 3. Het interpreteren van de gecorrigeerde ruwe gegevens en het vertalen van die gegevens naar bruikbare informatie voor DVM a. Extrapoleren van die gegevens over de ruimte, bijvoorbeeld ook iets kunnen zeggen over plekken in een netwerk waar niet wordt gemeten b. Extrapoleren van die gegevens over de tijd, dat wil zeggen, het op korte termijn voorspellen van verkeerscondities zoals intensiteiten, snelheden, reistijden, etc 4. Het archiveren (opslaan) en beschikbaar maken van alle gegevens en informatie Er moeten wel twee kanttekeningen gemaakt worden bij deze opsomming. Ten eerste is er sterke overlap tussen functies 2 en 3. Om gegevens te corrigeren of verschillende gegevenssoorten te fuseren is het vaak noodzakelijk te extrapoleren over de ruimte. Men noemt dat wel de toestand in een verkeersnetwerk schatten. Het volgende hoofdstuk zal hier nader op ingaan. Ten tweede zijn er maar weinig verkeersmonitoring systemen die veel verder komen dan functies 1 en 4 en het aan de afnemers van ruwe gegevens (o.a. voor DVM toepassingen) overlaten om chocola te maken van die gegevens. Het gevolg is dat dezelfde brongegevens tot verschillende resultaten kunnen leiden bijvoorbeeld: de file meldingen die via TIC-NL en verschillende service providers (de ANWB, VID) over de radio worden verspreid aan reizigers kunnen soms (sterk) afwijken van de file meldingen op de DRIPs (dynamische route informatie panelen) langs de weg. Eén van de doelstellingen van het ATMO project (zie Bijlage D) is juist ook die functies (2 en 3) op een zinvolle manier invullen. Meer hierover volgt verderop in deze tekst. 2.2 Overzicht van de componenten in een monitoring systeem Een verkeersmonitoring systeem kan grofweg worden opgedeeld in drie componenten, welke Table 2-1 in detail weergeeft: sensoren (detectie middelen), communicatie hardware en software en een (vaak gecentraliseerde) rekenfaciliteit (computer systeem)

6 Regionale verkeersmonitoring Table 2-1: componenten in een monitoring systeem Component beschrijving / doel Sensoren / detectie middelen (S) De hardware (en embedded software) die daadwerkelijk voor de metingen zorgen. Er zijn ruwweg twee soorten: 1. infrastructuurgebonden of lokale sensoren: o o o inductie lussen Infrarood, microwave of radar sensoren Camera systemen lokale sensoren meten lokale verkeersgrootheden (op een vaste lokatie x in een netwerk) ofwel event-gebaseerd (per tijdstip) (voertuig passages, individuele snelheden) of (geaggregeerd of gemiddeld) over tijdsperiodes (intensiteiten, lokale gemiddelde snelheden, percentages zware voertuigen, etc). Als twee camera's verschillende plekken voertuigpassages meten (en daarbij ieder voertuig ook uniek kunnen identificeren) dan kan een dergelijk systeem ook ruimtelijke verkeerskenmerken meten: individuele reistijden of traject snelheden, of over langere periodes ook gemiddelde reistijden en trajectsnelheden. 2. niet infrastructuurgebonden of floating sensoren: o o specifieke GPS/GSM gebaseerde systemen (in-voeruig) Lokatie en snelheid als afgeleid product uit andere systemen zoals GSM, GPRS, UMTS (mobiele telefoons, pda s, etc) Een floating sensor meet instantane ruimtelijke verkeerskenmerken (dwz op een tijdstip t en een variabele lokatie x(t) dus x als functie van t): de huidige lokatie en snelheid van een voertuig of over langere tijdsperiodes ook gemiddelde traject reistijden en snelheden. Men zou kunnen beargumenteren dat er nog een derde categorie sensoren is, namelijk de mens, die (via telefoon, , fax) zeer belangrijke informatie toevoegen: 3. Anekdotische bronnen: o Politie- of hulpdiensten rapportages bijv tijdens of na incidenten, ongelukken, etc) o o Informatie van wegbeheerders (bijv. wegwerkzaamheden) Spitswachten (de ANWB maakt gebruik van de diensten van enkele honderden die via telefoon mogelijke extra informatie kunnen leveren) Communicatie Infrastructuur De hard- en software om de ruwe data vanuit de sensoren naar de centrale servers en vervolgens naar de afnemers te transporteren. Meer en meer worden hier mobiele communicatie technologieën voor ingezet - 6 -

7 2 - Functies en componenten van een Monitoring systeem Component (ICT) beschrijving / doel (GPRS, UMTS). Verreweg in de meeste gevallen is er nog sprake van vaste lijnen netwerken. (Centrale) Reken Faciliteiten (CRF) Alle hardware en software nodig om ruwe gegevens uit sensoren om te zetten in zinvolle informatie voor DVM voor reizigers, verkeersmanagers of service providers. Ruwweg CRF systemen bestaan uit enkele servers (één PC) of uit een netwerk van gelinkte servers, elk specifiek voor een bepaalde gegevensverwerkings- of informatie verspreidingstaak. Ook hier zijn de grenzen grijs: veel sensoren gebruiken lokale dedicated hardware/software bijv aan de kant van de weg om een gedeelte van de gegevensverwerking te doen die kunnen als onderdeel van de sensor worden gezien maar ook als onderdeel van de CRF. In de CRF is ook mogelijkheid tot het archiveren van alle gegevens in een (historische) database. Daarnaast is de CRF het platform waar functies 2 en 3 (zie vorige paragraaf) kunnen worden uitgevoerd. Een goed voorbeeld van een monitoring systeem is het MONiCA systeem (Figure 2-1) dat op een groot gedeelte van het Nederlandse snelwegennet is geïmplementeerd, eigendom is van en onderhouden wordt door Rijkswaterstaat. Het systeem bestaat uit inductielussen, waarmee elke minuut intensiteiten en rekenkundig gemiddelde snelheden worden gemeten op dwarsdoorsnedes, in toenemende maten rijstrook- en voertuigklasse (personenvoertuigen, vrachtverkeer) specifiek (verderop meer over inductielussen). In West-Nederland, Utrecht en in delen van de rest van Nederland geïnstalleerd elke 500 meter, op sommige stukken (o.a. Oost-, Noord- en Zuid-Nederland) elke 1-2 km. Roadside Systems RS North of Netherlands Utrecht inductive loops ± 400 m ± 400 m RS RS Central Systems East of Netherlands Limburg Brabant MONICA distribution network Other sources Weather Federal Police and Energency VMS 70 X TMC-NL (Traffic Management Centre) South of Holland TIC-NL (Traffic Information Centre) Service providers regional TIC s radio stations rds-tmc internet GSM SP etc. Figure 2-1: Voorbeeld van een monitoring systeem: MONiCA (Monitoring Casco), dat bestaat uit inductielussen (de sensoren), VIC-Net (Communicatie infrastructuur) en verschillende gegevensservers. Een tweede voorbeeld is the Regiolab-Delft systeem ( dat eigendom is en wordt onderhouden door de TU Delft in samenwerking - 7 -

