Unsupervised machine learning voor Beïnvloeden Rijgedrag

Door de bevinding (dat er dagen zijn waarop er geen file ontstaat, terwijl de opbouw van de intensiteit van het verkeer in een spitsperiode eigenlijk hetzelfde is als op filedagen) zijn we gaan kijken of het vertoonde rijgedrag verbetert kan worden. Met als doel beter begrijpen welke rijgedragingen eigenlijk vertoond worden op het moment dat de file start.

In bovenstaande grafiek is de reistijd op een stuk weg uiteengezet tegen de intensiteit van het verkeer. Het bestreft de A20 noordelijke ruit Rotterdam, destijds één van de zwaarste filelocaties in Nederland.

Je ziet in lichtblauw (intensiteit) en oranje (reistijd) gemiddelde dagen. Die lijnen zijn ook wat vloeiender dan de dagen voor een specifieke dag: donkerblauw en rood. De intensiteiten zijn op deze dag ongeveer hetzelfde als op andere dagen, met dezelfde opbouw en aantallen als anders. Alleen de reistijd loopt niet op: er is geen file ontstaan.

Dat intrigeert ons. De verwachting is dat als de capaciteit van de weg ernstig belast wordt er maar een kleine verstoring nodig is om ‘het systeem te laten inklappen’. De ‘trigger van de file’ is dan waarschijnlijk een rijgedraging (rembeweging of rijstrookwisseling bijvoorbeeld). Op de paar dagen die we vonden waar de file niet ontstond zou je dan verwachten dat die rijgedreging er niet was en dat de reden is dat de file niet ontstond. Gevolg: vele duizenden mensen zijn die dag niet (daar) vertraagd. Het heeft ertoe geleid dat we:

  1. Een aantal projecten zijn gestart waarin de instellingen van verkeerssystemen worden getest.
  2. Een project gestart zijn om te kijken of we het rijgedrag van mensen niet positief kunnen beïnvloeden in een poging het aantal dagen dat de file niet ontstaat te vergroten. Hieronder meer informatie over dat project vanuit oogpunt van data-analyse.

Vier pilots die GPS-locatiedata inwinnen.
Op basis van een uitvraag zijn vier bedrijven bezig om het rijgedrag van groepen gebruikers te meten en hen feedback te geven met als doel het rijgedrag te verbeteren. De Verkeersonderneming krijgt toegang tot (geanonimiseerde bestanden) die ingewonnen data. De deelnemers zijn Flitsmeister, ULU, ANWB en SD Insights. Hoewel de toepassingen verschillen en ook de hoeveelheid ingewonnen gegevens verschillen winnen alle partijen in elk geval GPS-locatie per seconde in van de voertuigen op de belangrijkste wegen in de Rotterdamse regio. Het team wil met deze data in kaart brengen:

  • Of er typeringen zijn te vinden in soorten rijgedrag.
  • Of er bepaalde delen van het wegennet zijn waar ander rijgedrag wordt vertoond dan op andere plekken.
  • Welke soorten rijgedragingen in verband zijn te brengen met het ontstaan van files.

Hierbij worden technieken gebruikt die vernieuwend zijn in de wereld van verkeer en vervoer. Vanwege de grote hoeveelheden data en omdat het een bias (verstoring) voorkomt, worden principes van machine learning ingezet om rijgedrag in kaart te brengen.

Partners