TRANSUMO Advanced Traffic Monitoring

TRANSUMO Advanced Traffic Monitoring Op weg naar de filevoorspeller

Eindrapportage ATMO (incl. ATMOlab): oktober 2009

Auteur: Hans van Lint

THEMA

INTEGRAAL INFRASTRUCTUUR- EN VERKEERSMANAGEMENT

Samenvatting Het project ATMO (Advanced Traffic MOnitoring) is een onderdeel van het thema Verkeersmanagement (VM) binnen Transumo. VM kan worden ingezet voor zeer veel doelen, variërend van minimale reistijden, maximale betrouwbaarheid of veiligheid, tot ‘zo min mogelijk” emissies. Die doelen zijn soms complementair maar vaak tegenstrijdig. Denk bijvoorbeeld aan de vuistregel 'hou twee seconden volgtijd aan'. De zin van die regel in termen van veiligheid is evident. Maar als de Nederlandse automobilist dat consequent zou doen, dan daalt de capaciteit op een snelwegrijstrook met 15-20%. De consequentie voor het aantal files en dientengevolge emissies laat zich raden. De kernvraag is dus hoe je al die vaak tegenstrijdige doelen (veiligheid, snelheid, milieu en betrouwbaarheid) kunt verenigen in een samenhangend VM pakket en in het verlengde daarvan, hoe je voor zo’n duurzaam pakket aan maatregelen het verkeer zou moeten monitoren? Dat is nu precies de onderzoeksvraag waar het ATMO-consortium zich in de periode 2004 -2009 op heeft gestort. Zonder monitoring valt er niets te managen en kan er ook niets worden geëvalueerd. Monitoren vereist meer dan kastjes en doosjes: het vereist daarnaast intelligente systemen gefundeerd op een solide verkeerskundige basis. In ATMO zijn grofweg drie hoofdcategorieën zaken onderzocht: 1. Toestandschatten of Meten ≠ Weten Je kunt verkeersstromen op allerlei manieren meten met sensoren en detectiemiddelen (zowel aan de weg als in het voertuig). Het probleem is dat die metingen vaak onbetrouwbaar en onderling inconsistent zijn en incompleet over de ruimte en tijd. Binnen ATMO zijn geavanceerde toestandschatters ontwikkeld die dat soort gegevens kunnen samenvoegen (data fusie), corrigeren en aanvullen waar geen gegevens worden verzameld. Ook is uitgebreid gekeken naar de (statistische) eigenschappen en modellering van deze data. 2. Voorspellen Nu ingrijpen met VM op plek A in een verkeersysteem betekent straks op plek B (on)bedoelde effecten. Om te kunnen managen moet je dus kunnen voorspellen. In ATMO is veel energie gestoken in modellen voor het voorspellen van verkeerscondities en reistijden in een netwerk. Er zijn zowel data gedreven als verkeersmodel gebaseerde methodes ontwikkeld, waarbij duidelijk is geworden dat de eerste vooral voor autonome (snelweg) toepassing kunnen worden ingezet, terwijl modelgebaseerde aanpakken vooral voor netwerktoepassingen geschikt zijn. 3. Betrouwbaar? Veilig? Schoon? Duurzaam VM vereist het monitoren van duurzaamheid (schoon, veilig, betrouwbaar). In bijna alle gevallen kan dat alleen maar door duurzaamheids maten af te leiden van de zaken die wel (gedeeltelijk) meten. In ATMO zijn modellen en methoden ontwikkeld voor onder andere het begrijpen en voorspellen van reistijdbetrouwbaarheid, verkeersveiligheid op kruispunten en het realtime monitoren van emissies Behalve bovenstaand onderzoek dat tot vele (internationale) publicaties (50+) en 5 (!) dissertaties heeft geleid is in ATMO hard gewerkt aan het uitdragen van deze kennis naar de praktijk van wegbeheerders en industrie. Er is tweemaal een erg succesvolle PAO-cursus regionaal monitoren georganiseerd (>40 deelnemers), In ATMO werd de basis gelegd voor het handboek verkeersmonitoren (www.verkeersmonitoring.nl), ATMO heeft zich bemoeid met de aanloop voor het nationaal datawarehouse (NDW) en een portal (www.atmo.tudelft.nl) ontwikkeld waar alle deliverables en nog veel meer (links, achtergronden) op te vinden zijn. ATMO heeft in de afgelopen jaren verkeersmonitoren en het vakgebied verkeerskunde weer stevig op de kaart gezet. En dat was nodig ook.

2

Summary The ATMO (advanced traffic monitoring) project is part of the traffic management (TM) theme within Transumo. TM may be designed and implemented to serve a wide variety of (people, profit and planet) goals, e.g. minimal total travel time, maximum average journey speed, ‘minimal’ vehicle emissions, ‘maximum’ safety and comfort, etcetera. These goals are in some cases complimentary, but in many cases fundamentally conflicting. As an example, consider the rule of thumb “always maintain a 2 second time headway”, which was advocated during the nineties to persuade drivers into a more safe driving style. The rationale in terms of increased traffic safety is evident, nonetheless, if every driver would have adopted this rule of thumb, the capacity per freeway lane would have dropped dramatically with 15-20%. The consequences in terms of an increase in average and total travel time (and very likely also vehicle emissions) are easy to grasp. The fundamental question is hence how one can design and operate a coherent and consistent suite of “sustainable” TM measures, that is, TM measures which lead to sustainable traffic operations. Clearly, it is essential that one is able to monitor the required quantities to feed and evaluate these “sustainable” traffic management measures, e.g. how does one measure travel time unreliability? Is it possible to monitor emissions in real-time? These are the central research questions which have been addressed by the ATMO-consortium in the period 2004 -2009. Without monitoring there can be no effective sustainable TM. Without monitoring these measures also cannot be evaluated. Traffic monitoring implies more than just installing traffic sensors and ITC. Monitoring involves measuring (with all sorts of sensors), interpreting and fusing, and subsequently estimation and prediction of the quantities that are important for TM. Roughly, the work in ATMO can be categorized into three main topics: 1. Traffic state estimation (or: what you measure ≠ what you want to know) Combining and fusing data from an increasing amount of different traffic sensors (infrastructure or car-based) does not automatically lead to a consistent and reliable picture of network-wide traffic conditions. These data typically differ in accuracy, availability, coverage and reliability, and mostly in terms of the semantics of the data. In the ATMO project we developed advanced traffic state estimators, which are able to reliably fuse and filter data from whatever data source available. 2. Traffic state prediction Applying a traffic measure (traffic control, rerouting, etc) at location A at time t will yield effects on other locations at times >t. To properly manage traffic one inherently needs to predict traffic flow operations. In ATMO both parameterized and non-parameterized traffic and travel time prediction methods and models have been developed, suitable for application on freeways, urban arterials and in whole networks. 3. Reliable? Safe? Clean? Sustainable TM requires monitoring of “sustainability”, whichever way this is defined. One cannot optimize a traffic controller in terms of minimal emissions of these emissions cannot – one way or the other – be monitored, preferably in real-time. In ATMO several projects addressed the monitoring of sustainability. For example, a model for the monitoring of travel time reliability was developed and a pilot study to investigate real-time emission monitoring was conducted. The main ATMO results include the many (international) publications (50+) and the 5 (!) PhD tracks of which 4 already were successfully finished. ATMO has also put many efforts in knowledge transfer to public institutes and the (traffic) industry. Twice a very successful post-academic course on “regional traffic monitoring” was organized (>40 participants) and a handbook / wiki on traffic monitoring (www.verkeersmonitoring.nl) was developed and launched. ATMO participants and project management were also involved in the birth and setup of the national datawarehouse (www.ndw.nu), the largest monitoring project in Dutch practice to date. Finally, a web portal (www.atmo.tudelft.nl) was developed which hosts downloads and links to all projects and deliverables produced in ATMO. In the appendix an extended overview of the ATMO project and its results is provided, which was presented at the ITS World congress in Stockholm, September 2009.   

3

1. Introductie  De economische, maatschappelijke en milieu consequenties van congestie in vooral stedelijke gebieden worden gezien als een van de belangrijkste uitdagingen en bedreigingen in de komende decennia, zowel in Nederland als internationaal. Deze uitdagingen zijn in essentie terug te voeren op het oplossen van de disbalans tussen de verkeersvraag (reizigers die op een bepaalde tijd van A naar B willen) en de beschikbare infrastructuur (capaciteit, aanbod) om deze vraag af te wikkelen. Het behoeft geen uitleg dat (verkeers)informatie over het huidige en historische gebruik van de infrastructuur cruciaal is om in de eerste plaats te weten waar en wanneer er problemen zijn (files, vervuiling, onveiligheid, onbetrouwbaarheid), alvorens verkeersmanagers maatregelen kunnen verzinnen en invoeren die de beschikbare capaciteit beter op de vraag afstemmen (of vice versa). Ook reizigers gebruiken informatie om hun reis, vertrektijdstip en route beter te kunnen plannen. Maar wat voorheen voldoende informatie was voor verkeersmanagers en reizigers, is nu te weinig. Kernprobleem: gat tussen wetenschap en praktijk In feite kijken zowel verkeersmanagers (in verkeerscentrales) als reizigers (via radio, internet of anderszins) nu naar op zijn best actuele, maar meestal naar verouderde verkeersinformatie. Die informatie (bijvoorbeeld file locaties, snelheden, reistijden) wordt soms handmatig of door allerlei heuristieken uit allerlei sensoren op en langs de weg (lussen of camera’s) gedestilleerd. Maar waar reizigers en wegbeheerders naar zouden willen (en ook moeten) kijken is naar netwerkbrede verkeersinformatie die laat zien hoe het verkeer zich in de huidige situatie maar ook in de nabije toekomst gaat ontwikkelen. In een keynote speech op het IEEE-ITSC congress in Toronto (Canada) in 2006 merkte Prof Markos Papageorgiou (University of Crete) terecht op, dat “Intelligent transportation systems” zonder “intelligence” in termen van verkeerskundige modellen en algoritmes, te vergelijken zijn met een “giant with the brain of a little child”. Met andere woorden, technologie (ICT, kastjes en doosjes) maakt intelligente transport systemen weliswaar mogelijk (en zijn soms zelfs randvoorwaardelijk), maar maakt ze niet (noodzakelijk) intelligent. Daarvoor is geavanceerd en state-of-the-art verkeerskundig gereedschap nodig. In het domein van ATMO (het vakgebied verkeersmonitoring) bestaat dat gereedschap uit verkeersstroomtheorie in combinatie met geavanceerde statistische technieken (data fusie, toestandschatten, voorspellen). Het is belangrijk om te realiseren dat verkeerskundig incorrect omgaan met meetdata niet tot kleine afwijkingen leidt achter de komma, maar tot grote fouten (in de orde van tientallen procenten). Die fouten in de meetdata werken door (en middelen dus typisch niet uit!) in alle afgeleide berekeningen, maatregelen en analyses en daarmee dus ook beleid. Goed en verkeerskundig verantwoord monitoren is dus echt heel belangrijk. Bovenstaande geeft aan dat er een kloof bestaat tussen wat wetenschappers kunnen en weten (bijv. geavanceerde netwerk brede real-time verkeersmodellen), en wat de consultants, de industrie en uiteindelijk de wegbeheerders implementeren. ATMO wil deze kloof verkleinen en bijdragen aan een nieuwe generatie monitoringsystemen. Deze monitoringsystemen bestaan dus niet alleen uit meetmiddelen en schakelkasten maar ook en vooral uit geavanceerde systemen (software, algoritmes) gefundeerd op state-of-the-art verkeerskundige inzichten, die uit de vele vergaarde gegevens (in realtime) zinvolle informatie kunnen halen. Zonder die zinvolle informatie is een transitie naar duurzaam verkeersmanagement gedoemd te mislukken. Centrale doelstelling ATMO Het ontwikkelen van kennis en kunde in het opzetten, realiseren, beheren en gebruiken van een robuust en betrouwbaar systeem voor het monitoren van heterogene verkeersnetwerken dat (geprognosticeerde) verkeersgegevens produceert voor verkeersmanagement en voor verkeersdeelnemers. ATMO focusseert daarbij in de belangrijkste plaats op de ontwikkeling van intelligente (verkeerskundige, statistische) tools om uit sensoren zinvolle, netwerkbrede (verkeers)informatie te halen (en in mindere mate niet op de ontwikkeling van nieuwe kastjes en doosjes (sensoren) zelf). Dat doet het langs drie parallelle lijnen:

4

1) Door het entameren en faciliteren van kennisoverdracht tussen onderzoek en praktijk. Voorbeelden zijn de twee PAO-cursussen regionale monitoring (in 2006 en 2008), waar de projectleider ATMO samen met TraDuVem-projectleider Ben Immers met veel succes een grote groep verkeerskundigen uit de praktijk ‘bijspijkerden’ op het gebied van intelligente monitoring. Een ander voorbeeld is het Platos Colloquium (www.platos-colloquium.nl) dat de laatste jaren in het teken van rekenen aan duurzaamheid stond. Niet toevallig gezien de ATMO-projectleiding (TU Delft) de organisatie op zich heeft genomen. Tenslotte is er de ATMO-website (www.atmo.tudelft.nl) waar vele links en downloads naar publicaties, projectresultaten en andere relevante informatie te vinden zijn. 2) Door fundamenteel en toegepast onderzoek dat zal culmineren (aan het einde van de looptijd) in niet minder dan 5 proefschriften en vele internationale publicaties. 3) Door de resultaten uit dat onderzoek uit te proberen in een aantal concrete door overheidspartijen geëntameerde pilots (Utrecht en ‘Regiolab-Delft’).

2. Onderzoeksopzet/aanpak Het ATMO-projectplan is in 2004/2005 bottom-up ontstaan, dat wil zeggen, op grond van een grove totaal schets (monitoren = meten, interpreteren, begrijpen & voorspellen), passend in het thema Verkeersmanagement, zijn binnen ATMO deelprojecten gedefinieerd door geïnteresseerde partijen. Zo ontstond een waaier van deelprojecten met als gemeenschappelijk element monitoren, maar voor het overige weinig interne samenhang. Die waaier is vervolgens door de projecttrekker TU Delft in een samenhangend projectplan ondergebracht en door het ATMO-consortium en Transumo goedgekeurd. In dat 1e ATMO-projectplan zijn vier onderzoeksthema’s gedefinieerd (grofweg: meten, interpreteren, begrijpen en voorspellen), met daarin 9 deelprojecten, waaronder 4 AIO-projecten en 5 (kortere termijn) toegepaste onderzoekstrajecten. In een vijfde (overkoepelend) thema (bouw/ontwerp regionaal monitoringsysteem) zijn nog eens twee inhoudelijk faciliterende deelprojecten gestart. In termen van wetenschappelijke voortgang (publicaties) liepen de AIO-trajecten goed. De opzet was om naast elk AIOproject een gerelateerd toegepast onderzoeksproject te hebben, waarbij alle projecten elkaar zouden ‘vinden’ in de faciliterende projecten (Regiolab-Delft server en het Handboek Regionaal Monitoren). In 2007 is deze onderzoeksopzet aangepast. Zes succesvolle deelprojecten zijn gecontinueerd en daarnaast is een parallel spoor uitgezet gefocusseerd op kennisverspreiding en ‘PR’, waarin onder andere PAO-cursussen zijn georganiseerd, de ATMO-webportal is ontwikkeld en is opgetreden in allerlei gremia en ‘kennisdeel-bijeenkomsten’ binnen en buiten Transumo. Tenslotte zijn langs een derde spoor twee pilots (Delft, Utrecht) gestart en is een top-up voorstel (ATMOlab) gehonoreerd. In de pilots en die top-up werkten nu wel AIO’s samen met praktijkmensen om hun ideeën in een concreet netwerk uit te testen. Samenstelling van het consortium en taakverdeling Rijkswaterstaat – DVS (voorheen AVV)

Projecttrekker deelproject I-b - Handboek Regionaal Monitoren. Deelnemer deelproject 1c - Proeftuin Regiolab-Delft

Namen projectteamdeelnemers: - Henk Taale - Johann Visser

Universiteit Twente

Projecttrekker deelproject II-d - Classificeren van verkeerspatronen.