8 Regionale verkeersmonitoring met de publiek-private partners in het project: de Adviesdienst Verkeer en Vervoer van Rijkswaterstaat; de provincie Zuid-Holland; de gemeente Delft; Rijkswaterstaat Directie Zuid-Holland; Vialis; Siemens en ARS Traffic and Technology en de TRAIL onderzoeksschool. In het Regiolab-delft project wordt gedetailleerde verkeersgegevens verzameld in het wegennetwerk rondom Delft, waarbij ook het complete snelwegennet in de driehoek Den Haag, Rotterdam en Gouda wordt meegenomen (zie Figure 2-2) Figure 2-2: Voorbeeld van een monitoring systeem: Regiolab-Delft ( dat gegevens combineert van verschillende bronnen, onder andere MONiCA (snelwegen), camerasystemen, tellussen en regelgegevens bij verkeersregelinstallaties, toeritdoseerinstallaties, infrarood sensoren, brugsystemen, etc (in het kader rechtsonder te zien). 2.3 Karakteristieken van ruwe verkeersgegevens uit verschillende meetsystemen In deze paragraaf kijken we wat gedetailleerder naar ruwe gegevens uit verschillende meetsystemen. In essentie zijn er twee onderscheidende kenmerken: 1. Gaat het om lokale of niet lokale gegevens, dwz betreffen de gegevens lokale (vaste lokatie/dwarsdoorsnede x) of ruimtelijke (over een sectie j of variabele lokatie x(t)) verkeerskenmerken? 2. Gaat het om individuele (event-gebaseerde) gegevens (op een tijdstip t) of om geaggregeerde dan wel gemiddelde gegevens gemeten over een tijdsperiode k? - 8 -

9 2 - Functies en componenten van een Monitoring systeem De tabel beneden geeft een overzicht van de belangrijkste verkeerskenmerken welke met sensoren kunnen worden gemeten. Let wel: sommige zijn erg lastig of erg kostbaar om te meten (aan de lezer de oefening om aan te geven welke en waarom) Table 2-2: Overzicht van verkeersgegevens welke met sensoren kunnen worden gemeten symbool & formule eenheid beschrijving Lok./R lijk & Aggr/Ind L d m breedte detector L - t i s individueel passage moment L I L i m voertuig lengte L/R I o i s tijd gespendeerd op de detector L I v i m/s individuele lokale snelheid L I u i m/s individuele gemiddelde traject snelheid R I TT i s individuele traject reistijd R I gemiddelde reistijd voor TT k s voertuigen vertrekkend in periode R A k L v m gemiddelde voertuig lengte L/R A N j - aantal voertuigen aanwezig op segment (link) j op tijdstip t R A u M N j 1 vi m/s N j i = 1 gemiddelde snelheid (space mean speed) op segment j op tijdstip t R A N k - volume: aantal passerende voertuigen in een periode k L A Nk 1 u L vi N * m/s k i = 1 lokale (rekenkundig) gemiddelde snelheid (time mean speed) op doorsnede x gedurende periode k L A - 9 -

10 Regionale verkeersmonitoring symbool & formule eenheid beschrijving Lok./R lijk & Aggr/Ind lokale harmonisch gemiddelde snelheid op doorsnede x u H 1 1 N k 1 N v k i= 1 i *** m/s gedurende periode k. N.B. u H = u M onder de voorwaarde dat de verkeerscondities stationair L A (gedurende periode k) en homogeen (over segment j) zijn intensiteit: aantal passerende q N k T veh/s voertuigen per eenheid tijd (uur of seconde); N.B. T geeft de grootte van de periode k aan (in seconde L A of uur) Occ N 1 k oi (%/100) T i = 1 bezettingsgraad; fractie van de tijdsperiode k waarop de detector bezet werd door voertuigen L A ρ N j 1 Occ = Lj Ld Lv ** veh/m dichtheid: het gemidd3eld aantal voertuigen per eenheid afstand op een segment j met lengte L j R/L A Noten * De rekenkundig gemiddelde snelheid op een lokatie (u L ) is ALTIJD groter of gelijk dan de rekenkundig gemiddelde snelheid over een traject (u M ). Dit is gemakkelijk in te zien. Stel 3 voertuigen rijden met een constante snelheid van 10, 20 en 30 km/u gedurende precies een uur over een cirkelvormige weg van precies één kilometer lengte. Veronderstel dat ze elkaar zonder hinderen kunnen inhalen. Op een willekeurig tijdstip in dat uur is de gemiddelde snelheid (de space mean speed) natuurlijk 20 km/u (het gemiddelde van 10, 20 and 30 km/u). Stel nu voor dat iemand gedurende dat uur langs de kant van de weg staat en de gemiddelde snelheid (time mean speed) berekent van de passerende voertuigen. Zijn berekening ziet er als volgt uit: u L 30* * *10 = = km/h! Zijn tijdgemiddelde snelheid is dus dik 15% hoger dan de werkelijke gemiddelde snelheid. De reden daarvoor is dat lokaal het gemiddelde wordt beïnvloed door het feit dat snellere voertuigen vaker passeren dan langzame, in dit geval passeert het snelste voertuig (30 km/u) 3 maal zo vaak dan het langzaamste voertuig (dat 10 km/u rijdt). Als we veronderstellen dat de verkeerscondities homogeen (over de ruimte) en stationair (over de tijd) zijn, is er een

