Nieuwe data, anders denken

Prof. dr. Serge Hoogendoorn Delft University of Technology, Arane, NM Magazine

Amsterdam Institute of Advanced Metropolitan Solutions

Kansen voor Floating Car Data in Verkeersmanagement

Hoofdboodschap• Toepassing Floating Car Data binnen state-of-

the-art verkeersmanagement • Focus op “wat nu nodig is” en “wat nu kan”

• Inzicht in “waarde onsje meer of betere data”

• Wachtrijschatter als voorbeeld…

Om het meeste uit nieuwe databronnen te halen, moeten we (soms) af van de ‘normal practise’ aanpak voor schatten en regelen

De Hype: NFD’s

Yokohama

San Francisco

Nairobi

0 50 100 150 200 250Density

0

1000

2000

3000

4000

5000

6000

7000

8000

Flow

MFD data v2Amsterdam?

• NFD: Netwerk Fundamenteel Diagram

• Beschrijft gemiddeld functioneren van het netwerk als functie van de belasting van het netwerk (bijv. uitgedrukt in gemiddelde dichtheid)

• Geeft belangrijk inzichten in functioneren netwerken en mogelijkheid netwerken te vergelijken…

• Tipping point: vanaf bepaalde belasting loop netwerk productie achteruit en stagneert zelfs volledig

• Wat veroorzaakt nu de vorm?

• Afwikkeling in netwerk laat zich goed beschrijven door het Netwerk Fundamenteel Diagram (NFD)

• Vorm NFD laat zich verklaren door diverse processen die zorgen voor afname effectieve capaciteit, waaronder: - Capaciteitsval (15 - 30% afhankelijk van soort file) - Terugslag file (zeer hoge reductie doorstroming!)

• Verkeersmanagment beoogt deze processen te voorkomen of effect ervan te verminderen

Waarom werkt VM?Capaciteitsval: maximale intensiteit is lager voor het moment dat congestie ontstaat

Terugslag file (naar afrit): doorstroming reduceert als file toerit locatie afrit bereikt

Simpele oplossing…• File beheersen (voorkomen, oplossen) door

beperken instroom en / of vergroten uitstroom • Voorbeeld toeritdoseren: voorkomen (oplossen)

file snelweg door beperken instroom toerit • Geïsoleerde toeritdosering is zeer effectief (gem.

10% verhoging van capaciteit, zolang actief!), maar oplossend vermogen is beperkt: - Beperkte ruimte om te bufferen

- Vaststellen (voorspellen) probleem HWN (kiem)

- Fouten bij meten wachtrij toerit (resterende ruimte)

1.Meet actuele dichtheid stroomafwaarts van de toerit en vergelijk deze met regeldoel (optimale of kritische dichtheid)

2.Doseer zodat actuele dichtheid naar regeldoel (optimale dichtheid) wordt gebracht

Vraag: waarom is het goed vaststellen van de wachtrij zo belangrijk?

3.Beperk (of stop) doseren als wachtrij toerit te lang wordt

Effect meetfout wachtrij• Kennis over impact fout is zeer beperkt

• TrafficQuest onderzoek naar relatie fout / effectiviteit

• Voorbeeld: impact fout op effectiviteit toeritdosering: - verbetering van relatieve fout van 25% naar 15%

- levert ongeveer 90 vtg-u op (jaarlijks 360 kEuro besparing maatschappelijke kosten)

• Belangrijk, maar nog geen generiek inzicht in “wat kwaliteit waard is”

• Zeer complex, want impact kwaliteit hangt af van toepassing (TDI, AID, verkeersregeling, inzet regelscenario), ontwerp regeling, situatie, etc.

• Figuur toont relatie tussen VVU en meetfout wachtrij toerit

• VVU betreffen VVU HWN, toerit en SWN • Vanaf bepaalde fout regelmatig terugslag

wachtrij naar SWN wat leidt tot hoge vertragingen

• TrafficQuest doet onderzoek relatie datakwaliteit en effectiviteit verkeersmanagement

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4relatieve fout

1900

1950

2000

2050

2100

2150

2200

VV

U (v

tg-u

)

Niet doseren

Wel doseren

Nieuwe methode

Oude methode

Trends in VerkeersmanagementGebruikmakend van actuele technologische innovaties (e.g. Connectivity & Big Data) en nieuwe organisatorische concepten komen tot transities: • Van geïsoleerde inzet naar in samenhang inzetten van maatregelen (GNV) • Van sturing via wegkant naar sturing & geleiding via mix van wegkant en in-car • Van klassieke detectie via wegkant naar optimale mix van inwinning via

wegkant en in-car

Praktijkproef Amsterdam (PPA) als voorbeeldproject voor opdoen ervaring met toepassing nieuwe concepten en technologie die uit deze trends volgen

Het GNV concept• Kiem wordt zo snel mogelijk opgespeurd • Kiem wordt meteen aangepakt door lokale

maatregel (in dit geval een TDI) • Lokale maatregel wordt ondersteund door

maatregelen elders in netwerk (TDI’s, VRI’s, dynamische snelheidslimieten)

• Adagium: verdeel wachtrijen over buffers netwerk evenwichtig, conform beleidsuitgangspunten

• Concept toepasbaar wegkant en in-car!