Namen projectteamdeelnemers: - Eric van Berkum - Tom Thomas - Wendy Weijermars

5

TU Delft

Projectleiding ATMO. Projecttrekker van • deelproject II-a - (Reistijd)betrouwbaarheid monitoren. • deelproject II-e - Reistijdvoorspellers: Real-time modellen. En betrokken bij deelproject II-c - Datafusie. Vanaf najaar 2007 projectleiding in: • Pilotstudie Utrecht • Pilotstudie Regiolab Delft

Vialis Projecttrekker deelproject II-f - Reistijden voorspellen op stedelijke netwerken II Participant in pilotstudie Utrecht.

Provincie Zuid-Holland

Betrokken bij - deelproject I-b - Handbook Regionaal Monitoring - deelproject II-c - Datafusie. Participant in pilotstudie Regiolab Delft

Gemeente Delft - Deelnemer project 1c - Proeftuin Regiolab Delft - Participant in de pilotstudie Regiolab Delft TNO – 1: TNO Bouw en Ondergrond

TNO – 2: TNO-Defensie Siemens

Projecttrekker - deelproject II-b - Surrogaatmaten voor verkeersveiligheid - deelproject Real-Time Monitoren van Emissies Participant in pilotstudie Regiolab Delft Projecttrekker deelproject 3b - Incident herkenning, hypothese manager Deelname aan: - deelproject 3d-Datafusie - deelproject Real-Time Monitoren van Emissies

ARS T&TT Projecttrekker deelproject II-c - Data-fusie.

Gemeente Utrecht

DHV

Participant in pilotstudie Utrecht Deze partij is per 2007 in het consortium toegetreden en neemt actief deel aan de nieuwe pilot-studie Utrecht DHV is in goed overleg in 2006 uit het projectconsortium gestapt

Namen projectteamdeelnemers: - Hans van Lint - Henk van Zuylen - Winnie Daamen - Andreas Hegyi - Theo Muller - Chris van Hinsbergen - Tamara Djukic - Albert Valkenberg - Thomas Dijker - Marc Miska - Huizhao Tu - Hao Liu

Namen projectteamdeelnemers: - Frans van Waes - Wim Broeders - Alexander Brokx - Anton Wijbenga - Willem K. Mak - Heidi Bergsma Namen projectteamdeelnemers: - Lieke Berghout - Martijn de Leeuw - Berend Feddes Namen projectteamdeelnemers: - Ton van Grinsven - Thomas Dijker Namen projectteamdeelnemers: - Ben Immers - Gerdien Klunder - Ronald van Katwijk - Isabel Wilmink - Tanja Vonk Namen projectteamdeelnemers: - Sicco Peer van Gosliga Namen projectteamdeelnemers: - Willem van Leusden Namen projectteamdeelnemers: - Fred Zijderhand - Arjan den Heijer - Dusica Joksimovic Namen projectteamdeelnemers: - Peter Jan Kleevens - Patricia Stumpel Namen projectteamdeelnemers: - Wim van der Hoeven

Hoe is de projectuitvoering verlopen? In de eerste fase (2004-2006) was de projectuitvoering vooral gericht op de afzonderlijke deelprojecten. Sec gezien was dat grotendeels conform (project)plan en naar verwachting. Er is een collectie state-of-theart papers, rapporten en demonstrators (proof of concept software implementaties, etc) beschikbaar

6

gekomen waarin de ontwikkelde kennis is uitgewerkt, uitgelegd en uitgeprobeerd (en mogelijk gekalibreerd en gevalideerd). Al deze opgedane kennis is toegankelijk gemaakt via de ATMO-website. Een paar voorbeelden van hoogtepunten tot en met het jaar 2006: • De lancering van het Wikia – Handboek Regionaal Monitoren. • De PAO-cursus Regionale Monitoring, waar 40 deelnemers uit de Nederlandse beroepspraktijk aan mee deden (een record aantal!). • De vele (inter)nationale gereviewde en geaccepteerde publicaties (11 in 2005, 23 in 2006) en presentaties op (inter)nationale congressen en symposia. In 2007 is een idee uitgewerkt om de deelprojecten op te hangen aan twee verschillende pilotstudies (Utrecht, Delft) met eigen (data) testbedden. Daartoe is de structuur binnen het ATMO-project enigszins aangepast, met als gevolg dat de aansturing is verbeterd en participanten meer als kennis/competence centre’s betrokken worden, zodat synergie nog gemakkelijker vrijkomt. Een paar voorbeelden van de hoogtepunten van 2007: • De (inter)nationale gereviewde en geaccepteerde publicaties (5 in 2007) en presentaties op (inter)nationale congressen en symposia. • Twee dissertaties (Marc Miska en Wendy Weijermars). • De landing van het Wikia – Handboek Regionaal Monitoren. Deze is door AVV (tegenwoordig Rijkswaterstaat – DVS) medio zomer 2007 volledig digitaal op internet beschikbaar gemaakt. • De ATMO-website is in de zomer van 2007 volledig vernieuwd. • De deelname aan het Midzomern8-festival en de discussiemiddag in het Mobilion. In 2008 zijn de twee pilotstudies (Utrecht, Delft) gaan draaien. Tevens is er een top-up voorstel (ATMOlab) ingediend (en toegekend) dat beide pilotstudies in potentie met elkaar verbindt. Een paar voorbeelden van hoogtepunten van 2008: • De (inter)nationale gereviewde en geaccepteerde publicaties (15 in 2008) en presentaties op (inter)nationale congressen en symposia. • Twee dissertaties (Huishao Tu en Hao Lia). • De PAO-cursus Regionale Monitoring, waar weer 40 deelnemers uit de Nederlandse beroepspraktijk aan mee deden (opnieuw een record aantal!). Samenwerking met andere (Transumo-)projecten Monitoring is een integrale (randvoorwaardelijke) component van VM zowel op netwerkniveau als bij invoertuig toepassingen. Op grond hiervan was intensieve samenwerking met andere projecten in het VM thema (ATMA, Intelligent Vehicles, TraDuVem) vooraf gezien de logische constructie. Dat is er maar gedeeltelijk uitgekomen. ATMO was present bij de nodige TraDuVem bijeenkomsten, deed actief mee in het thema overleg en de projectleider (Van Lint) begeleidde één van de ATMA AIO’s (Zuurbier). Maar daadwerkelijke samenwerking in de deelprojecten bleek moeilijker te realiseren. Dit had onder andere te maken met de geografische scheiding tussen de projecten (bijvoorbeeld Delft vs Almelo), en vooral met het feit dat zowel ATMO als ATMA beide bottom-up zijn geconcipieerd, waardoor er weinig ‘vrije speelruimte’ (geld, mensen, middelen) was om additionele projectoverschrijdende activiteiten in te passen. De realiteit was dus een structuur van op papier sterk samenhangende Transumo/VM projecten, met daarin sterk autonoom uitgevoerde deelprojecten. De les die hieruit geleerd kan worden is dat samenwerking niet op basis van alleen inhoud (op papier) kan worden afgedwongen maar besloten moet liggen in de projectstructuur en -uitvoering zelf, denk daarbij aan een gezamenlijke (groep) AIO(‘s) of afspraken over een serie gezamenlijke deliverables. Achteraf was een top-down aanpak van beide projecten veel beter geweest. Dat had inhoudelijk tot veel meer samenhang geleid en daarmee tot een veel beter te managen project en thema geleid. De (tentatieve) conclusie die we hier uit kunnen trekken is dat het poldermodel niet geschikt is voor innovatie en onderzoekstrajecten. Datzelfde geldt ook voor samenwerkingsverbanden tussen de verschillende Transumo-thema’s. Er zijn niettemin wel voorbeelden van synergie te vinden. In Spitsmijden is bijvoorbeeld dankbaar gebruik gemaakt van de Regiolab-Delft database en de in ATMO ontwikkelde matlab tools om die te benaderen en bewerken. In “The Multimodal Traffic Centre” (2008-2012, Havenbedrijf Rotterdam/TUD) wordt nu een “ATMO/ATMA” invulling gegeven aan werk dat in Transumo-A15 is gestart. De aanvullende les hierbij is dat samenwerking tussen partijen uit verschillende disciplines (bv logistiek, mobiliteitsmanagement en

7

verkeersmanagement) vooral moeilijk is vanwege een ‘taalprobleem’., dat wil zeggen, ieder spreekt zijn eigen (vak)taal en heeft zijn eigen (regelmatig onjuiste) perceptie van het belang en de noodzaak van een andere discipline in zijn of haar project. Er moet hier echter een belangrijke nuance worden toegevoegd. In de wetenschap hoef je doorgaans samenwerking niet te sturen of te forceren. Mits het onderzoeksvraagstuk en de projectstructuur hiertoe aanleiding geven (en zelfs als dat niet zo is) ontstaat samenwerking regelmatig vanzelf. En als het iets oplevert leidt dat niet zelden tot fundamenteel nieuwe inzichten, innovatie of zelfs een systeemsprong. Denk aan “regeltechniek meets verkeerstroomtheorie”, “mobiele communicatietechnologie meets plaatsbepalingstechniek” en “evolutie theorie meets genetica”. De samenwerking tenslotte met projecten uit andere Bsik-programma’s bestond uit persoonlijke contacten met deelnemers aan en actieve deelname van ATMO-participanten in die programma’s. Een voorbeeld is het Bsik-project Traffic Data Fusion, getrokken door de ATMO-projectleider, en het RGI-project Combined, waarin de projectleider participeerde. Tenslotte waren en zijn de participanten in ATMO verbonden met en actief in tal van andere onderzoeksprojecten en programma’s, zowel nationaal als internationaal. Wetenschappelijke methodologie Er is niet één wetenschappelijke methodologie toegepast in ATMO, dat kan ook niet. De meeste deelprojecten bestonden uit een mengeling van theoretisch en empirisch onderzoek, leidend tot nieuwe algoritmen / modellen, gekalibreerd, gevalideerd en gedemonstreerd op ofwel data uit de Regiolab-Delft server, data uit het TINA-systeem, of op synthetische data uit micro simulaties. Projectuitvoering en samenwerking binnen het project De belangrijkste wijzigingen in de projectuitvoering waren nagenoeg allemaal een gevolg van het feit dat consortiumleden hun beloofde inzet in uren niet konden of wilden waarmaken. Dat kwam door (een combinatie van) de volgende zaken: 1. Overheidspartijen (provincie, gemeente, Rijkswaterstaat) bleken te hebben onderschat wat de urenconsequentie was van de door hen toegezegde (vaak als lumpsum geïnterpreteerde) ureninzet. In zo’n geval is ervoor gekozen om de inzet van deze partijen ‘te verhuizen’ van de kostenkant naar de financieringskant, door middel van bilaterale afspraken tussen consortium partners. De opengevallen subsidiabele uren in ATMO werden/worden door de kennisinstellingen ingevuld ten behoeve van het onderzoek – inhoudelijk heeft dit dus geen nadelige gevolgen gehad voor het project. Onderbesteding bleek overigens een probleem bij ALLE overheidspartijen in ATMO, inclusief Rijkswaterstaat. Alhoewel de meeste wel willen bijdragen blijkt dit door de constructie met een urenverplichting niet eenvoudig te realiseren. 2. Er waren ook private partijen die hun uren verplichting (en belangrijker: de bijbehorende inhoudelijke verplichting) niet (meer) konden waarmaken. Dit is project-intern opgelost door de budgetten/uren te verschuiven (een deel van de uren van Siemens zijn bijvoorbeeld naar TNO gegaan) en heeft evenmin geleid tot grote inhoudelijke veranderingen in ATMO. Ten opzichte van het oorspronkelijke projectplan is het projectconsortium halverwege de looptijd uitgebreid met een extra publieke partner, de gemeente Utrecht en er is één partner tussentijds gestopt (DHV). In algemene zin verliep de samenwerking tussen de projectpartners goed, werden projectvergaderingen goed bezocht en de afspraken nagekomen. In de loop van het project is dat per projectpartner wel veranderd. Een aantal partners (Vialis en met name Siemens) heeft (inhoudelijk) de afspraken in het projectplan (en in de deelprojectplannen) niet kunnen waarmaken, hetgeen een wissel heeft getrokken op de resultaten en voortgang in de deelprojecten “Pilot Utrecht” en “Monitoren van Emissies”, waarbij moet worden opgemerkt dat TNO in het laatste project de trekkersrol met enthousiasme en succes naar zich toe heeft getrokken. In de Utrecht-pilot hebben de partners zich ondanks de vertraging sterk gemaakt om de beloofde resultaten behalen. Opgemerkt moet wel worden dat Vialis een serieuze poging heeft gedaan om onderzoek te incorporeren in hun bedrijfsproces. ATMO-onderzoeker Van Hinsbergen is gedurende een jaar 50% in dienst geweest van Vialis. Die verbintenis is in goed overleg beëindigd, nadat bleek dat er voor geen van de partijen sprake was van synergie.

8

Een mogelijke oorzaak voor de tanende inzet/interesse van de private partners in ATMO is mogelijk de vele (grote) projecten op het gebied van monitoring (o.a. NDW, en de grote aanbestedingen in Rotterdam en Amsterdam). Anderzijds kan de bottom-up constructie van het onderzoeksproject een rol hebben gespeeld, die wel erg veel laat afhangen van de wil van partijen om er samen uit te komen. Een outputgerichte meer (project)centraal georganiseerde onderzoeksopzet zou dit proces wellicht vertraagd hebben.

3. Resultaten, lessen en effecten Voor details verwijzen we naar de bijlagen, waar een uitgebreide lijst producten is opgenomen. Figuur 1 geeft een grove weergave van de binnen ATMO ontwikkelde producten over de looptijd van het project. De belangrijkste wetenschappelijke resultaten worden gevormd door de vijf dissertaties van respectievelijk Marc Miska (2007), Wendy Weijermars (2007), Huizhao Tu (2008), Hao Liu (2008) en – nog in de pijplijn – Chris van Hinsbergen (2010). Deze vijf promotietrajecten hebben bovendien een groot aantal internationale publicaties opgeleverd, o.a. in Transportation Research A en C, the Transportation Research Records, en the European Journal of Transport and Infrastructure Research en op congressen zoals TRB, IEEE-ITSC en het WCTR congres.

Figuur 1: Producten en mijlpalen in de looptijd van ATMO 

 

Kort samengevat zijn er in de looptijd van ATMO solide en zeer bruikbare modellen en tools ontwikkeld, onder andere: ‐ algoritmen voor het corrigeren en filteren van verkeersgegevens uit allerlei verschillende sensoren; ‐ toestandschatters voor het fuseren van heterogene verkeersgegevens uit allerlei bronnen (lussen, reistijden, FCD) in een netwerk tot een consistente en betrouwbare schatting van de toestand in dat netwerk, en ‐ voorspellingsmodellen die op grond hiervan op grond daarvan kunnen voorspellen hoe de toestand (snelheden, dichtheden, reistijden) in het netwerk zich gaat ontwikkelen op grond van zowel historische als actuele verkeersdata; ‐ statistische technieken voor het classificeren en identificeren van terugkerende patronen in de verkeersvraag (volumes, intensiteiten); ‐ een real-time verkeerssimulatie model.