11 2 - Functies en componenten van een Monitoring systeem mogelijkheid om toch lokaal de juiste snelheid te meten, door niet de snelheid maar de traagheid (1/snelheid = reistijd per eenheid ruimte) te middelen. De reciproke van dit gemiddelde (1/gem.traagheid) is vervolgens weer gelijk aan de gemiddelde snelheid. Dat rekensommetje levert dan op u H * + 20* + 10* = = 20 km/h u M Dit gemiddelde wordt wel de harmonisch gemiddelde snelheid genoemd en is dus gelijk een de space mean speed mits de verkeerscondities homogeen en stationair zijn. Hoewel dat zelden het geval is (zie verderop), geeft deze formule voor korte stukken gedurende korte tijdsperiodes (bijvoorbeeld ordegrootte een paar honderd meter en een paar minuten) een redelijke benadering. Vermenigvuldigen van de gemiddelde traagheid met de lengte van een sectie levert de gemiddelde reistijd op over een sectie j gedurende periode k: TT kj = Lj Lj u u (3-1) Deze formule is de basis van de trajectorieën methode voor reistijdschatting (zie Bijlage A). ** Verband tussen bezettingsgraad en dichtheid H M De gemiddelde bezettingsgraad Occ delen door de gemiddelde voertuiglengte L v levert het gemiddelde aantal voertuigen op dat gedurende een periode k aanwezig was op de detector. Vervolgens delen door de detectorbreedte Ld levert dan dus het gemiddelde aantal voertuigen per eenheid ruimte op (in m), met andere woorden dichtheid ρ! Ook hier is de veronderstelling weer dat de verkeerscondities homogeen en stationair zijn. *** Alternatieve manier om aan de juiste gemiddelde snelheid te komen Een van de grondslagen onder de verkeerskunde is dat onder homogene en stationaire condities geld op een stuk weg j gedurende een periode k dat dichtheid=intensiteit/gem.snelheid (dit is de zogenaamde continuïteits vergelijking). Passen we die toe dan wordt duidelijk dat de snelheid ook uit intensiteiten en bezettingsgraad te berekenen is en wel als volgt: u M Nk = q T NkLL d v ρ = Occ = Occ T LL d v (3-2) Het praktische nut ervan is dat men met deze vergelijking ook uit enkelvoudige lussen snelheden kunnen worden berekend (MONiCA heeft dubbele lussen, in de VS worden echter veelal enkele lussen toegepast). Let wel dat de formule een parameter bevat (namelijk gemiddelde voertuiglengte) die geschat moet worden uit data en dat ook hier de veronderstelling is dat de verkeerscondities homogeen en stationair zijn. Tot slot van deze paragraaf een paar kritische opmerkingen over die veronderstelling van homogeniteit en stationariteit

12 Regionale verkeersmonitoring 1. Het is mogelijk om uit lokale meting op lokatie x op een segment j informatie te halen over de verkeerskenmerken over het gehele segment mits je veronderstelt dat gedurende een tijdsperiode k over segment j de verkeerscondities homogeen en stationair zijn, Figure 2-3 geeft dit schematisch weer. 2. In de echte wereld is die veronderstelling (homogene en stationaire verkeerscondities) vaak onjuist. Typische oorzaken daarvan zijn: o o o o o acceleratie and decelleratie van voertuigen door voertuig interacties, zeker als het verkeer gemengd is (hoge truckpercentages of in de stad veel langzaam verkeer) congestie (files), stop-and-go verkeer rijgedrag beïnvloed door geometrie: weefvakken, in- en uitvoegingen, hellingen (bruggen en tunnels) verkeerslichten en andere verkeersregelingen etc. Detector d Detector d+1 Roadsection j of length L j Roadsection j+1 of length L j+1 Figure 2-3: Men kan lokale metingen alleen generaliseren over een groter gebied als verondersteld wordt dat verkeerscondities constant zijn over de ruimte (segment j) en tijd (periode k), men noemt dat homogeen en stationair respectievelijk. In de volgende paragraaf kijken we in meer detail naar een aantal soorten detectoren, te weten lussen, AVI (automated vehicle identification systems) en FCD (floating car data). Een overzicht van de meest voorkomende lokale sensoren is te vinden in Bijlage A (in het Engels) 2.4 Lokale sensoren: enkele en dubbele inductielussen Inductielussen zijn nog met afstand de meest gebruikte verkeersdetectie middelen sinds de 50er jaren. Figure 2-5 laat schematisch een dubbele inductie lus zien, welke zoals al eerder gezegd de basis vormen van het MONiCA systeem op de Nederlands snelwegen. Inductielussen zijn relatief goedkoop te maken en te installeren (ordegrootte 10-20kE), zei het dat een wegbeheerder het verkeer tijdelijk moet stilzetten om dit te doen, aangezien de lussen en communicatie hardware in het asfalt moeten worden gefreesd. Vooral hierdoor zijn