KiemGelijkmatige vulling buffers en toerit Master

• Master-Slave concept succesvol toegepast in de praktijk (o.a. HERO)

• GNV inmiddels concept toegepast en veralgemeniseerd in diverse projecten (PPA, AFM, PoC Utrecht, Melbourne)

Praktijkproef Amsterdam

• Aanpak PPA fase 1 (wegkant) 1e pilot GNV concept bleek effectief: doseerduur 3-5 x hoger, extra vertraging SWN

• Aantal belangrijke lessen… - Beperkte waarde voorspelling, belang tijdig vaststellen kiem en

kiemkenmerken (de ene file is de andere niet)

- Kennis effectiviteit buffers (fracties)

- Nauwkeurig bepalen wachtrijen toerit en stedelijk wegennet

• Lastig met alleen lussen: toevoegen FCD?

• Wetenschappelijke studies tonen kansen, maar aannames over kenmerken FCD data vaak niet realistisch• Ex-post analyse van beschikbare gegevens laten een

netto winst zien op HWN van 300 vvu/spits, ten koste van extra verlies op toeriten en stedelijk wegennet

• Met eenvoudige ingrepen (betere tuning, alleen gebruiken effectieve buffers) is 80% van de extra vertraging worden weggenomen (fase 2.1)

Voor vervolg: focus op schatten wachtrijen in verband met belang nauwkeurige en betrouwbare schattingen in tal van state-of-the-art toepassingen en projecten

Bepalen wachtrijen• Schatten wachtrijen met alleen lussen blijkt

buitengewoon lastig

• Nog geen generieke methode beschikbaar!

• Eisen aan lusconfiguratie en -kwaliteit hoog: beperkt uitrolbaarheid van regelconcept!

• Onderzoek in kader van PPA naar mogelijkheden om met FCD wachtrijschatters te verbeteren

• Samenwerking TomTom, FileRadar en Arane

Wachtrijen bepaald met behulp van radar maken duidelijk hoe complex het

schatten van wachtrijen is!

Gebruik FCD data

AI en Advanced Machine Learning: nr. 1 Strategic Technology Trend 2017 (Gartner)

• Uitgaan van ‘standaard’ TomTom producten (snelheid dyn. segmenten, fracties per 30 s)

• Diverse methoden ontwikkeld en getoetst: - Uitbreiding PPA wachtrijschatter met fracties TomTom - Fusie lus / TomTom data op grond van model

(theorie of model-gebaseerde methode) - Fusie met Machine Learning (data driven methode)

• Alle methoden: betere resultaten fusie FCD • Machine-learning aanpak zeer kansrijk!

Machine learning?• Model-gebaseerde aanpakken gaan uit van

veronderstelde verkeerskundige verbanden, e.g.: 1. Snelheid verkeer wordt bepaald door dichtheid

2. Aantal voertuigen wachtrij bepaald door balans instroom en uitstroom

• Door fouten in theorie (1) en fouten in metingen (2) blijken deze verbanden niet altijd goede basis

• Machine learning methoden zoeken statistische relaties in de data zonder te scherpe veronderstellingen over vorm relaties…

• Voor onze schatter keuze voor grey box model

Fout

Parameters

Grey-box model

Schatting wachtrij

Ground truth wachtrijen (training)

VRI en TDI lusdata

FCD reistijden

Nadeel: trainingsdata (ground truth) noodzakelijk!

Machine learning?• Model-gebaseerde aanpakken gaan uit van

veronderstelde verkeerskundige verbanden, e.g.: 1. Snelheid verkeer wordt bepaald door dichtheid

2. Aantal voertuigen wachtrij bepaald door balans instroom en uitstroom

• Door fouten in theorie (1) en fouten in metingen (2) blijken deze verbanden niet altijd goede basis

• Machine learning methoden zoeken statistische relaties in de data zonder te scherpe veronderstellingen over vorm relaties…

• Voor onze schatter keuze voor grey box model

• Machine learning methode leidt tot zeer redelijke schattingen voor kalibratie en validatie datasets

• Voorbeeld resultaat schatten wachtrijen s106 Oost voor ochtendspits en avondspits

