De werking van Realtime Traffic Prediction

15 mei 2020

Hoe kun je congestie voorspelllen?

Tineke School, wiskundige bij DAT.Mobility

Blog door Tineke School, wiskundige bij DAT.Mobility 

Data wordt steeds meer gemeengoed. In de wereld van verkeersmanagement zijn belangrijke bronnen onder andere Floating Car Data en data uit lussen in (snel)wegen en natuurlijk bij kruispunten.  Floating car data geeft een beeld van de gereden snelheden op een weg; data uit lussen over de hoeveelheid voertuigen die daar precies rijden. Maar alleen door deze data te combineren krijg je een compleet plaatje van de actuele drukte en doorstroming. Want de intensiteiten worden immers niet overal bemeten. Door slim gebruik te maken van data en verkeerstheorie kan dit beeld compleet worden gemaakt en vervolgens worden uitgebreid naar het voorspellen van files. Dit prognosticeren van de verkeerssituatie in het komende uur heet Realtime Traffic Prediction.

          Hoe werken de verkeersregelkundigen in Deventer met predicties?

Bij DAT.Mobility werken we aan deze voorspeller die het congestielevel per weg voorspelt, onder de naam OmniTRANS next Realtime. Momenteel passen we onze expertise toe voor en in de gemeente Deventer, waar de predicties geautomatiseerd verschillende scenario’s aansturen. Wij doen dit door de inzet van een data-driven model dat actuele verkeersdata en verkeersstroomtheorie combineert. Hierdoor kunnen we ook de effecten van irreguliere situaties, zoals incidenten, inschatten. Deventer is de perfecte plek om ons model te testen omdat de stad een goede schaalgrootte heeft die een mooie wisselwerking biedt tussen stads- en snelwegen.

Modelgedreven

Om iets zinnigs te zeggen over een gebied, heb je eerst een definitie van dit gebied nodig. Een digitaal netwerk met daarin alle eigenschappen zoals wettelijke snelheid, kritische snelheid en kritische dichtheid is daarmee de eerste stap. Het verbinden van verschillende real time databronnen met dit netwerk is de volgende stap. Omdat er verschillende databronnen gebruikt worden, zoals hierboven genoemde snelheidsdata uit FCD en intensiteitsdata uit lussen op de weg maar ook parkeerdata uit parkeergarages, wordt deze data eerst gefuseerd. Bij eenzelfde soort informatie op een wegvak wordt een gemiddelde bepaald, zodat in dit gemiddelde alle databronnen representeert. Ook wordt een lopend gemiddelde van dezelfde data berekend, vaak gebaseerd op data van vijf minuten. Lussen geven namelijk een steeds wisselende intensiteit af, bijvoorbeeld bij kruispunten worden er geen auto’s geteld bij een rood stoplicht, maar dat betekent natuurlijk niet dat er niemand staat te wachten.

Aan de randen van het netwerk wordt de gefuseerde intensiteitsdata gebruikt om historische herkomst-bestemmingsmatrices naar deze data te schalen. Zo combineren we informatie over het heden met het verleden. Omdat we juist informatie willen geven over de toekomst worden de matrices volgens een trend uit historische data doorgezet om ook de vraag in de voorspellingshorizon te benaderen. De gebruikte intensiteiten in het plangebied zijn dus een combinatie van huidige metingen met historische patronen om continu tot een uur vooruit te kunnen kijken.

Naast de verkeersvraag bekijken we ook het aanbod; hoeveel verkeer kan het netwerk aan? Behalve dat dit wisselt per type weg, wisselt het aanbod ook door het (her)openen van extra rijstroken, weersinvloeden en wegwerkzaamheden. In de stad zelf zijn groentijden van kruispunten ook beïnvloeders van het aanbod op de weg. In het model worden groentijden zoveel mogelijk benaderd door de mate van congestie voor de VRI te benaderen. Hiervoor is real time informatie uit de V-log data én FCD van groot belang. Toch zal er niet van elk wegvak data zijn. Door middel van een verkeerstoedelingsmodel worden vraag en aanbod eerst vertaald naar een compleet beeld van de huidige situatie, elke minuut weer. Zo maken we optimaal gebruik van de gemeten data en vullen lacunes in de data modelmatig in: data completion noemen we dit.

Iedere minuut een actuele voorspelling

Met deze complete huidige situatie, ook wel Common Operational Picture (COP) genoemd, kunnen vervolgens voorspellingen naar de toekomst gemaakt worden. Hetzelfde verkeerstoedelingsmodel vertaalt de verkeersvraag op aankomst-bestemmingsniveau die voortvloeit uit de COP naar intensiteit, snelheid en dichtheden op wegvakniveau per tijdsperiode. We kiezen hier voornamelijk voor een voorspelling tot tien minuten vooruit, al zijn we inmiddels vergevorderd in het testen van een 30 en 60 minuten voorspellingshorizon. In een avondspits kan dit eruit zien zoals in Figuur 1. Deze resultaten kunnen op hun beurt weer vertaalt worden naar bijvoorbeeld reistijden of routekeuze. In Deventer is de toepassing momenteel gekoppeld aan het Netwerkmanagementsysteem van de gemeente binnen MobiMaestro. Het stuurt realtime en geautomatiseerd op basis van vooraf gedefinieerde randvoorwaarden de DRIPS binnen de gemeente aan om routekeuze te beïnvloeden voordat congestie ontstaat.  In een volgend blog besteden we hier meer aandacht aan.

Kijk hier voor meer informatie over Realtime Traffic Prediction