13 2 - Functies en componenten van een Monitoring systeem inductielussen uiteindelijk een duur detectiemiddel om te onderhouden. Daarbij komt dat de lussen, door direct contact met de voertuigen ook kwetsbaar zijn vooral bij hoge percentages vrachtverkeer. In MONiCA, is bijvoorbeeld gemiddeld 12% van alle ruwe minuutgegevens (tijdgemiddelde snelheden en intensiteiten) ofwel onbetrouwbaar of mist volledig. Dat wil zeggen dat 1 op de 8 metingen van een willekeurige lus op een willekeurig tijdstip ofwel ontbreekt of onbetrouwbaar is. Bovendien zijn er regelmatige uitschieters (vaak door onderhoudsachterstanden of anderszins) van 25% of meer. Figure 2-4 laat de resultaten van een klein evaluatie onderzoekje zien met een inductielus langs de A13 tussen Den Haag en Rotterdam. De gemiddelde relatieve fout 1 die deze lus maakte bedroeg 5.6% met een standaard afwijking van 10.4%. Dat betekent dat grosso modo in 95% van alle gevallen 2 van elke honderd passerende voertuigen er tot 14 voertuigen kunnen worden gemist tot (in het andere uiterste) tot 26 worden dubbel geteld frequency relative error Figure 2-4: Histogram van relatieve fouten gemaakt door een dubbele inductielus op de A13. Figure 2-5, geeft schematisch een dubbele inductielus weer, die simpelweg uit twee enkele inductielussen bestaat. Met een enkele lus kan men drie zaken meten, namelijk passage tijden, bezettingsgraad (Occ) en aantal voertuig passages (N K ). Van die gegevens zijn dan vervolgens weer intensiteit, dichtheid en zelfs harmonische gemiddelde snelheid af te leiden, zie Table 2-2. Met een dubbele lus, kunnen nog een aantal extra zaken worden gemeten waaronder individuele snelheden, rekenkundig gemiddelde snelheid en harmonische gemiddelde snelheid, en individuele en gemiddelde voertuiglengte. 1 relatieve fout = aantal observaties - aantal werkelijke passages 100% aantal werkelijke passages 2 verondersteld dat de relatieve fouten normaal verdeeld zijn

14 Regionale verkeersmonitoring t 1 t 2 t 3 t 4 time 1,80 m 1,50 m x L 2,50 m d L legend t 1 - activation moment first loop t 2 - deactivation moment first loop t 3 - activation moment second loop t 4 - deactivation moment second loop d L - distance between loops x L - width of a single loops Roadside Processing Station Figure 2-5: schematische weergave van een dubbele inductielus De harmonisch gemiddelde snelheid berekenen met een dubbele lus is zeer eenvoudig. De reistijd van een voertuig over de lus is immers het omgekeerde van zijn gemiddelde snelheid over de lus maal de lengte van de lus (eqn (3-1)). Dat betekent dat we kunnen schrijven: L v d i = t t (3-3) 3, i 1, i Combineren van (3-1) en (3-3) geeft dan u u = M H Nk 1 N k i = 1 L d ( t3, i t1, i) (3-4) Wonderlijk genoeg berekenen MONiCA lussen de rekenkundig (en dus verkeerde) gemiddelde snelheid (u L zie Table 2-2 voor de formule) ipv het harmonische gemiddelde (u H ). Niet alleen levert dat een structurele overschatting van gemiddelde snelheden op, het levert ook een veel ingewikkelder rekensom op. Om u L uit te rekenen moeten N K +1 delingen per tijdsperiode worden uitgevoerd, terwijl er voor u H met eqn (3-4) slechts twee nodig zijn! 2.5 Niet-lokale en floating sensoren Hier gaan we kort in op detectiesystemen die verkeerskenmerken over een segment kunnen meten zoals reistijden, traject snelheden and zelfs complete voertuig trajectorieën. We behandelen hier twee soorten systemen:

15 2 - Functies en componenten van een Monitoring systeem infrastructuurgebonden systemen (AVI - Automated Vehicle Identification systems) en niet infrastructuurgebonden systemen (floating car technologies) AVI - Automated Vehicle Identification systems Het idee van een AVI is eenvoudig: identificeer een voertuig i op locatie A en registreer dat passage moment t A, doe hetzelfde op locatie B en men kan de reistijd en gemiddelde snelheid van dat voertuig op traject AB afleiden. De sleutel van AVI systemen is in het identificeren van voertuigen op een lokatie waarvoor grofweg twee methoden bestaan: 1. door middel van transponders of tags (zoals bij een geautomatiseerd tolsysteem) in het voertuig gecombineerd met transponder of tag-lezers langs de kant van de weg. De premisse is dan dat een voldoende percentage van de passerende voertuigen een dergelijke transponder heeft. 2. door middel van camera systemen en intelligente beeldherkenningssoftware waarmee kenteken platen van voertuigen kunnen worden herkend uit beeldmateriaal. Figure 2-6: Camera gebaseerde AVI systemen in het Regiolab-delft gebied Figure 2-7 geeft schematisch weer in een x-t (ruimte-tijd) diagram hoe een AVI systeem werkt

16 Regionale verkeersmonitoring space Mean journey speed u i (t A..t B ) Cam AVI (B) TT i (t A ) - Travel time AB Cam Location (C) AVI (A) Vehicle i LAB - Length of road section Travel time on AB of vehicle i: TT i (t A )=t B -t A Mean journey speed on AB of vehicle i: u i (t A..t B )=L AB /(t B -t A ) t A passage time A t B passage time B time Figure 2-7: AVI systeem voor reistijd- en traject snelheid metingen. Met individuele reistijden en traject snelheden kunnen natuurlijk ook gemiddelde traject snelheden (space mean speed!) en reistijden worden berekend, mits een AVI systeem ALLE voertuigen registreert. In dat geval leveren enkele AVI systemen ook nog eens intensiteiten op. Gegeven dat AVI systemen dicht op elkaar zijn geïnstalleerd (traject AB is kort, zeg in de ordegrootte van enkele honderden meters) bieden AVI systemen zeer gedetailleerde gegevens. Niettemin, zoals blijkt uit Figure 2-7, er zijn een aantal zaken waar een wegbeheerder rekening mee dient te houden indien hij voor AVI systemen kiest voor monitoring: o Reistijden TT i van voertuigen op AB vertrekkend op tijdstip t A zijn pas beschikbaar op tijdstip t B, dat wil zeggen, nadat TT i (+ bewerkings- en communicatietijd) tijd is gepasseerd of simpel gezegd, nadat een voertuig AB heeft afgelegd. Als AB kort is hoeft dit geen ernstig probleem te zijn. Maar als AB lang is (enkele kilometers) en het voertuig serieuze vertraging heeft opgelopen, dan is de reistijdinformatie hoogstwaarschijnlijk achterhaald en zeker niet representatief voor de reistijd die voertuigen gaan ondervinden als ze op t B starten aan traject AB! o AVI systemen meten reistijden en traject tijden maar geven geen informatie over de verkeerscondities tussen A en B. Figure 2-7 dat een voertuig veel verschillende trajectorieën kan afleggen die dezelfde reistijd opleveren. AVI systemen geven daar geen inzicht in, bijvoorbeeld waar op het traject AB de vertraging werd opgelopen. Een file van 1 km in de buurt van A kan best dezelfde reistijd opleveren als een file van 3 km in de buurt van B of ergens tussenin