9

Door middel van de vele internationale publicaties en deelname aan internationale congressen (zie bijlage) zijn veel van deze resultaten internationaal ‘geland’. Ook is ATMO internationaal via bilaterale contacten (o.a. met Tokyo University, Monash University (Melbourne) en Portland State University (Oregon, VS)) regelmatig positief onder de aandacht gebracht. Naast wetenschappelijke resultaten is er een aantal belangrijke kennisverspreidingsactiviteiten georganiseerd / ondersteund, waaronder de PAO-cursus Regionaal Verkeersmonitoren, het Platos Colloquium (www.platos-colloquium.nl) en het E-Handbook Regionaal Verkeersmonitoren (www.verkeersmonitoren.nl). Met name de PAO-cursus had – op zijn minst in de beleving van de ATMOprojectleiding – veel impact. Bij de eerste cursus (2007) was bijvoorbeeld de (toendertijd zojuist benoemde) directrice van het Nationaal Databastand Wegverkeersgegevens (NDW, www.nationaaldatawarehouse.nl) één van de cursisten. Haar deelname aan die cursus heeft zeker bijgedragen aan de uitdrukkelijk vraagstelling voor innovatieve monitoringstechnieken in de aanbesteding van het NDW (HET monitoringplatform en loket voor heel Nederland). Nieuwe inzichten en leerervaringen Wetenschappelijk / inhoudelijk gezien heeft ATMO zeer veel nieuwe inzichten opgeleverd, zoals op diverse plekken in dit document wordt aangestipt. Een belangrijke (niet wetenschappelijke) leerervaring binnen ATMO was, dat binnen de Nederlandse beroepspraktijk het belang van “intelligente monitoring” en de daarvoor benodigde kennis helemaal niet vanzelfsprekend werd/wordt geacht (uitzonderingen daargelaten). Dat is de beroepspraktijk kwalijk te nemen (van een dokter verwacht je ook dat die zijn vakkennis op peil houdt), maar evengoed kan worden gesteld dat universiteiten/hogescholen tot nu toe niet in goed in staat waren om hun kennis en ideeën te laten landen in de praktijk, en vooral, dat het in het belang van de praktijk zelf is om die kennis toe te passen. Hoe dan ook, er is een groot gat tussen wat ‘we’ weten en kunnen, en wat er daadwerkelijk op straat wordt gebruikt. Bovendien is het niet evident voor velen uit de beroepspraktijk dat het (economisch en maatschappelijk) belangrijk zou zijn om dat gat te dichten. Waar in het eerste ATMO-projectplan vooral werd gefocusseerd op kwantitatieve duurzaamheiddoelen is dat halverwege bijgesteld naar vooral onderwijs / kennisverspreidingdoelen, dat wil zeggen, naar het dichten van het bovengenoemde ‘kennisgat’ en het onder de aandacht brengen dat goed monitoren en meten van cruciaal belang is, zeker als op basis daarvan allerlei duurzaamheiddoelen worden nagestreefd. De middelen om dit te verwezenlijken binnen ATMO en in het vervolg zijn divers: wetenschappelijke publicaties, uitdragen op seminars en symposia, PAO-cursussen, Platos Colloquia, bijscholing, inbedden in BSc en MSc opleidingen, toegankelijk aanbieden via internet – Wikia’s of aparte websites (b.v. www.atmo.tudelft.nl), en vooral ‘missiewerk’ in allerlei projecten, en andere gremia. Dat dit lijkt te gaan lukken zal blijken uit het volgende hoofdstuk (doorwerking).

4. Verankering en doorwerking   In het najaar van 2009 hebben Van Lint en Hoogendoorn op verzoek van de NDW projectorganisatie (nationaal databestand wegverkeersgegevens, www.nationaaldatawarehouse.nl en www.ndw.nl) een inspiratie-lezing gegeven over innovatief monitoren, dat wil zeggen, meten + intelligente methodes en technieken zoals toestandschatters, data fusie, etc. Dat mag worden gezien als een rechtstreeks gevolg van het ‘missiewerk’ binnen ATMO. Zowel van Lint als Hoogendoorn speelden een adviserende rol in de voorbereidingen op het NDW (net zoals overigens Ben Immers van TraDuVem). Alhoewel de markt nog niet overtuigd lijkt dat innovatieve oplossingen een antwoord geven op de door het NDW uitgezette aanbesteding, is wel duidelijk dat de opdrachtgevers (NDW, regionale wegbeheerders en RWS ) ‘om zijn’. Dat is een belangrijke stap in de goede richting, omdat daarmee de vraag richting de markt ook fundamenteel gaat veranderen. Die zal nu steeds vaker worden gedwongen om innovatieve producten en diensten aan te bieden. Een voorbeeld daarvan is het VIA-project binnen RWS, waarin een aantal geavanceerde filters voor het verwerken en corrigeren van meetgegevens voor statistische beleidsrapportages door de TU Delft zijn ontwikkeld en geëvalueerd. Dit zal voor een ‘innovatieve uitvraag’ in de markt gaan zorgen in de nabije toekomst. In het verlengde hiervan is ook de rol van kennisinstellingen ten positieve veranderd: ook zij spelen nu een rol in de beroepspraktijk van het verkeersmanagen en -monitoren. Enerzijds als adviseur en toeleverancier van nieuwe (methodologische) concepten, en anderzijds (gevraagd en ongevraagd) als evaluator en criticaster. Dit alles is zeker niet alleen aan ATMO toe te schrijven. Niettemin hebben wij in

10

dat proces wel degelijk een rol van betekenis gespeeld. Tenslotte, zoals boven op diverse plaatsen aangegeven, ATMO was aanwezig en zichtbaar op vele nationale en internationale podia. Op grond van het wetenschappelijke werk in ATMO zijn al diverse vervolg PhD trajecten gestart (o.a. online HB schatters, geavanceerde filters voor toestandschatters, en ‘the multimodal traffic center’) . Het ATMO gedachtegoed is ook sterk verankerd in een tweetal (nog meedingende) FES-projectvoorstellen binnen ICTRegie. In hoeverre zijn resultaten van het project te vermarkten? Een aantal van de projecten binnen ATMO zijn direct te vertalen in commerciële producten of diensten. Een voorbeeld is de lange termijn reistijdvoorspeller ontwikkeld door TNO in 2006, welke nu wordt ingezet op de ANWB verkeersinformatiesite. Maar ook partijen als Vialis en ARS zouden ATMO resultaten kunnen uitwerken in concrete producten of diensten, bijvoorbeeld in het NDW, maar ook in andere mobiliteitsdiensten. In meer algemene zin lenen de wetenschappelijke resultaten, vooral die op het gebied van toestandschatten en voorspellen, zich prima voor commerciële inzet en exploitatie. Twee ATMA en ATMO-AIO’s (Zuurbier en van Hinsbergen) nu nog werkend bij de TU Delft, hebben onlangs een valorisatie grant (NWO/STW) aangevraagd en binnengehaald voor de verdere ontwikkeling en vermarkting van de J-DSmart technologie, een op een verkeersstroommodel gebaseerde toestandschatter en –voorspeller. Die technologie moet de motor worden achter www.fileradar.nl, een nieuwe verkeersinformatie portal waar door data fusie en intelligente voorspellingstechnieken voor heel Nederland korte termijn file- en reistijdvoorspellingen worden gegenereerd. Vervolgonderzoek: ontwikkelingen in de (D)VM markt In de afgelopen jaren hebben de (snel) voortschrijdende ICT-ontwikkelingen een aantal fundamentele veranderingen in verkeersystemen in gang gezet. In veel onderzoeksprojecten (zowel nationaal als in EU verband) zien we een sterke toename van pilots en projecten waarbij intelligente voertuigen (voorzien van bijvoorbeeld intelligent cruise control, lane change assistants, GPS location tracking en vele andere applicaties) communiceren met elkaar (V2V) en met intelligente infrastructuren (V2I). Het verwachtingspatroon in termen van de effecten op zowel de doorstroming, veiligheid, betrouwbaarheid en duurzaamheid van zo’n intelligent coöperatief verkeersysteem zijn zeer groot. De vraag is echter gerechtvaardigd of die verwachtingspatronen realistisch zijn. Verkeerstromen, zelfs als die bestaan uit intelligent autonome agents, kenmerken zich door een complexe ruimtelijke en temporele dynamica. Bovendien blijft de onderliggende verkeersvraag de resultante van collectief menselijk (keuze) gedrag. Dit rechtvaardigt niet alleen fundamenteel onderzoek naar die verkeersdynamica en keuzeprocessen onder deze sterk veranderende omstandigheden (V2V en V2I technologieën), maar leidt ook tot de noodzaak om fundamenteel anders te kijken naar DVM en dus ook monitoring. Waar DVM tot voor kort met name een publieke en centraal georganiseerde zaak was zien we nu hoe bijvoorbeeld door in-car navigatie en informatie systemen, de automobilist – en in het verlengde daarvan: private partijen – een rol van betekenis gaan spelen in het managen van verkeerstromen. Dat bijvoorbeeld routenavigatie op grond van real-time informatie bij toenemende penetratiegraden niet noodzakelijk leidt tot betrouwbaardere, efficiëntere en/of duurzamere verkeersafwikkeling is wetenschappelijk al vaker aangetoond, onder andere door de DVM groep. Er zijn echter nog zeer veel fundamentele vragen waar we (de internationale wetenschap) een antwoord op schuldig zijn, Voorbeelden van onderzoeksthema’s zijn: 1. Fundamenteel inzicht verkrijgen in hoe een dergelijk intelligent verkeerssysteem functioneert / zichzelf organiseert. Welke factoren bepalen de uiteindelijke kwaliteit, betrouwbaarheid en daarmee voorspelbaarheid? Hoe kunnen we onze macroscopische en microscopische theorieën en modellen aanpassen om het gedrag van een dergelijk verkeerssysteem te beschrijven en voorspellen? 2. Fundamenteel inzicht krijgen in hoeverre en op welke wijze (met welke type maatregelen) een dergelijk intelligent systeem kan worden gemanaged; hoe daarbij zowel individuele belangen (reistijd, comfort, betrouwbaarheid) kunnen worden verenigd met collectieve belangen (veiligheid, duurzaamheid, betrouwbaarheid) en welke rol V2V en V2I technologie hierin kan spelen. 3. Fundamenteel inzicht verkrijgen in hoe je op creatieve en duurzame wijze van de huidige situatie in die nieuwe situatie komt, immers, de transitie naar een intelligent en coöperatief verkeerssysteem zal tijd vergen – als deze al voor 100% gaat plaatsvinden. Denk hierbij aan maatregelen als routering,

11

tolling, voorspelde informatie, dynamisch afsluiten en openen van verbindingswegen tot bijvoorbeeld aan privaat dynamische geregelde infrastructuurnetwerken. 4. Faciliterend aan al deze thema’s: hoe kunnen we deze kennis omzetten in theorieën, tools en technieken om een dergelijk intelligent verkeersysteem te monitoren en te managen? Nieuwe V2V, V2I en GPS tracking technologieën openen de deuren voor gedetailleerdere en betrouwbaardere data. Tegelijkertijd maken meer (en heterogenere) verkeersgegevens geavanceerdere en efficiëntere algoritmes noodzakelijk om uit deze data zinvolle informatie te destilleren. ATMO+ - nieuw onderzoek in FES, NWO en EU-verband Deze onderzoeksthema’s bieden grote kansen voor de voortzetting van de onderzoekslijnen op het gebied van toestandschatten en voorspellen die zijn uitgezet in ATMO (en daaraan gerelateerd ICIS en RGI). De geschetste ontwikkelingen impliceren fundamentele veranderingen in zowel de dynamica van verkeersystemen, als in de set (DVM en ITS) mogelijkheden om mee te sturen en in te grijpen. Deze veranderingen maken nieuw onderzoek belangrijk en noodzakelijk. Het eindbeeld (droombeeld?) is een stabiel, betrouwbaar coöperatief verkeerssysteem waarin intelligente voertuigen met elkaar, met intelligente infrastructuur en met verkeersmanagementcentrales communiceren, en zo optimale (in termen van efficiency, betrouwbaarheid, veiligheid, duurzaamheid, etc.) routes en vertrektijdstippen uitkiezen. “ATMO+” focusseert daarbij op het monitoren (meten, modelleren, begrijpen, interpreteren en voorspellen) van zo’n intelligent cooperatief verkeerssysteem. In een tweetal FES-voorstellen zijn dan ook deze aspecten opgenomen; hopelijk leiden deze uiteindelijk tot concrete onderzoeksprojecten. Maar er zijn reeds aan ATMO gerelateerde onderzoeksprojecten van start gegaan. In 2007 kreeg projectleider Van Lint een prestigieuze persoonlijke onderzoeksbeurs bij NWO/STW (een zogenaamde Veni-beurs), getiteld “Reversing the traffic jam”, waarin specifiek naar “diagnose” en terugredeneren wordt gekeken en waarin geavanceerde hybride verkeersstroommodellen worden ontwikkeld. Dit project loopt tot in 2010. Ook reeds gestarte AIO-trajecten (“The Multimodal Traffic Center” (Havenbedrijf Rotterdam/TU Delft), en “advanced kinematic wave filtering” (EU-project C4C)) bouwen verder op het onderzoek gestart in ATMO.

5. Projectsucces In het oorspronkelijke projectplan werden a priori de volgende (noodzakelijk kwantitatieve en tentatieve indicaties van) bijdragen aan duurzame mobiliteit (people, planet en profit) voorzien:   Bijdragen People Planet Profit ATMO leidt tot betere verkeersinformatie: netwerkbrede voorspelde x verkeerscondities. Dat leidt tot meer zekerheid en comfort voor reizigers Betere verkeersinformatie kan zeer veel positieve consequenties hebben Efficiënter verkeerssysteem / minder files (in ieder geval op de korte termijn) Stabielere en beter voorspelbaar verkeersysteem: daarmee nog betere verkeersinformatie (dit is een positieve feedbacklus) Toename aan de verkeersveiligheid – mensen weten wat ze te wachten staat en rijden daarmee rustiger Beter en effectiever verkeersmanagement (ATMA): sturen op basis van nauwkeuriger informatie Beter en effectiever beleid (betere informatie leidt tot betere evaluaties van bestaand beleid en betere procedures tot nieuw beleid) ATMO kan een bijdrage leveren om de marktkansen voor verkeersinformatie en managementdiensten te vergroten en versterken, zowel door betere kwaliteit van de producten (verkeersmanagement-, verkeersinformatiediensten) als grotere kosten efficiency (data fusie – combineren meerdere bronnen met intelligente tools en dus meer halen uit dezelfde brongegevens)

x

x

x

x

12

ATMO kan tenslotte ook belangrijke bijdragen leveren aan de wetenschap: betere informatie leidt tot betere wetenschap/ kennisontwikkeling. Ook dit is een positieve feedbacklus die mogelijk tot zeer veel (afgeleide) winst leidt voor zowel people, planet en profit