• Fout relatief klein in vergelijking tot andere (theory-based) methoden

• Ook goede resultaten zonder FCD; redelijk met alleen FCD data

06:00 06:30 07:00 07:30 08:00 08:30 09:00 09:30 10:00tijd Jul 11, 2016

0

100

200

300

400

wac

htrij

(m)

waargenomengeschat

15:00 15:30 16:00 16:30 17:00 17:30 18:00 18:30 19:00

tijd Jul 11, 2016

0

100

200

300

400

wachtrij (m)

waargenomengeschat

06:00 06:30 07:00 07:30 08:00 08:30 09:00 09:30 10:00tijd Jul 19, 2016

0

100

200

300

400

wac

htrij

(m)

waargenomengeschat

15:00 15:30 16:00 16:30 17:00 17:30 18:00 18:30 19:00tijd Jul 19, 2016

0

100

200

300

400

wac

htrij

(m)

waargenomengeschat

Klinkt goed? Problem solved? Geen bezwaren uit de zaal?

Hold on Einstein! • Training vereist beschikbaarheid ground

truth, dus installatie van radarsysteem! • Bovendien worden op dit moment de FCD data

met enige vertraging geleverd • Oplossing? Gebruik FCD data als trainingsdata • Aanpak in principe toepasbaar willekeurige

locatie; aanvullende inwinning niet nodig! • Voorlopig resultaten van methode

veelbelovend: beperkt lagere nauwkeurigheid en betrouwbaarheid (pakweg 20%)

Fout

Parameters

Grey-box model

Schatting reistijd

VRI en TDI lusdata

FCD reistijden

Lessen aanpak?• Succesfactor: intensieve samenwerking

verkeerskundige en leverancier

• Iteratief proces: herhaald confronteren van:

- Wat is / lijkt nu nodig voor schatten wachtrijen? - Wat is nu beschikbaar? Wat kunnen we (met

beperkte effort) beschikbaar maken?

• Convergentie naar oplossing (die werkt!)

• Wensenlijstje voor de toekomst…

Verkeerskundige eisen data

Technische mogelijkheden

Aangepast gebruik data

Aangepaste kenmerken

data

Wat kan? Wat moet?• Eisen aan data worden vaak gesteld vanuit ‘klassieke

toepassingen’ (de facto: op basis eisen wegkant detectie)

• FCD voldoet vaak niet aan deze specifieke eisen (e.g. “geen betrouwbare intensiteit”) en zal dat voorlopig ook wel niet doen

• Kunnen we regelen met data met andere kenmerken, e.g.: - Toeritdoseren met snelheden ipv dichtheden / intensiteiten

- Bufferen met reistijdvertragingen in plaats van wachtrijen (?)

• Moet datakwaliteit wel “constant” zijn, of kan het “soms wat meer, soms wat minder” (e.g. FCD ‘on demand’)?

• Innovatie vereist “out of the box denken” aan zowel de datakant als aan de toepassingskant

“Ik wil toeritdoseren! Geef me intensiteiten!”

“Heb je niets aan reistijden?”

“We cannot solve a problem using the same kind thinking we used when we created it…”

Albert Einstein

Hoofdboodschap• Toepassing Floating Car Data binnen state-of-

the-art verkeersmanagement • Focus op “wat nu nodig is” en “wat nu kan”

• Inzicht in “waarde onsje meer of betere data”

• Wachtrijschatter als voorbeeld…

Om het meeste uit nieuwe databronnen te halen, moeten we (soms) af van de ‘normal practise’ aanpak voor schatten en regelen

Andere mogelijkheden• Onderzoek naar andere PPA monitoring functies

toont toepassingsmogelijkheden FCD

• Potentiële winst door fusie wegkant en FCD binnen GNV concept: - Beter onderscheid typen kiemen, dus effectiever regelen

- Inzicht effectiviteit buffers door informatie fracties

• Hoeveel beter functioneert het systeem? Hoe zit het met de uitrolbaarheid?

• Datafusie kan belangrijke bijdrage leveren aan GNV

• Hoe verder? Kunnen we straks zonder lussen?

Kansen FCD?• FOSIM studie A13 (synthetische dataset) • Aanname: beschikking trajectorien p% voertuigen • Combinatie FCD met lusdata (500, 1000, 2500 m) • Kwaliteit verbeterd aanzienlijk, ook bij lage

penetratie: bij 2% met 5x minder lussen nodig! • Aannames beschikbare data realistisch? In hoeverre

kunnen we nu al zinvol gebruikmaken van FCD

Voor nu: focus op wachtrijschatters in verband met belang nauwkeurige en betrouwbare schattingen in tal van toepassingen HWN / SWN (PPA, AFM, etc.) 0% 2% 4% 6% 8% 10%

Percentage FCD data

Fout

(in

snel

heid

)

12

10

8

6

4

500 m 1000 m 2500 m

Ruwe data (snelheden)

Resultaten na toepassing Adaptive Smoothing Method