17 2 - Functies en componenten van een Monitoring systeem o Tenslotte, de uiteindelijke reistijd of gemiddelde trajectsnelheid geeft een gemiddelde over de periode dat een voertuig onderweg was (en dat was TT i ) en niet over een gepredefinieerde tijdsperiode k (van één of meerdere minuten bijvoorbeeld). De meest voor de hand liggende aanpak is de gerealiseerde reistijd toe te wijzen aan de vertrekperiode k (waarin het vertrektijdstip t A viel) Floating Car (GSM/GPS) and remote sensing Gegevens van voertuigen voorzien van GPS en communicatie hardware/software leveren uiteindelijk de meest gedetailleerde informatie op, zeker als er een continue gegevenswisseling tussen server en voertuig plaatsvindt. Dat idee is bepaald niet nieuw: al lang voor de ICT revolutie in de jaren 90 werden pilots uitgevoerd met elkaar of naar een centrale server communicerende voertuigen. In potentie levert FCD de zelfde gegevens (reistijden en gemiddelde traject snelheden) als AVI systemen met daarbij ook gegevens over de verkeerscondities onderweg Figure 2-8. space TT i (t A ) - Travel time AB Mean journey speed u i (t A..t B ) End (B) Location (x) LAB - Length of road section Vehicle i Local speed v i (x,t) Travel time on AB of vehicle i: TT i (t A )=t B -t A Mean journey speed on AB of vehicle i: u i (t A..t B )=L AB /(t B -t A ) Local speed v i (x,t) = (x+ x -x) / (t+ t - t) Start (A) time t A t t B Figure 2-8: Floating car data van voertuigen uitgerust met ofwel (GPS/GSM) in-car systemen of van reguliere mobieltjes Gedetailleerde informatie over de technologie achter floating car data en specifiek over het gebruik van GSM / mobiele telefoons wordt elders in de PAO cursus DVM verzorgd. Hier volstaan we met een drietal vaak onderbelichte aspecten van FCD: 1. Tenzij ALLE voertuigen kunnen worden gevolgd levert FCD geen voertuig intensiteiten of dichtheden. Dit betekent dat ze niet direct bruikbaar zijn voor

18 Regionale verkeersmonitoring veel toepassingen binnen DVM (met name lokale regeltoepassingen zoals toeritdosering, rerouting, toestandschatten, etc) 2. De kwaliteit van de gegevens neemt vaak sterk af in stedelijke omgevingen, terwijl juist daar de grootste witte vlekken bestaan in het traditionele net van detectiemiddelen (lussen, camera's). Dit komt enerzijds omdat het verkeersnetwerk in stedelijke gebieden veel fijnmaziger is en het matchen van FCD signalen naar een bepaald wegsegment dus veel lastiger is. De lagere gemiddelde snelheden van voertuigen en deflecties door gebouwen zorgt er ook voor dat map-matchen op basis van GPS signalen lastiger is dan in een rurale omgeving. 3. Om FCD systemen zowel technisch als economisch rendabel te maken is er kritieke massa nodig (dwz een minimaal aantal uitgeruste voertuigen): a. Er is een minimum aantal voertuigen nodig om een betrouwbare schatting van de gemiddelde reistijd of traject snelheid te kunnen bepalen. b. In het geval er sprake is van een tweeweg service (voertuigen/gsm bezitters leveren data in ruil voor een service) is er ook een economische kritieke massa nodig. Immers, reizigers (of telco s) zullen alleen investeren in een systeem als dat (binnen redelijke termijn) van goede kwaliteit (en rendabel) is. Simpel gezegd: om uit FCD goede informatie te halen is er een minimale hoeveelheid uitgeruste voertuigen nodig, maar om die zo gek te krijgen moet de service van wel goede kwaliteit zijn. Een kip-en-ei probleem dat mogelijk ten grondslag ligt aan het feit dat er wereldwijd nog nauwelijks commerciële FCD services zijn met uitzondering van Japan waar de penetratiegraad van in-car equipment veel hoger is dan in Europa of de VS. 2.6 Samenvatting en discussie Elke sensor techniek heeft, zoals hierboven kort aangestipt, voor- en nadelen. Het is dan ook apriori niet te zeggen welke de voorkeur geniet boven anderen, dat is sterk applicatie afhankelijk. Een lokaal regelprobleem (verkeerslichteninstallatie of toeritdosering) kan prima worden opgelost met lokale sensoren (lussen of camera s), terwijl verkeersinformatie services een dekkend sensor netwerk nodig hebben over een geheel netwerk (van deur-tot-deur) en wellicht beter af zijn met een AVI systeem en/of FCD systeem. In het laatste hoofdstuk gaan we in op het combineren van sensor gegevens uit verschillende bronnen. Zonder al te veel in te gaan op de wiskunde achter data fusie zal daaruit blijken dat het combineren van sensoren niet alleen technisch maar economisch de meest voor de handliggende oplossing is om netwerkbreed te monitoren