x

x

x

  Kijkend naar de vele door elkaar lopende processen die van invloed zijn op de ontwikkelingen in efficiency en duurzaamheid van ons verkeerssysteem (van autonome mobiliteitsgroei, geplande en lopende uitbreidingen van het wegennet en OV, groenere voertuigen, het NDW, netwerkmanagement, de praktijkproef Amsterdam, de kredietcrisis, etc, etc), is moeilijk te zeggen of we hierin geslaagd zijn en zo ja in hoeverre. Een getal is prettig voor politieke doeleinden, maar moet wel gebaseerd zijn op de realiteit. Waar we (ATMO) wel in geslaagd zijn is om het vakgebied verkeerskunde en daarvan afgeleid monitoren (meten, interpreteren, begrijpen en voorspellen) weer stevig op de kaart te zetten. Dat is terug te zien bijvoorbeeld in de verdere ontwikkelingen binnen het NDW, de nieuwe FES-voorstellen en de veranderende houding van wegbeheerders en industrie ten aanzien van verkeerskundig onderzoek. ATMO heeft daarin zeker een bijdrage geleverd. Trots op de resultaten Het ATMO projectteam is trots op de vijf geslaagde promotietrajecten (ook het promotie traject dat nog loopt heeft al zeer veel opgeleverd), op de vele tijdschrift en conferentie publicaties en de zichtbaarheid van ATMO via deze publicaties. Binnen het beschikbare budget mag deze productie uitzonderlijk goed worden genoemd. Sjapeau dus voor de ATMO PhD-onderzoekers: Marc Miska, Wendy Weijermars, Huizhao Tu, Hao Liu en Chris van Hinsbergen! Het ATMO project team is ook trots op… • … de twee PAO-cursussen die voortvloeiden uit het project (ism Ben Immers van TraDuVem). Beide cursussen behoorden met 40+ cursisten tot de best bezochte PAO-cursussen van de afgelopen jaren. ATMO heeft dus kennis ontwikkeld waar behoefte aan is in een domein dat belangrijk wordt gevonden. • … de bemoeienis met het PLATOS Colloquium (vanaf 2008), dat mede heeft bijgedragen aan het continueren van deze jaarlijkse bijeenkomst van verkeersmodellenmakers en –gebruikers in Nederland. • … de website (www.atmo.tudelft.nl ). • … de ATMO-bijdrage en de inspanningen van de ATMO-partners aan het Midzomern8 festioval (URGENDA: Acht voor Ruimte). • … de continue support van de “Regiolab-Delft” ATMO-partners voor het beschikbaar stellen van grote hoeveelheden data. In bijna al het ATMO-onderzoek is daar dankbaar van gebruik gemaakt • … alle andere producten en deliverables die gedurende de looptijd van ATMO zijn opgeleverd. Rol en toegevoegde waarde van Transumo Subsidie moet gezien worden als smeerolie bij samenwerkingstrajecten. De weerbarstige werkelijkheid van de Nederlandse (wetenschappelijke) onderzoekspraktijk is echter dat de hoeveelheid subsidiegeld wel voldoende moet zijn om onderzoekers te kunnen aantrekken en betalen. Omdat (mede door de bottom-up tot stand koming van het project) het project in feite al gedefinieerd was voor Transumo officieel werd goedgekeurd stonden de eerste twee jaar tot de “knip” vooral in het teken van de financiën en organisatie. Dat is doodzonde, en heeft een permanente wissel getrokken op de voortgang en vooral de perceptie (intern en extern) van het project. Je kunt niet aan de motoren van een vliegtuig gaan sleutelen als het net is opgestegen, dan stort het onherroepelijk neer. Alhoewel het niet aan het programmamanagement van Transumo is te wijten dat het lang heeft geduurd voor er duidelijkheid kwam over de doorgang van Transumo (die kwam er in 2006), heeft Transumo wel een aantal maal de sfeer in de projecten onnodig op scherp gezet: • door het Bsik-percentage te verlagen van 45% tot 42,8%; • door veel te stringente administratieve verplichtingen op te leggen aan deelnemers zonder duidelijkheid te verschaffen over de status en doorgang van de projecten; en • door zonder overleg meer dan 1 ME budget gereserveerd voor ATMO te bevriezen en uiteindelijk onderhands (althans zo is de beleving) in andere projecten te stoppen.

13

Terugkijkend kan men concluderen dat Transumo zelf lang last heeft gehad van die moeizame start. Bovendien is de vraag gerechtvaardigd of je onderzoek naar transities (systeemsprongen) uberhaupt moet willen doen in een volledig gereguleerd (commissie van wijzen, programmabureau, wetenschappelijke adviesraad, bestuur, themamanagement en projecten) en slecht gesubsidieerd (42,8%!) onderzoeksprogramma. Dat laat onverlet dat de transitiegedachte op zichzelf goed is. We komen er niet door “meer van hetzelfde”, er is een systeemsprong nodig om mobiliteit duurzaam te maken. Voor zo’n transitie is één of een combinatie van de volgende zaken nodig: • Een cultuur waarin onderwijs en onderzoek als zeer belangrijk worden ervaren en waarin onderzoek serieus wordt genomen; • Een ramp of grote systeemsprong in een gerelateerde discipline (een impopulaire gedachte: de tweede wereld oorlog leverde ons doorbraken in de fysica en de wiskunde, en ook in productieprocessen, engineering en nog vele andere gebieden); • Een onverwachte innovatie (happy coincidence) of toepassing van een bestaande technologie in een ander domein (denk aan het internet). Het mag duidelijk zijn dat alleen dat eerste punt goed is te managen vanuit een programma als Transumo. Dat heeft het in de tweede helft van het programma dan ook gedaan en met succes. Resumerend was Transumo nodig om het ATMO-project überhaupt van de grond te krijgen, maar heeft Transumo niet alles kunnen brengen wat het in vele plannen en stukken heeft beloofd. In een veel bescheidener rol was Transumo niettemin belangrijk, namelijk als centraal contactpunt en als facilitator voor contacten tussen onderzoekers en praktijk mensen.

Trefwoorden Monitoring, meten, detectiemiddelen, lussen, camera’s, floating car data, Reistijd, intensiteit, dichtheid, snelheid, Emissies, veiligheid, reistijdbetrouwbaarheid, Verkeerstroomtheorie, verkeersmodellen, realtime, modelleren, Data fusie, toestandschatten, voorspellen, Verkeersmanagement, ITS, Transumo, netwerkmanagement, duurzame mobiliteit, duurzaamheid, transitie.

14

Bijlage I: Advanced traffic monitoring (ATMO) for sustainable traffic management Experiences and results of 5 years of collaborative research in The Netherlands Presented and published at the 16th World Congress on Intelligent Transport Systems and Services, September 2009, Stockholm. The paper will be further extended and submitted to the Journal on Intelligent Transport Systems in November 2009. Dr. Ir. J.W.C. van Lint*, Department of Transport and Planning, Faculty of Civil Engineering and Geosciences, Delft University of Technology, Stevinweg 1, P.O. Box 5048, 2600 GA, Delft, The Netherlands, Phone: +31 15 2785061, Fax: +31 15 2783179, Email: [email protected] Ir. A.J. Valkenberg, Department of Transport and Planning, Faculty of Civil Engineering and Geosciences, Delft University of Technology, Kluyverweg 4, P.O. Box 5017, 2600 GA, Delft, The Netherlands, Phone: +31 15 2784013, Fax: +31 15 2784333, Email: [email protected] Dr. Ir. A.J. van Binsbergen, TRAIL Research School, Kluyverweg 4, P.O. Box 5017, 2600 GA, Delft, The Netherlands, Phone: +31 15 2786046, Fax: +31 15 2784333, Email: [email protected]   *Corresponding author

Context and Background: Transition to Sustainable Mobility Transumo (Transition Sustainable Mobility, www.transumo.nl) is a national Dutch research program that aims to initiate and support a transition to a sustainable mobility system that supports an international competitive position of the Dutch economy (‘profit’), that respects the environment (‘planet’), and that offers high quality accessibility and mobility for people and the goods they need (‘people’). Transumo is funded for 50 percent by the Dutch government and for 50 percent by the private sector and by knowledge institutions with a combined budget of 60 Million Euros spread over five years. One of the key themes in Transumo is to explore and capitalize the (widely acknowledged) potential of Intelligent Transport Systems, Services and Solutions (ITS) to enable, facilitate or possibly even force transitions to a more sustainable mobility. The Advanced Traffic Monitoring (ATMO) project (www.atmo.tudelft.nl), with a budget of 2.5 ME is one of the (over 20) research projects, which has contributed (and still contributes) to this goal. Within ATMO, the TRAIL research school, two universities (Delft University of Technology and the University of Twente), various public organizations (the Ministry of Transport, the Province of South-Holland and the municipalities of Delft and Utrecht) and a number of representatives from the private sector (TNO, Vialis, Siemens and ARS T&TT) collaboratively address the question “how to translate large amounts of raw traffic data from all sorts of sensors and systems into useable and meaningful information for traffic information, sustainable traffic management and control?”. In the context of sustainability, this entails not just “classic” traffic data and information, such as average speed, volume, or delay and travel time, but also more diffuse concepts such as congestion severity, travel time reliability, traffic safety and environmentally related quantities. In this paper we will overview the scientific and practical results obtained within ATMO from its inception in 2004 until 2008, and provide a brief outlook on the anticipated results in its final year (2009) and beyond, where we will also outline further avenues for both research as well as collaboration between partners. The paper is organized as follows. In the next section we will first provide a birds-eye overview of the ATMO project. The research objectives, scope and structure are discussed and a brief sketch of the various subprojects is given. In the section thereafter, a selection of three subjects addressed in ATMO are discussed in more detail, these are, travel time prediction; travel time reliability; and real-time monitoring of vehicle emissions. The paper closes with a discussion on the various lessons learned throughout the project and avenues for further research.

15

Overview of the ATMO project ATMO Research Scope and Objectives In the traffic management theme within Transumo, to which the ATMO project belongs, the focus is on road traffic networks, which are used for both person and goods movement. Secondly, ATMO focuses on traffic monitoring for (real-time) traffic (and demand) management, although this will result in data and information, which in turn could also be used for e.g. policy evaluation or ex ante research. Figure 1 schematically outlines the central role monitoring plays in both demand management (e.g. information provision, pricing) and traffic management (e.g. traffic control). Both must be conceived as dynamic control cycles with a monitoring component, which provides both the input to all sorts of demand and traffic management measures, as well as feedback on the (un)anticipated effects of these measures.

 

Figure 1: Central place of monitoring in demand and traffic management control cycles 

Within ATMO traffic monitoring systems are defined broadly, and ideally encompass three functional components, these are, (1) measurement of raw data; (2) processing, fusing and interpreting these data; and (3) predicting relevant quantities for sustainable traffic management on the basis of these data. The objective of ATMO lies primarily on the latter two components, that is, to develop accurate and robust methods and models for data processing and traffic state estimation and prediction. Below we briefly discuss these three functional components. 1. Measurement and archival of raw data from all sorts of sensors Data from traffic sensors come in many forms and qualities, but can essentially be subdivided along two dimensions. The first relates to their spatio-temporal semantics, that is, do the data represent local traffic quantities (flow, time headway(s), etc) or do the data reflect quantities over space (journey speed, space mean speed, travel time, trajectories). The second relates to the degree of aggregation, where data may represent an aggregate or average over fixed time periods (e.g. 1 minute aggregate flows or averaged speeds), or a single event (vehicle passage, travel time, full trajectory). Table 1 overviews this classification with a few examples. Note that in the context of sustainability also other (possibly non-traffic related) data are relevant such as local emissions, weather conditions, etc. Within ATMO, data from all these categories are considered. 2. Data processing (checking, correcting, filtering, fusing) and network-wide state estimation Data from a multitude of different traffic sensors do not necessarily mount up to consistent, coherent and meaningful information and are typically characterized by different formats, semantics, temporal and spatial resolution and accuracy, and also differ in availability and reliability both as a function of location, time and circumstances. Both from technical and methodological points of view, the integration of such heterogeneous data into comprehensive and consistent information on the state of traffic in a network (e.g. in terms of speed, flow or density) is a complex and challenging task. Within ATMO several data fusion and traffic state estimation are developed, on the basis of traffic flow theory and data assimilation techniques (e.g. Kalman filters).

16

3. Network-wide traffic state prediction and derivation of latent variables. Effective traffic management (and travel information provision) requires predicting network-wide traffic conditions. A measure taken at time t on location (or link) A will have effects on time periods > t and on other locations in the network. Within ATMO, combinations of traffic theory based and data driven methods for predicting travel time have been developed. In the context of sustainable traffic management, also variables that cannot be directly measured (e.g. travel time reliability) are required. In ATMO, new methods and models are developed for the derivation of such ‘latent’ variables.   Table 1: Classification of raw traffic data with a few examples   

Event­based 

Aggregated / averaged 

Local data 

Vehicle passage, time headway, spot 

Time mean speed, harmonic mean speed, volume 

speed 

(flow), detector occupancy 

Travel time / journey speed, vehicle 

Average travel time / journey speed, space mean 

trajectory 

speed, speed variance, vehicle composition 

Spatial data 

In sum, the objective of ATMO was and still is the development of methods and models for traffic data processing, state estimation and prediction and to demonstrate and promote how these intelligent tools can be deployed to achieve more reliable and robust traffic monitoring systems.

 

Figure 2: Timeline ATMO project with a selection of subprojects, highlights and results 

Structure and Overview of ATMO Research Broadly speaking, the ATMO project has initiated and sponsored 4 four-year PhD projects, several shorter-term R&D projects and pilots, and various educational and knowledge transfer projects. Figure 2 schematically shows the timeline from project inception (2004) until the envisaged project end (fall 2009) and the relationships between the projects. The main rationale of the research structure chosen was to have the short-term projects and pilots follow-up on (spin-off from) the PhD tracks as a means to implement and test the developed ideas, and at the same time to promote and disseminate the research amongst practitioners (the public and private partners involved in ATMO and Transumo). In the final section of this paper, we will discuss some of the lessons learned during the course of the ATMO project, particularly related to the collaboration and cooperation between academic, public and commercial

17

partners. Below we will first briefly overview the PhD projects and a selection of short-term R&D projects and pilots. Brief overview PhD projects The four PhD tracks within ATMO all addressed different aspects the central ATMO theme, that is, translating raw data into usable information for traffic management and traffic information services. In [1] a general cluster method for the determination and analysis of urban traffic patterns is proposed. The research provides insight into within-day and between-day variations in urban traffic flow patterns. The results of this PhD work can be used for the determination of typical traffic patterns on the basis of archived flow data, which in turn can be used as a basis for traffic forecasting, traffic management and traffic modeling scenarios. Three other PhD projects focused on real-time estimation and prediction of traffic conditions and particularly travel times. In urban networks, both traffic simulation based [2] and data driven approaches [3] were developed. Although promising results were demonstrated on the basis of both synthetic and real data, both projects also emphasized the limits of predictability of urban traffic patterns and travel times. Secondly, these projects also showed that there does not exist a single, most suitable approach to travel time prediction. In a third - still ongoing – PhD project, a Bayesian ensemble approach is developed which allows the use of an arbitrary number of (data driven, model-based or any other type) traffic / travel time prediction models. The results obtained so far indicate that this combined model leads to better and more reliable prediction results than those of any of the individual models [4]. Whereas (predicted) travel time is a key quantity in real traffic management and information services, travel time reliability has become one of the key performance indicators of transportation networks and corridors. In the fourth PhD project within ATMO a new theoretically and empirically underpinned travel time reliability measure has been developed, which is based on basic notions from risk analysis [5]. The key result is that there exists a critical (reliability) flow, which under many different is much lower (3040%) than the capacity of any of the road segments constituting a route. This implies that there is a fundamental trade off between efficiency (maximizing throughput) and travel time reliability. Beyond a “critical reliability flow” more traffic may be serviced but at the price of steeply increasing probability of traffic breakdown and a (much) larger uncertainty in the resulting travel times. Overview Applied Research projects, Pilots and Knowledge transfer To facilitate as well as apply the methods and models developed in the PhD projects a number of shorterterm projects and pilots have been initiated, amongst other things: • The (Dutch) e-book on Regional Traffic Monitoring (www.verkeersmonitoring.nl). This handbook provides a web-based platform in the Dutch language (in the form of a wiki) to disseminate and share both practical and fundamental knowledge on (regional) traffic monitoring. • In the city of Utrecht, an urban traffic estimation and travel time prediction pilot (using first order macroscopic traffic flow models and extended Kalman filters) has been set up on the basis of the PhD work of Van Hinsbergen and Liu. • In the city of Delft, a pilot was set in which an integrated emissions-based coordinated intersection control algorithm was developed. • As a final example, the traffic database developed in the Regiolab-Delft project (www.regiolabdelft.nl) has been further extended (in terms of spatial coverage and data heterogeneity) and has been used throughout the ATMO project. Virtually all research in ATMO utilized the Regiolab-Delft data. In the fall of 2009, the front-end web-portal will undergo a major face-lift, thanks to collaboration with the Portland Transportation Archive Listing (PORTAL) project (portal.its.pdx.edu), initiated by Portland State University, Oregon. Finally, ATMO has initiated and sponsored several knowledge-transfer projects, most notably two successful two-day post-academic courses on regional traffic monitoring with in both 2006 and 2008 over 40 Dutch practitioners (regional traffic managers, consultants and public servants) enrolled, and the 2007 and 2008 editions of the Dutch PLATOS colloquium, a one-day seminar in which the Dutch who’s who in the field of traffic modeling is involved.