19 3 - Van ruwe gegevens naar netwerkbrede verkeersinformatie 3 Van ruwe gegevens naar netwerkbrede verkeersinformatie 3.1 Het ideale monitoring systeem Wat voor soort monitoring systeem zou een verkeersinformatie service die van deur-tot-deur reistijden levert idealiter nodig hebben? Idealiter zou een dergelijk systeem de herkomst en bestemming, reisdoel, huidige positie en snelheid van elk voertuig op elke link in een netwerk (snelweg, provinciale weg of anderszins) moeten meten en bovendien instaat zijn om een korte termijn voorspelling (in elk geval zo lang als de langste reistijd mogelijk in het netwerk) te doen voor het gehele netwerk. Wat impliceert dit verlanglijstje: 1) Herkomsten en bestemmingen (een zgn HB matrix) zijn uitsluitend in real time te meten als reizigers aan het begin van hun rit (H) hun bestemming (B) kenbaar maken (door middel van bijv een route navigatie systeem). Zo niet dan kunnen HB relaties achteraf gemeten worden dmv individuele waarnemingen (FCD of camera s), waarbij het meetnet waterdicht is (alle H- B paren bemeten). Als dat niet lukt, kunnen ze geschat worden uit tellingen op het netwerk, zij het dat de resulterende HB matrix niet meer uniek bepaald is. 2) Positie en snelheid van (individuele) voertuigen is alleen met FCD te meten zie vorige sectie. Alternatief is gemiddelde snelheden en dichtheden op segment te meten: met een dichtbemaasd AVI of inductielussen systeem is dit te realiseren, waarbij dichtheid kan worden afgeleid uit intensiteiten en snelheden. 3) Voor netwerkbrede voorspellingen (functie 3 uit hoofdstuk 2 - Functies en componenten van een Monitoring systeem) is a) een verkeersmodel nodig dat de meest recente toestand in een netwerk (waarbij toestand bijvoorbeeld gedefinieerd is als de dichtheid & gemiddelde snelheid op elk segment in het netwerk) vanuit metingen zo goed mogelijk reconstrueert. Om te voorspellen wat er vanuit die huidige toestand verder gebeurd is er naast dat verkeersafwikkelingsmodel echter het volgende nodig: b) ofwel een HB matrix voor de korte termijn + schatting van het routekeuze gedrag van individuele reizigers of HB stromen (mogelijk onder invloed van de DVM maatregelen die men gaat nemen) c) ofwel een voorspelling van verkeersvraag op de randen van het netwerk en een schatting van de turnfracties (hoeveel procent van de totale stroom gaat linksom, rechtsom of rechtdoor) op alle kruisingen/verbindingen in het netwerk Op geen plek in de wereld een dergelijk compleet monitoring systeem operationeel. Sterker nog, er is nog geen real time of online voorspellingsmodel (punten 3a, b en c) dat zich werkelijk bewezen heeft (dwz, dat gevalideerd is en dat consistente, betrouwbare van deur-tot-deur verkeersinformatie kan

20 Regionale verkeersmonitoring genereren). Niettemin zijn er een aantal plekken in de wereld waar state-of-theart onderzoek gedaan wordt naar online modellen: TU Delft, dit betreft het model MiOS (microscopic online simulation, zie bijv. of MIT (Massachusets Institute of Technology), waar men werkt aan DynaMIT (zie University of Maryland, hier gaat het om DynaSMART-X (zie De belangrijkste onderzoeksvragen die nog openstaan zijn: 1) Hoe kun je een verkeersmodel gebruiken om ruwe gegevens uit verschillende bronnen te integreren (data fusie) en vertalen in een netwerkbrede schatting van de verkeerscondities (toestand schatting)? 2) Hoe kun je een online een betrouwbare HB matrix schatten? 3) Hoe kun je een betrouwbare en consistente voorspelling maken van de verkeerscondities netwerkbreed? De laatste sectie gaat in op de eerste vraag 3.2 Toestand schatten en data fusie Toestand schatten betreft het reconstrueren van de toestand (in termen van bijv dichtheid en gemiddelde snelheid) de verkeerscondities in een verkeersnetwerk op basis van alle beschikbare informatie uit sensoren. Laten we de toestand (En: traffic state) in periode k aanduiden met X k de laatste beschikbare metingen met M k en de laatst bekende (geschatte) toestand met X k-1. Figure 3-1 geeft dan schematisch weer hoe toestand schatting in zijn werk gaat. In Figure 3-1 (links) zijn een aantal lokale (de punten) en niet-lokale (de dikke lijnen) sensoren weergegeven (het monitoring systeem) in een netwerk. Die gegevens worden door een verkeersmodel (Figure 3-1 midden) geïntegreerd / gefuseerd (de pijl onderin met daarin data fusie). Gecombineerd met de laatste schatting van de toestand (Figure 3-1 rechtsboven) kan dan een schatting worden gemaakt voor de verkeerscondities op het eerst volgende tijdstip (Figure 3-1 rechtsbeneden) Gegevens van verschillende sensoren (camera s, inductie lussen, in-car GPS/GSM devices) verschillen op vele manieren: technisch formaat, communicatieprotocollen maar zoals al eerder aangestipt ook in betekenis, geldigheid, betrouwbaarheid, nauwkeurigheid en beschikbaarheid en dat alles vaak als functie van plek en tijdstip

21 3 - Van ruwe gegevens naar netwerkbrede verkeersinformatie Verkeer toestand X k-2 Monitoring systeem (M) met traject en punt detectoren Verkeersnetwerk met monitoring M k Tijd periode k Kennis van verkeersdynamica Verkeerstroom modellen heuristiek regressie / interpolatie Kunstmatige intelligentie (c) Toestand schatten (a) Start condities... Verkeer toestand X k-1... Verkeer toestand X k Tijd periode k (b) Data fusie Toepassing 1 Toepassing 2 Toepassing N Figure 3-1: Schematische weergave van toestand schatten (traffic state estimation) in een verkeersnetwerk. In vele vakgebieden (bijv. robotics, medical diagnosis, image processing, air traffic control, remote sensing en ocean surveillance) is multisensor data fusie de de facto manier om uit de brei van gegevens de onderliggende processen bloot te leggen. In het algemeen leidt dat fusie tot o toename in het vertrouwen in een systeem: meer sensoren kunnen de geschatte toestand bevestigen o toename nauwkeurigheid: inconsistente informatie kan worden gecorrigeerd en vertaald in consistente informatie met een lagere fout o o o o verminderde ambiguïteit: de combinatie van informatie uit meerdere sensoren verminderd het aantal mogelijke hypothesen over de onderliggende processen (bijv. was staat het vast bij lokatie A, B of C of is er een blokkade bij lokatie D?) toename robuustheid: het systeem faalt niet als een paar sensoren het tijdelijk niet meer doen toename dekkingsgraad: sommige sensoren werken waar andere dat niet kunnen, bijv: bij een intersecties hebben dubbele inductie lussen (of andere sensoren die snelheid meten) weinig meerwaarde, daar voldoen camera s of enkele lussen. minder kosten, omdat een set van gemiddelde sensoren kunnen gezamenlijk dezelfde kwaliteit leveren tegen minder kosten als een kleinere set van zeer geavanceerde meer erg dure sensoren

22 Regionale verkeersmonitoring netwerkbreed kan men waarschijnlijk met minder sensoren af als deze op intelligente wijze worden gecombineerd. 3.3 Een voorbeeld: data fusie en toestand schatten Het probleem Stel een tweestrooks snelweg AB (3 km lengte) met halverwege een invoegstrook zoals schematisch weergegeven in Figure 3-2. De verkeersmanager heeft als opdracht AB uit te rusten met een monitoring systeem en vraagt zich af op welke plekken hij op de weg inductie lussen (die elke minuut de gemiddelde snelheid en intensiteit meten) moet plaatsen (op de lokaties 1,2,,7 in de figuur) of dat hij in moet gaan op een offerte van een bedrijf dat FCD systemen verkoopt, waarbij elk voertuig is uitgerust met een in-car apparaat dat iedere 15 seconden zijn positie en snelheid naar een centraal systeem communiceert die het vervolgens weer beschikbaar maakt voor de wegbeheerder. De verkoper verzekert de verkeersmanager dat hij dat hij mits de prijs goed is een dekkingsgraad van X% uitgeruste voertuigen op AB kan garanderen. Figure 3-2: Tweestrooks snelweg waarvoor een monitoring plan moet worden gemaakt. De gele vakjes indiceren mogelijke lokaties voor inductielussen de opdracht Laten we eerst eens kijken wat er zich op AB afspeelt en wat voor verkeerscondities er gereconstrueerd moeten kunnen worden. Als de verkeersvraag toeneemt op de weg zowel als bij de invoeging zal op een gegeven moment file gaan ontstaan bij de invoegstrook (want de vraag > capaciteit na de invoeging). Figure 3-3 (een x-t diagram met daarin een zgn contourplot van snelheden) geeft aan waar de congestie ontstaat en hoe deze zich ontwikkelt. In de figuur geven donkere kleuren lage snelheden weer en lichtere vrije afwikkeling. De vraag is dus: wat voor soort monitoring systeem kan deze condities (file open afbouw) zo goed mogelijk reconstrueren. De keuze opties zijn: 1) wel of geen tellus op de invoegstrook à 12 ke en 3kE/jaar/stuk onderhoud. 2) 0 tot 7 inductielussen à 20 ke per stuk aanschaf en 5kE/jaar/stuk onderhoud 3) X% uitgeruste voertuigen (1% is equivalent met ongeveer 60 voertuigen) à 60 ke/1% en ca 6 ke/1% abonnementskosten per jaar

23 3 - Van ruwe gegevens naar netwerkbrede verkeersinformatie Speeds [m/s] space (m) time (s) Figure 3-3: Contourplot snelheden op de tweestrooks snelweg op een doordeweekse dag: rond t=700 s ontstaat file bij de invoegstrook (op x=2300 m), die bijna volledig terugslaat en vanaf t=3300 s weer oplost. Beneden rekenen we nu een aantal scenarios uit waarbij we met een eenvoudig verkeersafwikkelingsmodel de beschikbare metingen uit sensoren integreren, zo nodig fuseren en extrapoleren over het gehele stuk AB. De gebruikte techniek daarbij is het extended Kalman filter (in de referenties staan wat pointers naar gedetailleerdere informatie) Resultaten van verschillende monitoring systemen Optie 1: drie strategisch geplaatste lussen + tellen op de invoegstrook Stel de wegbeheerder kiest voor uitsluitend inductie lussen en wel op locaties 1, 4 en 7. Bovendien plaatst hij een enkele lus op de invoegstrook om te weten wat de verkeersvraag daar is. Figure 3-4 geeft het resultaat grafisch weer, dwz een beeld van hoe goed we uit deze gegevens de kunnen verkeerscondities reconstrueren. Te zien is dat op basis van deze gegevens het wel mogelijk is de start en initiële ontwikkeling van de file te volgen maar dat vanaf tijdstip 2000 (s) de schatting van de verkeerstoestand slechter wordt

24 Regionale verkeersmonitoring Speeds [m/s] space (m) time (s) Figure 3-4: Contourplot snelheden gereconstrueerd met monitoring optie 1. Optie 2: inductielussen om de 500 meter ( 7 stuks) + tellen op de invoegstrook In dit geval besluit de wegbeheerder op elke beschikbare lokatie (1 t/m 7) een inductielus te plaatsen plus een enkele lus op de invoegstrook. Figure 3-5 laat zien dat in dit geval de reconstructie een stuk nauwkeuriger is; zowel op- als afbouw van de file wordt redelijk gereconstrueerd, zij het dat het model ten onrechte ook stroom afwaarts lichte congestie voorspelt Optie 3: inkopen van gegevens van 5% uitgeruste voertuigen + tellen op de invoegstrook Stel de wegbeheerder kiest ervoor zijn gegevens in te kopen en wordt overtuigd dat 5% uitgeruste voertuigen prima voldoet. Om in elk geval een schatting van de intensiteit op het stuk weg te hebben besluit hij tevens één lusdetector in te zetten op lokatie 7 (aan het begin van de snelweg) en ook de tellus op de invoegstrook te handhaven. De onderstaande figuur geeft het resultaat van het reconstrueren van de verkeerscondities met deze data weer, waarbij we er van uit gaan dat in ieder voertuig dat de weg binnenrijdt een 5% random kans heeft dat ze uitgerust is met FCD. Figure 3-6 laat zien dat deze combinatie een prima reconstructie maakt van de werkelijke verkeerscondities, zowel qua file op- als afbouw. Ook in dit geval is er sprake van ten onrechte sprake lichte congestie stroomafwaarts van de bottleneck