18

Results of the ATMO project In this section we will summarize and discuss in three subjects addressed within ATMO. Due to limited space we refer to the many publications (reports, journal and conference articles) published in the course of the ATMO project and are available for download at www.atmo.tudelft.nl. Travel time prediction in mixed networks Brief overview and taxonomy There is an increasing need for Advanced Traffic Information Systems (ATIS) that can provide road-users and traffic managers with accurate and reliable real-time traffic information. Whereas many research efforts have been devoted to freeway applications (see e.g. [6] for an extensive overview), within ATMO the focus was on the prediction of traffic information – and particularly (departure) travel time – for routes in urban or mixed (freeway/urban) networks. Figure 3 provides taxonomy for travel time prediction models in general (for mixed networks) with a few examples under each category.

Figure 3 Taxonomy of traffic / travel time prediction models 

 

Three (overlapping) strands of approaches can be identified: 1. Naïve approaches, where neither model structure nor model parameters are deduced from (real-time) data. The term ‘naïve’ is rather subjective, but can be interpreted as ‘without any model assumption’. Naïve methods are widely applied in practice because of their low computational effort and easy implementation, but the accuracy is usually very low. Examples include instantaneous, measured travel time or a historical average. There are also prediction approaches that combine naïve methods with non-parametric approaches such as regression and/or clustering [7-9]. 2. Parametric (or model-based) approaches employ some fixed mathematical or simulation model (such microscopic or macroscopic traffic simulation models) with parameters (link-capacities, free speeds or car-following/lane changing parameters) and inputs (inflows, OD flows, turn fractions, etc) tuned to real-time data. Also simpler delay formulas and queuing models fall under this category. Aside from model-parameters and inputs, many parametric approaches have been put forward which “synchronize” dynamic model-variables (densities, or time-varying parameters/inputs) directly with data through for example Kalman Filters (or one of its many variations). Examples include [10-13], and can be classified as hybrid approaches that combine both parametric and non-parametric (on-line estimation) techniques. 3. Non-parametric approaches finally use generic (flexible) mathematical structures with adjustable parameters. Arguably, the largest amount of traffic and travel time prediction models fall under this category. Examples include support vector regression approaches [14], generalized linear regression [15, 16], nonlinear time-series [17], state-space models and Kalman filters [18, 19] and feed forward neural networks [20, 21], and recurrent neural networks [22] to name a few. Depending on application and design criteria, each of these approaches has advantages and disadvantages. Naïve methods are fast, scalable and easy to implement, but usually lack prediction

19

accuracy (lag behind and exhibit erratic behavior). Non-parametric methods are in general more accurate and robust (to data failure) and are better suited to learn the non-lineair traffic dynamics from data. On the downside, non-parametric models provide essentially location-specific “black-box” solutions, that is, they are not easily transferred from one application to another. More over, non-parametric approaches can only perform well in situations that were “visible” in the data with which they were trained. Parametric techniques do incorporate underlying traffic dynamics in their equations and structure and hence are better suited to deal with “unseen” traffic situations, and can be suited to incorporate for example traffic control. More over, traffic simulation models offer network-wide solutions, that is, one solution for many routes and links in traffic network. However, the number of adjustable inputs, parameters, and variables is usually much larger than the available (real-time) data, which makes real time tuning of such model-based approaches a complex (and often underdetermined) problem. Within ATMO, both parametric, non-parametric and hybrid techniques have been developed. Below two different approaches (non-parametric vs parametric) are briefly discussed in terms of the main rationale and some results – a more in-depth treatment is presented in the many papers published throughout the project (see www.atmo.tudelft.nl). State space neural networks for freeway and urban travel time prediction The underlying idea in both the work of van Lint [22, 23] and Liu [24, 25] is the development of a generic non-parametric model that combines a powerful non-linear and dynamic machine learning technique (a so-called state-space neural network - SSNN) with a mathematical structure that more or less resembles a (physical) traffic network (Figure 4(a) illustrates and explains this). The SSNN structure consist of three layers with processing units, that is, a hidden layer; a context layer and an output layer. The hidden layer consists of neurons which each represent a road section. Each hidden neuron j receives its previous activation xjk-1, and input ujk (detector data) from detectors on this road section only, and calculates a single scalar output xjk. In vector notation the hidden layer output reads as follows

(

)

x = f w0 + w x x k−1 + wuuk (1)   k x x In equation (1) the vectors w0, w and w contain adjustable parameters or weights, and f denotes a nonlinear (sigmoid) function, which squashes the hidden neurons outputs between -1 and 1 (or 0 and 1). The context layer does not contain adjustable parameters and operates as a short-term memory (it stores hidden neuron outputs of a previous time step xk-1) and facilitates learning dynamic patterns (e.g. during congestion build-up and dissolution). The output layer consists of just one neuron, which combines hidden and context layer outputs and calculates the SSNN output (expected travel time)

(

)

y = h v0 + vx k (2)   k in which v0, v are again adjustable parameters and h represents a nonlinearity (or the identity function). The parameter vectors obviously need to be set such that the SSNN model is able to predict travel time on the basis of new “unseen” data. This process is called neural network training and is crucial in developing reliable predictors.

20

Output layer consists of one neuron, which calculates the predicted travel time for vehicles departing in period k, based on the internal states. yk

x1,k-1

Context layer consists of M neurons, where M denotes the number hidden layer neurons. It stores the previous internal states of the SSNN. It is fully connected to the hidden layer.

...

xm,k-1

...

 

xM,k-1

Hidden layer (or internal states)consists of M neurons, where M denotes the number of sections defined on route R. x1,k

...

xm,k

...

xM,k Inputs each hidden neuron receives inputs (traffic flow and average speeds) from detectors located on its respective section. These include detectors on the main carriage way and (if available) on on and off ramps trainable connections fixed connections

section 1

section m

section M

(a) SSNN model for freeway routes 

 

  (b) SSNN model for urban segments (USEG) and routes (top) 

Figure 4: State­space neural network for (a) freeway and (b) urban travel time prediction, taken from [22, 24]  respectively. 

On ATMO different training methods have been extensively tested both for urban and freeway applications. Figure 5(a) and (b) illustrate some prediction results with the SSNN model on the basis of real data on a freeway route (the 10 km 3-lane A13 Motorway between Delft and Rotterdam Airport), and a simulated 4 km urban arterial with three major controlled intersections. In both cases the data for both training and tested were obtained from induction loops (Figure 4 schematically outlines how the inputs are connected to the SSNN). From the many results published a number of main conclusions can be drawn: • The SSNN models appear stable and accurate travel time prediction models with mean average percentage errors between 5 and 10% depending on application. • Instrumental to achieving good prediction results is a training procedure, which prevents the model from over fitting the training data. In [26] a Bayesian framework is proposed which at the same allows combining different travel time prediction models. A powerful feature of this method is that it automatically balances between a good model fit and model complexity. • SSNN (or any non-parametric) travel time prediction model trained off-line (so on the basis of a large historical database) outperform models which are trained online (EKF methods in Figure 5(a) and models 1,2,4 and 5 Figure 5(b)). Online training takes place each time a new pair of input (flows and speeds) and output data (travel time) becomes available. This is due to the time lag between departure travel time and measured (arrival) travel time, which in fact equals the travel time itself. Although more advanced online learning algorithms have been proposed [22], this is a critical drawback of nonparametric travel time prediction models.

21

 

 

(a) 

(b) 

Figure 5: Results of SSNN travel time prediction models on the basis of (a) real freeway data and (b) simulated  urban data (with micro­simulation model VISSIM) 

Travel time prediction with online macroscopic simulation Online traffic simulation models have been the subject of study in recent years [27-30], for various applications such as state estimation, state prediction or travel time estimation. However, in order to apply this model on an urban network, extensions are required to the node (intersection) model, since urban intersections are very different from freeway intersections. Within ATMO three extensions to the node model have been proposed, that is, (1) exponentially decreasing turn capacities, (2) the separation of low-frequent and high-frequent processes at traffic signals and (3) online calibration of turn fractions. Below we will briefly discuss the first two of these. The number of vehicles that can cross an intersection is reduced by other, conflicting (priority) flows over a node, as illustrated in Figure 6 (a). As the two flows AC and BC use the same space, for one or both directions the total number of vehicles that can make the move over the node in a certain amount of time, which we label Turn Capacity (Γr) here, will be reduced. Figure 6 (b) illustrates this (exponentially) decreasing turn capacity on the basis of micro simulation data. A simple solution to incorporate this in a macroscopic traffic flow model is to consider the turn capacity as a macroscopic and dynamic variable. The maximum number of vehicles that can make the turn in a given time period Γrmax, is reduced by conflicting demands Dd as follows

(

 

)

Γ r = Γ max ⋅ f D1 ,...,Dd   r

(3) 

in which f depicts a parameterized exponential function. The flow over the node is now determined by the minimum of the demand D of the upstream cell, the supply S of the downstream cell and the turn capacity Γ, as schematically outlined in Figure 6 (c) Turn capacity as a function of conflicting demand 3000

2500

Turn capacity

2000

1500

1000

500 -0,0014x

y = 2014,1e 2 R = 0,8186 0 0

  (a) Conflicting traffic streams 

500

1000

1500 Conflicting demand

(b) Decreasing turn capacities 

2000

2500

3000

 

  (c) Extended Godunov scheme 

Figure 6: (a) Conflicting flows AC and BC cause reduced flow over the node; (b) exponentially decreasing turn  capacity as function of traffic demand on conflicting (priority) directions (c) the Godunov scheme with the turn  capacity included. The turn capacity will vary with different intersection layouts and different conflicting  demands 

 

22

In case intersections are controlled by traffic lights, these traffic signals may cause queues upstream of the node, even in under saturated conditions, due to the stochastic arrival of vehicles and possibly time varying (responsive) traffic control. This phenomenon has a large impact on the resulting travel times (up to 50%). To make macroscopic traffic flow models suitable for travel time prediction, we propose to separate the low frequency flow propagation process (which is adequately modeled by a macroscopic traffic flow model) from the high frequency queuing process under non-saturated conditions (see Figure 7). The Van Zuylen-Viti model [31] provides a simple way to predict the length of queues under free-flow conditions, given the current distribution queue lengths, the average inflow into the queue and the red and green phases. The extensions have been implemented in J-DSMART, a Java implementation of the LWR model and tested on the same (simulated) urban arterial as used to obtain the results in Figure 6(b). For inputs and parameter calibration, (simulated) loop data at the intersections was used. Figure 8 shows the results, and illustrates how the hybrid model performs well in both free flowing and congested conditions.

 

Figure 7: Hybrid first order node model, separating high­  and low frequency queuing processes 

 

Figure 8: Results urban travel time prediction with the  hybrid first order model J­DSMART on a (simulated) 4  km urban arterial with three major intersections. 

Travel time Reliability Whereas (predicted) travel time is a key quantity in real traffic management and information services, travel time reliability has become one of the key performance indicators of transportation networks and corridors. Unfortunately, there is no undisputed quantitative measure for travel time (un)reliability which can be deduced from raw data (e.g. travel times, flows). In [32] it is demonstrated on a large data set that many of the popular travel time unreliability measures used in practice (e.g. buffer and misery indices and coefficient of variation) are highly inconsistent, which makes the use of these measures ambiguous for policy assessment. In the fourth PhD project within ATMO a new theoretically and empirically underpinned travel time reliability measure has been developed, which is based on basic notions from risk analysis [5]. The basic rationale is that travel time reliability on a route is a function of the probability of traffic breakdown (given a certain demand) times the travel time variability before and after breakdown [33] (Figure 9). On the basis of several Figure 9: Travel time reliability as a function of  years of real-data, it appears that this new formulation travel time uncertainty (variability) and the  results in a monotonically increasing travel time probability of traffic breakdown.  unreliability, which can be parameterized with a BPRlike function, which expresses the travel time unreliability (in units time) on a route of road segments as a function of traffic demand (the so-called TLZ function).

23

The key result is that this TLZ function contains – analogously to the widely used BPR function for calculating average travel time from traffic volume – a critical (capacity) flow, which is much lower (30-40%) than the capacity (maximum throughput) of any of the road segments constituting the route of interest. This implies that there is a fundamental trade off between efficiency (maximizing throughput) and travel time reliability. Beyond this “critical reliability flow” λttr more traffic may be serviced but at the price of a steeply increasing probability of traffic breakdown and a (much) larger uncertainty in the resulting travel times. Figure 10 illustrates that λttr is – like capacity - a function of amongst other things precipitation (and furthermore of road geometry, traffic control, etc).

 

Figure 10: Travel time reliability (on the basis of  real data) on three freeway routes in the  Netherlands. 

Real-time monitoring of Emissions As a final example of the research with ATMO, we will briefly discuss a pilot study set up in the city of Delft with the objective to investigate whether it is possibly to monitor vehicle emissions in real-time. Full detail on this ATMO pilot can be found in [34], here we just highlight the main idea and one result. Realtime monitoring of emissions would enable intersection control targeted at minimizing emissions rather than (or combined with) minimizing vehicle loss time. The key research question in this pilot study is to assess the possibilities to estimate critical air quality indicators with sufficient accuracy, based on limited sets of traffic data and possibly local air quality measurements, in order to (preferably automatically) activate appropriate control strategies. 

 

Figure 11: (left) trajectories and speeds (colored) of simulated vehicles at the through direction of a controlled  intersection and (right) CO2 emissions and speeds over time.  

In order to study this, detailed traffic and air quality measurements were carried out on an urban arterial using video based monitoring and high-resolution air quality measurement equipment. On the basis of these measurements a micro simulation in AIMSUN was set up and calibrated, with an add-on vehicle emission tool (VERSIT+). The results (Figure 11) indicate that it seems achievable to estimate vehicle emissions at an intersection with reasonable accuracy, if an average prevailing speed profile on the link of interest can be estimated. Additionally it would be helpful to estimate the number of vehicle stops, which (as expected) appears to be the major factor for peaks in emission levels. Both could be done with the hybrid state estimation travel time prediction model discussed above, in which the LWR model (with a fine enough cell discretization) estimates such a speed profile, whereas the Van Zuylen-Viti model is used to estimate the number of stopped (queuing) vehicles.

24

Lessons learned and further research In retrospect, ATMO has succeeded in achieving its main objectives, that is to link fundamental (PhD) research to practical and applied pilot studies and as such disseminate and popularize research amongst public and private partners. During the course of the ATMO project, however, it became increasingly clear that the jump from PhD research to practical implementation was often too large. Many “textbook” material in the scientific community (e.g. shockwave theory, the difference between instantaneous and departure travel time) was largely unknown or at least not used in practice. Vice versa, many practical issues (e.g. hardware or software limitations) were largely unknown to the researchers. The discrepancy between what is scientifically “known”, and what is actually used and incorporated in traffic management (or ITS) practice, has surfaced many times throughout the course of the ATMO project and has been the incentive for amongst other things a two-day post-academic course on traffic monitoring (addressing both traffic flow theoretical, methodological and technical aspects), and an e-handbook (in Dutch) on this subject. The key insight for us (the ATMO project management) was that it is the scientific community who must take (co-) responsibility for, and most importantly, initiative in making knowledge accessible and comprehensible for practice, for example in terms of pro-actively explaining or ex post showing why certain measures yield certain effects on traffic processes. The most effective way of doing so is by simply illustrating the underlying concepts (e.g. shockwaves, spillback, the capacity drop, variability in flows/travel times, reliability, etc) on the basis of (large amounts of) archived data. This implies that besides the direct and obvious importance of traffic monitoring for traffic management and ITS in both planning and operation, traffic monitoring in the broadest sense (i.e. translating raw data into usable information) also provides the justification and the incentive for collaborative research in both traffic management and monitoring. Solving this “chicken-and-egg” problem (justifying research requires research results) requires entrepreneurial scientists and – inherently – the willingness of public and private partners to invest in public data archiving and mining facilities, tools and methods. The RegiolabDelft data server and the pilots in Delft and the City of Utrecht are two examples of projects, which illustrate this leads to a win-win situation for both science and practice. Other university driven data initiatives such as the Portland Transportation Archive Listing (PORTAL) initiated by the University of Portland, Oregon (portal.its.pdx.edu), and the international traffic database (ITDb), initiated by Tokyo University (www.trafficdata.info), illustrate that traffic scientists around the globe are successfully taking up this challenge. There is a broad range of directions for further research into traffic monitoring, many of which are already endeavored in the Netherlands and world-wide. Let us list a few, which we believe are particularly relevant in the context of sustainability: • Traffic state estimation (data fusion) and prediction in mixed traffic networks on the basis of heterogeneous traffic data from a combination of different sensors (infrastructure bound and probe vehicle based) • Real-time estimation and prediction of other quantities relevant for sustainable traffic and travel management such as emission levels and reliability. • Integrated multi-modal traffic monitoring, state estimation and prediction (i.e. including bus, rail and slow traffic modes).

References

  [1] W. Weijermars, “Analysis of urban traffic patterns using clustering,” Faculty of Engineering Technology, department of Civil Engineering, Centre for Transport Studies, University of Twente, Enschede, 2007. [2] M. P. Miska, Microscopic online simulation for real-time traffic management, Delft: TRAIL Research School, 2006. [3] H. Liu, Travel time prediction for urban networks, Delft: TRAIL Research School, 2008. [4] C. P. I. J. Van Hinsbergen, and J. W. C. Van Lint, "Bayesian Combination of Travel Time Prediction Models." [5] H. Tu, Monitoring travel time reliability on freeways, Delft: TRAIL Research School, 2008.

25

[6] C. P. I. v. Hinsbergen, J. W. C. V. Lint, H. J. v. Zuylen et al., “Short Term Traffic Prediction Models,” in ITS World Congress, Beijing, China, 2007. [7] J. Rice, and E. v. Zwet, “A simple and effective method for predicting travel times on freeways,” IEEE Transactions on Intelligent Transportation Systems, vol. 5, no. 3, pp. 200-207, 2004. [8] D. Nikovski, N. Nishiuma, Y. Goto et al., "Univariate short-term prediction of road travel times." [9] G. Huisken, and E. C. v. Berkum, "A comparative analysis of short-range travel time prediction methods." [10] F. S. Zuurbier, and J. W. C. Van Lint, "Traffic network state estimation using extended Kalman filtering and DSMART." pp. 1-6. [11] Wang Y., Papageorgiou M., and Messmer A., “A real time freeway network traffic surveillance tool,” IEEE Transactions on control systems technology, vol. 14, no. 1, Jan 2006, 2006. [12] J. W. C. Van Lint, and S. P. Hoogendoorn, "The technical and economic benefits of data fusion for real-time monitoring of freeway traffic." [13] C. Antoniou, M. Ben-Akiva, and H. N. Koutsopoulos, "On-line calibration of traffic prediction models." [14] C.-H. Wu, C.-C. Wei, D.-C. Su et al., "Travel Time Prediction with Support Vector Regression." [15] H. Sun, H. X. Liu, H. Xiao et al., "Short-Term Traffic Forecasting Using the Local Linear Regression Model." [16] X. Zhang, and J. A. Rice, “Short-term travel time prediction,” Transportation Research Part C: Emerging Technologies, vol. 11, no. 3-4, pp. 187-210, 2003/0, 2003. [17] H. M. Al-Deek, M. P. D’Angelo, and M. C. Wang, "Travel Time Prediction with Non-Linear Time Series." pp. 317-324. [18] S. I. J. Chien, and C. M. Kuchipudi, “Dynamic travel time prediction with real-time and historic data,” Journal of Transportation Engineering-Asce, vol. 129, no. 6, pp. 608-616, Nov-Dec, 2003. [19] A. Stathopoulos, and M. G. Karlaftis, “A multivariate state space approach for urban traffic flow modeling and prediction,” Transportation Research Part C: Emerging Technologies, vol. 11, no. 2, pp. 121-135, 2003/4, 2003. [20] D. Park, L. Rilett, and G. Han, “Spectral Basis Neural Networks For Real-Time Travel Time Forecasting,” Journal of Transportation Engineering, vol. 125, no. 6, pp. 515-523, 1999. [21] L. R. Rilett, and D. Park, “Direct Forecasting of Freeway Corridor Travel Times Using Spectral Basis Neural Networks,” Transportation Research Record, vol. 1752, pp. 140-147, 2001. [22] J. W. C. Van Lint, “Online learning solutions for freeway travel time prediction,” IEEE Transactions in Intelligent Transportation Systems, vol. 9, no. 1, pp. 38-47, 2008. [23] J. C. Van Lint, “Reliable real-time framework for short-term freeway travel time prediction,” Journal of Transportation Engineering, vol. 132, no. 12, pp. 921-932, 2006. [24] H. Liu, H. J. van Zuylen, and J. W. C. Van Lint, "Neural Network Based Traffic Flow Model for Urban Arterial Travel Time Prediction." pp. 1-18. [25] H. Liu, H. van Zuylen, H. van Lint et al., “Predicting Urban Arterial Travel Time with State-Space Neural Networks and Kalman Filters,” Transportation Research Record: Journal of the Transportation Research Board, vol. 1968, no. -1, pp. 99-108, 2006. [26] C. van Hinsbergen, and J. van Lint, “Bayesian Combination of Travel Time Prediction Models,” Transportation Research Record: Journal of the Transportation Research Board, vol. 2064, no. -1, pp. 73-80, 2008. [27] J. P. Lebacque, “The Godunov scheme and what it means for first order traffic flow models,” in Proceedings of the 13th international symposium of transportation and traffic theory, Lyon, 1996, pp. 647 - 677. [28] Y. Wang, and M. Papageorgiou, “Real-time freeway state estimation based on extended Kalman filter: a general approach,” Transportation research B, vol. 39, pp. 141-167, 2005. [29] F. S. Zuurbier, J. W. C. van Lint, and V. L. Knoop, “State estimation using an extended Kalman filter and the first order traffic flow model DSMART,” in Eleventh IFAC Symposium on Control in Transportation Systems, Delft, The Netherlands, 2006. [30] C. P. I. van Hinsbergen, F. S. Zuurbier, J. W. C. van Lint et al., “Using an LWR model with a Cell Based Extended Kalman Filter to Estimate Travel Times,” in Third International Symposium of Transport Simulation 2008 Surfers Paradise, QLD, Australia, 2008. [31] F. Viti, “The dynamics and the uncertainy of delays at signals,” Delft University of Technology, Delft, The Netherlands, 2006.

26

[32] J. W. C. Van Lint, H. J. Van Zuylen, and H. Tu, “Travel time unreliability on freeways: Why measures based on variance tell only half the story,” Transportation Research Part A: Policy and Practice, vol. 42, no. 1, pp. 258-277, January, 2008. [33] H. Tu, J. W. C. van Lint, and H. J. van Zuylen, Travel Time Reliability Model on Freeways: Transportation Research Board, 2008. [34] G. A. Klunder, and I. R. Wilmink, “REAL-TIME MONITORING OF EMISSIONS WITH TRAFFIC DATA, SIMULATION AND AIR QUALITY MEASUREMENTS,” in Submitted to the 16th World Congress on Intelligent Transport Systems and Services, Stockholm, Sweden, 2009.    

27

Bijlage II: Resultaten & Deliverables In deze bijlage is een totaaloverzicht opgenomen van alle output van het ATMO-project gedurende de jaren 2005 – 2009. Hier treft u de detailresultaten, achtergrondinformatie en ook een kwalificering per item. De kwantificering van de output is opgenomen in de bijlage Mijlpalen.

  Detailresultaten 2005‐2006   

Deliverable 

Datum 2005 

Datum 2006 

D0‐1  D0‐2  D0‐3  D0‐4 

ATMO projectplan en begroting 2005  ATMO‐webportal (www.atmo.tudelft.nl)  ATMO projectplan en begroting 2006  Artikel  Van Lint, H., Zicht op het Totale Verkeersnetwerk  (2005). Vaktijdschrift Verkeerskunde, VK nr 10,  pag. 34‐39.  Presentatie PLATOS‐symposium  Plan uitgewerkt, ATMO doet mee aan  Internationale workshop: WCTR 2007 (24 ‐ 29 juni  Berkeley, USA) in een special session on regional  traffic monitoring.  ATMO sterk betrokken geweest bij NDW project,  projectleider ATMO was adviseur en heeft  participeert in de voorbereidende werkgroep  kwaliteit   Procesnotitie ATMO  Eerste notitie literatuurverkenning state‐of‐the‐art  in monitoring en overzicht bronnen  Reader Regionale verkeersmonitoring  (PAO‐cursus DVM)  Concept‐versie eindrapport State‐of‐the‐art  onderzoek naar monitoringssystemen  (beschikbaar via de ATMO‐website)  Handboek “Regionale Verkeersmonitoring” Fase 2,  wikipedia achtige versie van het handboek (zie de  link via ATMO‐website l.o.): hoe organiseer je het,  wat zijn de do’s en don’ts, etc.:  http://verkeer.wikia.com/wiki/  Handboek_Regionale_Verkeersmonitoring   PAO‐cursus Reg. Monitoring nov‐dec 2006  Artikel   Van Lint, J.W.C. & Van Zuylen, H.J., Monitoring and  predicting freeway travel time reliability (2005).  84th Transportation Research Board, Washington  D.C., USA.  Artikel  Tu, H., Van Lint, J.W.C. & Van Zuylen, H.J., Real time  modelling travel time reliability on freeway (2005).  10th EWGT meeting and 16th Mini‐Euro  Conference, Poznan, Polland.  Rapport  Travel Time Reliability of Road Network (2005).   Tu, H, TU Delft, faculteit CiTG, sectie Transport and  planning. 

Apr/jul 2005  Maart 2005  Aug 2005  oktober 2005 

       

Bijdrage output  Transumo  K1  M10, K1a  K1  K3 

   

maart 2006  oktober 2006 

K4  W3 

 

november 2006 

M3, M8, M10 

  december 2005 

Maart 2007   

K1  M5 

november 2005  

 

K6 

 

Juni 2006 

 

Q4 2006: >50%  gereed april  2007 

M5, K2      M10, M11 

  januari 2005 

december 2006   

K6  W2 

september 2005 

 

W2 

december 2005 

 

W2 

D0‐5  D0‐6 

D0‐7 

D0‐8  D1a‐1   D1a‐2   D1a‐3 

D1a‐4 

D1a‐5  D1b‐1 

D1b‐2 

D1b‐3 

28

 

Deliverable 

Datum 2005 

Datum 2006 

D1b‐4 

Reader  Reistijdbetrouwbaarheid, Van Lint, J.W.C. (2005).  Reader PAO‐cursus DVM, november, CiTG‐Tu Delft,  zie ook D1b‐9  Publicatie   Altijd Zondag, Van Lint, J.W.C. & Van Zuylen, H.J.,  (2005). Tijdschrift Verkeerskunde no. 3.   Artikel  Tu, H., Van Lint, J.W.C. & Van Zuylen, H.J., Travel  Time Variability versus Freeway Characteristics  (2006). IEEE‐ITSC 2006 Toronto, Canada.  Artikel  Tu, H., Van Lint, J.W.C. & Van Zuylen, H.J.,  Measuring and Defining Freeway Travel Time  Reliability (2006). In Baohua Mao & Zongzhong  Tian (Eds.), Proceedings of ICTTS 2006 (pp. 473‐ 481). Beijing: Science Press.  Artikel  Tu, H., Dijker, T. & Van Zuylen, H.J., Travel time  variability of freeway weaving sections (2006).  IFAC, Delft, Nederland.  Bijdrage Reliability Seminar (Delft, juni 2006), zie  ook D1b‐4  Artikel   Tu, H., Van Zuylen, H.J. & Van Lint, J.W.C., Real Time  Modelling Travel Time Reliability Using Cell  Transmission Model (2006). 5th International  Conference on Traffic & Transportation Studies,  ICTTS 2006. Xi'an China.  Nieuwe server (www.regiolab‐delft.nl) is  operationeel.  Voortgangsrapportage Regiolab‐server 

november 2005 

 

Bijdrage output  Transumo  K6 

april 2005 

 

K3 

 

September 2006 

W2 

 

Maart 2006 

W2 

 

Augustus 2006 

W2 

 

Juni 2006 

W3 

 

Maart 2006 

W2 

 

Is vervallen 

M4 

 

K1d 

Rapport   Abdoelbasier, A., Safety Indicators for Intersection  Traffic in Simulation Models, februari 2005, TU  Delft, faculteit ET‐Wi&IN, sectie Information  Systems Design.  Tussenrapportage 2005   Klunder, G., Abdoelbasier, A. & Immers, L.H.,  Development of a micro­simulation model to predict  road traffic safety at intersections, (2006), februari  2006, TNO B&O.  Artikel  Klunder G., Abdoelbasier, A. & Immers, L.H.,  Development of a micro­simulation model to predict  road traffic safety on intersections by surrogate  safety measures (2006). ITS World congress 2006,  London, UK.   Immers, L.H., Klunder, G. en A. Abdoelbasier.  Surrogaat‐ veiligheidsmaten en ongevalsrisico’s.  Posterpresentatie op Nationaal Verkeers‐ veiligheidscongres. Rotterdam, 25 april 2006   

februari 2005 

Was eind 2006,  wordt april 2007   

 

Februari 2006 

K2 

 

September 2006 

W2   

 

april 2006 

K4 

D1b‐5 

D1b‐6 

D1b‐7 

D1b‐8 

D1b‐9  D1b‐10 

D1c‐1  D1c‐2  D2a‐1 

D2a‐2 

D2a‐3 

D2a‐4 

K2 

29

 

Deliverable 

Datum 2005 

Datum 2006 

D2a‐5a 

Implementatie van een demo‐bestuurdersmodel  op kruispunten voor een ongeregeld T‐kruispunt  met de Multi‐Agent Real‐time Simulator (MARS)  van TNO.   Dataverzameling ten behoeve van een database  met lange termijn observaties van conflicten en  incidenten op kruispunten over een periode van  vier jaar, vanaf 2005, specifiek: camerametingen  zijn verricht op een viertal kruispunten in Delft  Tussenrapportage  Abdoelbasier, A., The Intersection Micro­simulator.  Development of a model of driver behaviour on  intersections (2006). September 2006, TU Delft,  faculteit ET‐Wi&IN, sectie Information Systems  Design.  Proof of concept van het bestuurdersmodel in de  Multi‐Agent Real‐time Simulator (D2a‐5a) van  TNO en de dataverzameling (D2a‐5b).  Prototype Hypothesemanager toegepast op  Regiolab Delft netwerk  Artikel   Van Gosliga, S.P., Van Koningsbruggen, P. & Van  Katwijk, R., Real Time Traffic Monitoring with  Bayesian Belief Networks (2005). ITS 2005, San  Francisco, USA.  Ontwikkelen eerste versie model (Bayesian Belief  Network) voor het netwerk rond Delft  Software ten behoeve van koppeling model aan  Regiolab 