25 3 - Van ruwe gegevens naar netwerkbrede verkeersinformatie Speeds [m/s] space (m) time (s) Figure 3-5: Contourplot snelheden gereconstrueerd met monitoring optie 2. Speeds [m/s] space (m) time (s) Figure 3-6: Contourplot snelheden gereconstrueerd met monitoring optie

26 Regionale verkeersmonitoring Optie 4: inkopen van gegevens van 3% uitgeruste voertuigen + 3 strategisch geplaatste lussen en tellen op de invoegstrook Stel de wegbeheerder kiest voor een combinatie van beide aanpakken: 5% uitgeruste voertuigen (optie 2) en de 3 inductielussen uit optie 1. Speeds [m/s] space (m) time (s) Figure 3-7: Contourplot snelheden gereconstrueerd met monitoring optie 4. Figure 3-7 laat nu zien dat uit deze gegevens de verkeerscondities beter zijn te reconstrueren dan de voorgaande opties, op een klein dipje rond t=2200 s na. Rond 3000 s zien we dat ten onrechte lichte congestie stroomafwaarts wordt berekend. Optie 5: inkopen van gegevens van 5% uitgeruste voertuigen + inductielussen om de 500 meter en tellen op de invoegstrook Stel tenslotte dat de wegbeheerder kiest voor de combinatie van optie 2 (lussen om de 500 meter), een tellus op de invoegstrook en ook gegevens van 5% uitgeruste voertuigen. Het resultaat op basis van deze data is te zien in Figure 3-8. In dit geval wordt zowel opbouw als afbouw van de file nagenoeg correct gereconstrueerd, hoewel ook in dit geval onterecht stroom afwaarts lichte congestie wordt voorspeld

27 3 - Van ruwe gegevens naar netwerkbrede verkeersinformatie Speeds [m/s] space (m) time (s) Figure 3-8: Contourplot snelheden gereconstrueerd met monitoring optie Evaluatie van de resultaten: kosten versus baten In deze laatste sectie zetten we de vijf opties naast elkaar, waarbij we kijken naar de kosten en baten. We veronderstellen dat hoe nauwkeuriger het systeem de werkelijkheid kan reconstrueren, hoe groter de baten. Als surrogaatmaat voor baten nemen we het percentage verklaarde variantie (R 2 ). Hoe groter R 2, hoe nauwkeuriger het systeem. Alle opties maken gebruik van tellussen op de invoegstrook en een lus stroomopwaarts. Dit is niet toevallig, want zonder die sensoren kan de verkeersvraag niet worden gemeten, die noodzakelijk is om de congestie mbv een model te reconstrueren. Overigens zou de verkeersvraag bij de invoegstrook ook geschat kunnen worden uit lus gegevens boven- en benedenstrooms van de invoeging. Volledig negeren van de invoegstrook levert met elke combinatie van sensoren zeer slechte resultaten op. In de tabel beneden zien we dat optie 3 de meeste baten geeft (R 2 =76%). In deze optie wordt in feite het meten van de verkeersvraag met een tellus op de invoegstrook en een inductielus stroomopwaarts gecombineerd met FCD gegevens. Dit blijkt een prima combinatie te zijn. Het is interessant om te zien dat het toevoegen van meer inductielussen (optie 5) behalve kosten niets extras oplevert in termen van kwaliteit. Voor de verkeersmanager is de kernvraag of de meerkosten van optie 3 opwegen tegen de meeropbrengsten t.o.v. opties 2 en 4. Alle drie presteren in de zelfde range, met verschillende combinaties lussen en FCD

28 Regionale verkeersmonitoring systeem (#lussen, %fcd) aanschaf (ke) onderhoud/jr (ke) R 2 (%) optie 1 (3, 0%) optie 2 (7, 0%) optie 3 (1, 5%) optie 4 (3, 3%) optie 4 (7, 5%) Deze exercitie is niet bedoeld om kwalitatieve uitspraken te doen over een bepaald monitoring systeem de kostenschattingen zijn fictief en kloppen slechts in ordegrootte. De exercitie is bedoeld om te laten zien dat Welk monitoring systeem het meest geschikt is, sterk afhangt van de informatievraag. In dit geval wilden we op- en afbouw van de file zo nauwkeurig mogelijk reconstrueren. Andere uitgangspunten hadden andere voorkeuren opgeleverd: bijvoorbeeld het zo nauwkeurig mogelijk reconstrueren van reistijden, het zo snel en accuraat mogelijk detecteren van incidenten, of het zo goed mogelijk aansturen van een toeritdoseerinstallatie. Er zijn (meerdere combinaties van) monitoring systemen mogelijk die goed (voldoende nauwkeurig) aan een bepaalde informatievraag kunnen voldoen. Uiteraard zijn er meer criteria die de uiteindelijke keuze bepalen zoals betrouwbaarheid robuustheid, relatie leveranciers (volledig outsourcen of zelf een gedeelte van de monitoring in de hand houden), combinaties van informatievragen (verkeersinformatie, lokale regelapplicaties, etc). Tot slot: dit voorbeeld geeft wel een pleidooi voor data fusie: (a) zonder tellen stroomopwaarts en op de invoegstrook, zijn de resultaten van alle opties (FCD en lussen op de hoofdrijbaan) vele malen slechter, en (b) optie 4 liet zien dat de combinatie van weinig lussen en een in andere omstandigheden onvoldoende percentage uitgeruste voertuigen gefuseerd tot prima resultaten leidt