 

September 2006 

 

Q4: 75% 

M4   

 

september 2006 

K2 

 

Q2 2007 

M4 

december 2005 

 

M4 

September 2005 

 

W2 

 

Q2 2006 

 

Proof‐of‐concept Hypothesemanager: in een  presentatie is een koppeling gemaakt tussen  Deliverable D3b‐3, 4 en 6.  interne rapportage over de tot nu toe ontwikkelde  modelversie 

 

Q3: 99%,  oplevering  uitgesteld naar  2007  Maart 2007 

M8    M9   

Data‐verzameling (lijst met incidenten) ten  behoeve van trainen en valideren model  Vervallen: Factsheet Siemens   Plan van aanpak doorstart project 3d met   ARS T&TT en de TU Delft   Eindrapportage voorstudie 2006  Liu, H., Van Lint, J.W.C., Joksimovic, D., Zijderhand,  F., Van Nifterick, W., Traffic Data Fusion: Traffic  State Estimation for Heterogeneous Networks with  Missing Data (2006). ATMO‐rapport.  Artikel   Weijermars, W. and Van Berkum, E., Analyzing  Highway Flow Patterns using Cluster Analysis,  2005,  IEEE‐ITSC Conferentie 2005, Wenen,  Oostenrijk 

D2a‐5b 

D2a‐5c 

D2a‐5d 

D3b‐1  D3b‐2 

D3b‐3  D3b‐4a 

D3b‐4b 

D3b‐5 

D3b‐6  D3d‐1   D3d‐2  D3d‐3 

D4c‐1 

 

Bijdrage output  Transumo  M4 

M4    K2   

 

Q4: 90%,  oplevering  uitgesteld naar  2007  Q2 gereed 

   

September 2005  Augustus 2006 

K1b  M4, W2 

 

December 2006 

M4, W2 

september 2005 

 

W2 

M8 

30

 

Deliverable 

Datum 2005 

Datum 2006 

D4c‐2 

Artikel   Weijermars, W. and Van Berkum, E., Detection of  invalid loop detector data in urban areas, (2005).  85th Transportation Research Board meeting  January 22‐26, 2006, Washington DC, USA.  Artikel  Thomas T., Weijermars W.A.M. & Berkum E.C.,  Periodic Variations in Urban Traffic Flows (2006).  Presented at the Seminar Infrastructure Reliability,  Delft, the Netherlands.  Artikel  Van Berkum E.C., Hagens, A. & Weijermars W.,  Impact of Weather on Urban Travel Demand in The  Netherlands (2006). European Working Group of  Transport [CD‐rom], Bari, Italy.   Rapport  Weijermars, W.A.M. & Berkum, E.C. van, Temporal  traffic patterns in Almelo: Results of cluster analyses  for all links along the main arterials (2006). CE&M  research report 2006W‐001.VVR‐002, University  of Twente, Enschede, the Netherlands.  Artikel  A Self­Learning Driving Behavior Model for   Microscopic Online Simulation Based on  Remote  Sensing and Equipped Vehicle Data (2005), 10th  EWGT Meeting and 16th Mini‐EURO Conference,  Poznan, Poland.  Artikel   Miska, M.P., Muller, T.H.J. & Van Zuylen, H.J., Online  Travel Time Prediction with Real­time Microscopic  Simulation (2005). 84th Transportation Research  Board, Washington D.C., USA.  Artikel  Miska, M.P., Muller, T.H.J. & Van Zuylen, H.J.,  An Agent Based Distributed Microscopic Online  Simulation Model (2005). 10th EWGT Meeting and  16th Mini‐EURO Conference, Poznan, Poland.  Artikel   Miska, M.P., Muller, T.H.J. & Van Zuylen, H.J., MiOS –  A Microscopic Online Simulator (2005). ITS World  Congress 2005, San Francisco, USA.  Artikel   Miska, M.P., Muller, T.H.J. & Van Zuylen, H.J., A  Driving Behavior Model for Microscopic Online  Simulation based on Remote Sensing and Equipped  Vehicle Data (2006). 85th Transportation Research  Board, Washington D.C., USA.  Simulatiemodel voor voorspelling  netwerkcondities MiOS    Artikel  Miska, M.P., Muller, T.H.J. & Van Zuylen, H.J.,  Route Choice Model for Online Microscopic  Simulation (2006), IEEE‐ITSC, Toronto, Canada. 

 

januari 2006 

Bijdrage output  Transumo  W2 

 

2006 

W2 

 

Q2‐2006 

W2 

 

Mei 2006 

K3,K7 

Juni 2005 

 

W2 

januari 2005 

 

W2 

Juli 2005 

 

W2 

november 2005 

 

W2 

Q4 2005 

 

W2 

december 2005 

 

M4 

 

Juli 2006 

W2 

D4c‐3 

D4c‐4 

D4c‐5 

D5a‐1 

D5a‐2 

D5a‐3 

D5a‐4 

D5a‐5 

D5a‐6 

D5a‐7 

31

 

Deliverable 

Datum 2005 

Datum 2006 

D5a‐8 

Dissertatie Januari 2007; proefschrift is in concept  klaar.  Misca, M.P., Microscopic Online Simulation for Real  time Traffic Management, 2007.   in het kader van MiOS is een MSc‐student in Tokyo  (Universiteit) aan het werken aan de online  HB‐matrixschatter in MiOS. Dat verloopt zeer goed.  De samenwerking Tokyo‐TU Delft biedt veel  perspectief en zal worden geïntensiveerd  Artikel   Liu, H., Lint, van, J.W.C., Zuylen, van, H.J., An  investigation of urban arterial travel time  variability (2005). proceedings of the 10th EWGT  Meeting and 16th Mini EURO Conference,  September 2005, Poland.  Artikel  Liu, H., Zuylen, van, H.J., Lint, van, J.W.C., Chen, Y.S.,  Prediction of Urban Travel Times with Intersection  Delays (2005). IEEE conference on ITS, Vienna,  Austria.  Artikel   Liu, H., Van Zuylen, H.J., Van Lint, J.W.C. &  Salomons, A.M., Urban Arterial Travel Time  Prediction with State­Space Neural Networks and  Kalman Filters (2005).  85th Transportation  Research Board meeting January 22‐26, 2006,  Washington DC, USA.  Artikel  Liu, H., Zuylen, van, H.J., Lint, van, J.W.C., Zhang, K.,   Two Distinct Ways of Using Kalman Filter to Predict  Urban Arterial Travel Time (2006). IEEE  conference on ITS, September,  Toronto, Canada.  Artikel   Liu, H., Lint, van, J.W.C., Zuylen, van, H.J., Urban  Travel Time Prediction based on Queue Estimation  (2006). 11th IFAC Symposium on Control in  Transportation Systems, Delft, The Netherlands,  August 29‐31.  Artikel  Liu, H., Lint, van, J.W.C., Zuylen, van, H.J., Neural  Network based Traffic Flow Model for Arterial  Travel Time Prediction (2006). 9th TRAIL Congress,  Rotterdam, The Netherlands.  Demonstrator 

 

december 2006 

 

Q3: 99% 

K7, M3, W4   

september 2005 

 

W2 

september 2005 

 

W2 

 

Januari 2006 

W2 

 

Q2 gereed 

W2 

 

Q2 2006 

W2 

 

Q3 gereed 

W2 

 

 

Rapport  Mak, W.K., Kwaliteit VISUM­online (2005).  Rapportage Transumo ATMO, Vialis.    Rapport   Mak, W.K., Reistijden schatten met  Verkeersregelinstallaties (2006). Rapportage  Transumo ATMO, Vialis.   

december 2005 

Verschoven naar  eind 2008   

 

December 2006 

K2 

D5a‐9 

D5b‐1 

D5b‐2 

D5b‐3 

D5b‐4 

D5b‐5 

D5b‐6   

D5b‐7  D5c‐1 

D5c‐2 

Bijdrage output  Transumo  W1 

K2 

32

 

Deliverable 

Datum 2005 

Datum 2006 

D5c‐3 

Samenwerking Vialis – TUDelft. Aanvraag  ingediend via een Casimir project m.b.t.  ontwikkelen netwerkbrede reistijdvoorspellers  –  aanvraag niet gehonoreerd. Goede  samenwerking behouden  Eindrapport ‘ATMO 5g Lange Termijn  Reistijdvoorspeller’  Dit project is met betrekking tot het inhoudelijke  werk eind 2005 voltooid.   Op basis van ATMO resultaten nu concrete plannen  om i.o.v. de ANWB een commerciële versie te gaan  bouwen (door TNO). 

 

Q4 2006 

Bijdrage output  Transumo  W1 

december 2005 

 

K2 

 

Q3 gereed 

M4 

 

Q4: 100% 

M7, M8 

D5g‐1  D5g‐2    D5g‐3   

 

Detailresultaten 2007    Deliverable  DIA‐1  WCTR sessie Regionaal Monitoren/ATMO (Berkely, CA)  DIA‐2  ITS EU / DK sessie  DIA‐3a  KT / PR activiteit Midzomern8‐festival  DIA‐3b  KT / PR activiteit ATMO‐Website (www.atmo.tudelft.nl)  DIA‐3c  KT / PR activiteit Mobilion  DIB‐1  2e workshop HRM  DIB‐2  Handboek “Regionale Verkeersmonitoring” Fase 2, Wikia versie  (Wikipedia) van het handboek (zie de link via ATMO‐website r.b.):  http://verkeer.wikia.com/wiki/  Handboek_Regionale_Verkeersmonitoring DIB‐3  Folder   Handboek Regionale Verkeersmonitoring, Visser, J.P.F. Rijkswaterstaat,  TU Delft, ATMO/Transumo  DIB‐4  Handout Visser, J.P.F., Rijkswaterstaat DVS.  Wiki Handboek Regionale Verkeersmonitoring: Bijdrage aan het  Colloquium Vervoersplanologisch Speurwerk 2007, Antwerpen, België.  DIIA‐1  Dissertatie 15 april 2008; proefschrift is in concept klaar.  Tu, H., Monitoring Travel Time Reliability on Freeways, 2008.  DIIA‐2  Seminar + proceedings / verdediging.  DIIA‐3a  The Impact of Traffic Flow on Travel Time Variability of Freeway  Corridors (2007), Tu, H., Van Lint, J.W.C. & Van Zuylen, H.J., 86th TRB  2007, Washington DC, USA.  DIIA‐3b  The Impact of Adverse Weather on Travel Time Variability of Freeway  Corridors (2007), Tu, H., Van Lint, J.W.C. & Van Zuylen, H.J., 86th TRB  2007, Washington DC, USA.    Openstaande deliverable 2006: proof of concept eerste versie  bestuurdersmodel. Reeds opgevoerd als deliverable voor 2006   (D2a‐5d)  DIIB‐1  Internationale publicatie  DIIB‐2  Bijdrage aan het Platos Colloquium 2008  DIIB‐3  ATMO‐rapport  DIIC‐1  Artikel  Lint, J.W.C. van & Hoogendoorn, S. P., The technical and economic  benefits of data fusion for real­time monitoring of freeway traffic  (2007). World Congress of Transportation Research (WCTRS),  Berkely, CA, USA.   

  Datum  Vervallen   Vervallen   21 juni 2007  Sepember 2007  20 nov 2007  Vervallen   Juli 2007 

Bijdrage output  Transumo  x  x  K8  M10, K1a  K8  x  M10, M11 

November 2007 

K1c 

November 2007 

K5 

15 april 2008 

Niet opgevoerd 

15 april 2008  21‐25 Jan 2007 

Niet opgevoerd  W2 

21‐25 Jan 2007 

W2 

14 april 2007 

x 

2008  Q1 2008  2008  Juni 2007 

Niet opgevoerd  Niet opgevoerd  Niet opgevoerd  W2 

33

  Deliverable  DIIC‐2  Project II‐c ATMO rapport (2006) N.B. Deze deliverable is vorig jaar  reeds opgevoerd als D3d‐3.  DIIC‐3a  Plan Pilotstudie Utrecht  DIIC‐3b  Plan Pilotstudie Regiolab Delft  DIID‐0  Dissertatie april 2007.  Weijermars,W.A.M., Analysis of urban traffic paterns using clustering,  2007.  DIID‐1a  Artikel  Thomas, T., Weijermars, W.A.M,  Berkum, E.C. van, Predictions of urban  flow volumes and incident detection (2007). Proceedings Tristan VI  Pukhet 2007 (cd‐rom), Pukhet, Thailand, 10‐15 juni 2007   DIID‐1b  Artikel  Thomas, T., Berkum, E.C. van, Events and incidents in urban flow  volumes (2007). Proceedings INSTR2007 (cd‐rom), Den Haag, The  Netherlands, 19‐20 juli 2007  DIIE‐1  Zie DIIF‐2  DIIE‐2  Zie DIIF‐3  D5a‐8  Dissertatie Januari 2007; proefschrift is in concept klaar.  Misca, M.P., Microscopic Online Simulation for Real time Traffic  Management, 2007. (reeds voor 2006 opgevoerd)  DIIF‐0  (als aanvulling op D5a‐8) Seminar + proceedings ‐ TRAIL Masterclass ‐  aansluitend op dissertatie Misca, M.P., The Science of extracting  valuable Information from raw Traffic Data.  DIIF‐0a  Hand‐out TRAIL Masterclass: Traffic Flow Modeling with Real‐time  Data for On‐line Network Traffic Estimation and Prediction, by Hani S.  Mahmassani  DIIF‐0b  Hand‐out TRAIL Masterclass: Next Generation of Simulation, by Jaume  Barceló  DIIF‐0c  Hand‐out TRAIL Masterclass: Traffic Measurement in Japan : Detector,  VICS, ETC, and Probe Vehicles, by Masao Kuwahara  DIIF‐0d  Hand‐out TRAIL Masterclass: The Science of extracting valuable  Information from raw Traffic Data, by Hans v. Lint  DIIF‐1a  Artikel  Hinsbergen, C.P.IJ. van, Lint, J.W.C. van, Sanders, F.M., Short Term  Traffic Prediction Models (2007). ITS World Congress, Beijing, China.  DIIF‐1b  Artikel  Neural Network based Traffic Flow Model for Arterial Travel Time  Prediction (2007) Liu, H., Lint, van, J.W.C., Zuylen, van, H.J.  DIIF‐2  (voorheen DIIE‐1) Dissertatie Hao Liu, proefschrift   DIIF‐3  (voorheen DIIE‐2) Seminar + proceedings / verdediging  DIIG‐1  Plan deelproject Real‐Time Emissies 

  Datum  n.v.t. 

Bijdrage output  Transumo  x 

Q1 2008  Q2 2008  13 april 2007 

Niet opgevoerd  Niet opgevoerd  W1 

Juni 2007 

W2 

Juli 2007 

W2 

Vervallen  Vervallen  n.v.t. 

x  x  x 

30 Januari 2007 

W3 

30 Januari 2007 

‐ 

30 Januari 2007 

‐ 

30 Januari 2007 

‐ 

30 Januari 2007 

K5 

Oktober 2007 

W2 

2007 

W2 

≥ Q4 2008  ≥ Q4 2008  Q2 2008 

Niet opgevoerd  Niet opgevoerd  Niet opgevoerd 

  Deliverable 

  Datum 

Bijdrage  output  Transumo 

DIA‐4 

14 oktober 2008 

K1e 

29 ‐ 30 mei 2008 

K6 

 

Detailresultaten 2008 

DIA‐5 

KT / PR activiteit ATMO‐stand op 10e TRAIL‐congres  DIA­4a: Presentatie Pilot Utrecht  DIA­4b: Presentatie Pilot Regiolab Delft    PAO‐cursus ’Regionaal Verkeersmonitoren voor regionaal  verkeersmanagement’    

34

DIIA‐1 

DIIA‐2a  DIIA‐2b 

DIIA‐3c   

DIIA‐4 

DIIB‐1  DIIB‐2a 

DIIB‐2b 

DIIB‐3 

DIIC‐3a    Niet voor  publicatie  DIIC‐3b    Niet voor  publicatie 

DIID‐2a 

Dissertatie van Huizhao TU  TU, H. Monitoring Travel Time Reliability on Freeways, 2008. TRAIL  Thesis Series no. T2008/7, April 2008, The Netherlands.  Abstract of thesis Huizhao TU: Monitoring Travel Time Reliability on  Freeways.  TRAIL Masterclass: The Uncertainty Nature of Traffic State, Seminar +  proceedings verdediging Huizhao TU.   Met de volgende hand‐outs:  DIIA­2b1: Prof. dr. Lijun Sun 'Understanding and Identification of the  Characteristics of Traffic States'.  DIIA­2b2: Prof. dr. Pitu Mirchandani ' Next Generation Realtime  Traffic Adaptive Management Systems'.  DIIA­2b3: Dr. ir. Hans van Lint 'Insights in Traffic State Estimation:  Complexity versus Reliability'.  DIIA­2b4: Prof. dr. ir. Serge Hoogendoorn 'A new Probabilistic Traffic  Flow Theory with Realistic Phase Transition'.  Artikel  Van Lint, J.W.C., Van Zuylen, H. J. & TU, H., Travel time unreliability on  freeways: Why measures based on variance tell only half the story  (2008)., Transportation Research Part A: Policy and Practice, 42, 258‐ 277.   Bijdrage aan het Platos Colloquium 2008   Betrouwbare reistijden op het Nederlandse wegennet – nieuwe  inzichten op basis van echte data. Presentation at the PLATOS  symposium in Utrecht, March 2008, Hans van Lint (TU Delft).  Internationale publicatie  Bijdrage aan het Platos Colloquium 2008   Driver Behaviour Model: Developing a driver behavior model to create  a more realistic traffic simulation for purpose of analyzing and  improving road safety ‐ Presentation on Platos Colloquium 2008, Neil  E Absil.  Bijdrage aan het Platos Colloquium 2008   Microsimulatie verkeersveiligheid: Ontwikkeling van een geavanceerd  bestuurdersmodel voor verkeersveiligheidsanalyse ‐ Presentation at the  PLATOS Colloquium 2008, Gerdien Klunder.  ATMO‐rapport / Master Thesis  Absil, N.E., Driver Behaviour Model for the Multi­Agent Real­Time  Simulation (2008). Master Thesis, Augustus 2008, TU Delft, faculteit  ET‐Wi&IN, sectie Software Engineering.    Projectplan Pilotstudie Utrecht (2007 ‐ 2009)  Van Lint, J.W.C., Hegyi, A., Kleevens, P.J., Broeders, W., Zijderhand, F.,  De Utrecht­brede VerkeersMonitor. Evaluatie en demonstratie  toestandschatten en korte termijn reistijden voorspellen op het  Utrechtse wegennetwerk.  Projectplan Pilotstudie Regiolab Delft (1 maart 2008 ‐ 1 juli 2009)  Van Lint, J.W.C., Daamen, W., Van Grinsven, A.C.M., Berghout, E.A., Van  Katwijk, R.,   Test bed voor Regiolab Delft. Evaluatie en demonstratie optimalisatie  verkeersregelinstallaties en emissies op de Kruithuisweg.    Artikel  Thomas, T., Weijermars, W.A.M., and Van Berkum E.C. Periodic  variations in urban traffic volumes, European Journal of Transport and  Infrastructure Research, 2008, Vol. 8, 3, pp. 251‐263.   

15 april 2008 

W1 

15 april 2008 

W3 

15 april 2008 

W3 

2008 

W2 

5 maart 2008 

K4 

vervallen  5 maart 2008 

x  K4 

5 maart 2008 

K4 

Augustus 2008 

K2, K7 

Q4 2008 

M4, M8, W6    Niet voor  publicatie 

Q3 2008 

M4, M8, W6    Niet voor  publicatie 

2008 

W2 

35

DIID‐2b 

DIID‐2c 

DIID‐2d 

DIID‐2e 

DIIE‐1  DIIE‐2  DIIF‐0 

DIIF‐2 

DIIF‐3  DIIF‐4a 

DIIF‐4b 

DIIF‐4c 

DIIF‐4d 

Artikel  Thomas, T., and Tutert, S.I.A., Parameterization of distribution using  survey data: The influence of spatial factors on commuting trips in The  Netherlands (2008), International Workshop on Traffic Data  Collection and its Standardization, Barcelona, September 2008, CD‐ rom.  Artikel  Thomas, T., and Van Berkum, E.C., Detection of Incidents and Events in  Urban Networks. Proceedings in European ITS congress, Geneva,  2008, CD‐rom.  Artikel  Thomas, T., and Van Berkum, E.C. Logical Progression: An algorithm  for incident detection, Traffic Technology International, June/July  2008, pp. 30 – 34.  Artikel  Thomas, T., and Tutert, S.I.A. Distribution of commuting trips in The  Netherlands: A parameterization approach, TRAIL congres October  2008, CD‐rom.  Zie DIIF‐2    Zie DIIF‐3  TRAIL Masterclass: The Science of extracting valuable Information  from raw Traffic Data, Seminar + proceedings verdediging Marc  Miska (een bijlage van deliverable D5a‐8: dissertation Marc Miska).   Met de volgende hand‐outs:  DIIF­0a: Traffic Flow Modeling with Real­time Data for On­line  Network Traffic Estimation and Prediction, by Hani S. Mahmassani.  DIIF­0b: Next Generation of Simulation, by Jaume Barceló.  DIIF­0c: Traffic Measurement in Japan : Detector, VICS, ETC, and Probe  Vehicles, by Masao Kuwahara.  DIIF­0d: The Science of extracting valuable Information from raw  Traffic Data, by Hans v. Lint.  Dissertatie Hao LIU, proefschrift   Liu, H., Travel time prediction for urban networks (2008), TRAIL  Thesis Series no. T2008/12, September 2008, The Netherlands.   TRAIL Masterclass: Travel Time Prediction for Urban Networks,  Seminar + proceedings verdediging Hao LIU.  Artikel  Van Hinsbergen, C.P.I., van Lint, J.W.C. and van Zuylen, H.J., Neural  Network Committee to Predict Travel Times: Comparison of Bayesian  Evidence Approach to the Use of a Validation Set (2008).  IEEE‐ITSC,  Beijing, China.  Artikel  Van Hinsbergen, C.P.I., Zuurbier, F.S., van Lint, J.W.C. and van Zuylen,  H.J., Macroscopic modeling of intersection delay with linearly  decreasing turn capacities (2008). DTA Symposium, Leuven, Belgium.  Artikel  Van Hinsbergen, C.P.I., Zuurbier, F.S., van Lint, J.W.C. and van Zuylen,  H.J., Using an LWR model with a Cell Based Extended Kalman Filter to  Estimate Travel Times (2008). Third International Symposium of  Transport Simulation 2008 Surfers Paradise, QLD, Australia.  Artikel  Van Hinsbergen, C.P.I., van Lint, J.W.C. and van Zuylen, H.J., Bayesian  trained neural networks to forecast travel times (2008). 10th TRAIL  Congress, Rotterdam, The Netherlands.   

September 2008 

W2 

2008 

W2 

Juni 2008 

W2 

14 oktober 2008 

W2 

Vervallen 

x 

Vervallen  Januari 2007 

x  W3 

21 oktober 2008 

W1 

21 oktober 2008 

W3 

September 2008 

W2 

Mei 2008 

W2 

Q3 2008 

W2 

Oktober 2008 

W2 

36

DIIF‐4e 

DIIF‐4f 

DIIG‐1    Niet voor  publicatie  DIIG‐1b 

Artikel  Van Hinsbergen, C.P.I. and van Lint, J.W.C., Bayesian combination of  travel time prediction models (2008). 87th Annual Meeting of the  Transportation Research Board, Washington DC, USA.  Artikel  Van Hinsbergen, C.P.I. and van Lint, J.W.C., Bayesian combination of  travel time prediction models (2008). Transportation Research  Record, vol. 2064, 2008, pp. 73‐80.  Projectplan (Real‐Time) Monitoren van Emissies  Klunder, G.A., Van Leusden, W., Van Lint, J.W.C.,  

Januari 2008 

W2 

Q1 2008 

W2 

Q4 2008 

Vakpublicatie:  Van Leusden, W., Bakker, M., Hepp, L. & Vreeswijk, J., Luchtkwaliteit:  van randvoorwaarde naar doelstelling (2008). NM‐Magazine, 3e  jaargang, nummer 2, juli 2008, p. 24 ‐ 27. 

Juli 2008 

M4, M8, W6    Niet voor  publicatie  K3 

  Datum  2009  Q3 2009 

Bijdrage output  Transumo  K1  W2 

maart 2009 

K4 

Vervallen 

x 

Q3 2009 

M8, W6 

Q1 2009 

W2 

2009 

W2 

2009 

W2    Onder embargo 

2009 

W2    Onder embargo 

 

Detailresultaten 2009    Deliverable  DIA‐6  KT / PR activiteit ATMO in Utrecht  DIA‐7  Artikel  Van Lint, J.W.C., Valkenberg, A.J., Van Binsbergen, A.J., Advanced traffic  monitoring (ATMO) for sustainable traffic management. Experiences  and results of 5 years of collaborative research in The Netherlands  (2009). 16th World Congress on Intelligent Transport Systems and  Services, Stockholm, Sweden.  DIIA‐5  Bijdrage aan het Platos Colloquium 2009   Presentation at the PLATOS symposium in Utrecht, March 2009, Hans  van Lint (TU Delft).  DIIC‐4a  Eindrapportage Pilotstudie Utrecht (2007 ‐ 2009) , deze pilot is  afgebroken  DIIC‐4b  Eindrapportage Pilotstudie Regiolab Delft (1 maart 2008 ‐ 1 juli 2009)  Optimalisatie van verkeersregelinstallaties op de Kruithuisweg, Delft.  Eindrapportage van ATMO­pilot Kruithuisweg. Daamen, W., Van Lint,  J.W.C., Muller, T.H.J., Djukic, T., Valkenberg, A.J., Van Grinsven, A.C.M.,  Berghout, E.A., Feddes, B.J., en Van Katwijk, R.  DIID‐3a  Thomas, T., Jaarsma, C.F., and Tutert, S.I.A., Temporal variations of  bicycle demand in the Netherlands: The influence of weather on cycling  (2009). TRB congress 2009, Washington, CD‐rom.  DIID‐3b  Artikel  Thomas, T., and Van Berkum, E.C., Detection of Incidents and Events in  Urban Networks (2009). IET Intelligent Transport Systems, Vol. 3, 2,  pp. 198‐205.  DIID‐3c  Hoofdstuk uit boek    Thomas, T., and Tutert, S.I.A., Parameterization of distribution using  Onder  survey data: The influence of spatial factors on commuting trips in The  embargo  Netherlands (2009). Geaccepteerd voor book chapter Springer  regarding International Workshop on Traffic Data Collection and its  Standardization.  DIID‐3d  Artikel    Thomas, T., Weijermars, W.A.M, and Van Berkum, E.C., Predictions of  Onder  Urban Volumes in Single Time Series (2009). IEEE Transactions on  embargo  intelligent transportation systems, geaccepteerd and upcoming.   

37

  Deliverable  DIID‐3e  Artikel    Veenstra, S.A., Thomas, T., and Tutert, S.I.A., Trip Generation of grocery  Onder  shopping trips using survey data:  A case study in the Netherlands  embargo  (2009), geaccepteerd voor TRB 2010, Washington.  DIID‐3f  Artikel    Veenstra, S.A., Thomas, T., and Tutert, S.I.A., Trip distribution for  Onder  limited destinations: a case study for grocery shopping trips in the  embargo  Netherlands (2009), geaccepteerd voor TRB 2010, Washington.  DIID‐3g  Artikel    Thomas, T., and Tutert, S.I.A., Distribution of commuting trips in the  Onder  Netherlands: an investigation of its implications regarding travel  embargo  behavior, submitted for Transportation Research –part B.  DIIF‐5a  Artikel  Van Lint, J.W.C., Online Learning Solutions for Freeway Travel Time  Prediction (2008). IEEE Transactions on Intelligent Transportation  Systems, Vol. 9, No. 1, March 2008, pages 38 ‐ 47.  DIIF‐5b  Artikel  Hinsbergen, C.P.IJ. van, Lint, J.W.C. van & Zuylen, H.J. van, Bayesian  Training and Committees of State­Space Neural Networks for Online  Travel Time Prediction (2009). Transportation Research Record:  Journal of the Transportation Research Board, Volume 2105, Pages  118‐126.  DIIF‐5c  Artikel  Hinsbergen, C.P.IJ. van, Lint, J.W.C. van & Zuylen, H.J. van, Bayesian  training and committees of state space neural networks for online  travel time prediction (2009). Compendium of papers TRB 88th  Annual Meeting (pp. 1‐14). Washington DC, USA.  DIIF‐5d  Artikel  Hinsbergen, C.P.IJ. van, Lint, J.W.C. van & Zuylen, H.J. van, Bayesian  committee of neural networks to predict travel times with confidence  intervals (2009). Transportation Research Part C: Emerging  Technologies, Volume 17, Issue 5, Pages 498‐509.  DIIF‐5e  Artikel  Hinsbergen, C.P.IJ. van, Lint, J.W.C. van, Hoogendoorn, S.P. & Zuylen,  H.J. van, Bayesian calibration of car­following models (2009).  Proceedings 12th IFAC Symposium (pp. 91‐97). Long Beach: California  State University.  DIIF‐5f  Artikel  Hinsbergen, C.P.IJ. van, Tampere, C., Lint, J.W.C. van & Zuylen, H.J. van,  Urban intersections in first order models with the Godunov scheme  (2009). Proceedings International Scientific Conference on Mobility  and Transport (pp. 1‐15). München: Technische Universität München.    DIIF‐5g  Artikel  Hinsbergen, C.P.IJ. van, Hegyi, A., Lint, J.W.C. van & Zuylen, H.J. van,   Application of Bayesian trained neural networks to predict stochastic  travel times in urban networks (2009). Proceedings 16th  ITS World  Congress (pp. 1‐13). Stockholm: Ertico ITS Europe.    DIIG‐2  Artikel  Klunder, G.A., Wilmink, I.R., Real­Time Monitoring of Emissions with  Traffic Data, Simulation and Air Quality Measurements (2009). 16th  ITS World Congress 2009, Stockholm, Sweden.   

  Datum  2009 

Bijdrage output  Transumo  W2    Onder embargo 

2009 

W2    Onder embargo 

2009 

W2    Onder embargo 

Q1 2008 

W2 

2009 

W2 

2009 

W2 

2009 

W2 

2009 

W2 

2009 

W2 

2009 

W2 

Q3 2009 

W2 

38

  Deliverable  DIIG‐3  Eindrapportage project II‐G  Transumo ATMO – Monitoren van Emissies (2009), Gerdien Klunder,  Isabel Wilmink, Norbert Ligerterink, Ronald de Lange, Uilke  Stelwagen, Arjan Eijk, Ronald van Katwijk. TNO, TNO‐034‐DTM‐2009‐ 03811, Delft  Extra‐1  ATMOlab – Top‐up voorstel (projectplan)  Niet voor  publicatie  Extra‐2  ATMOlab – demo (in wording) 

  Datum  Q3 2009 

Bijdrage output  Transumo  M8, W6 

maart 2008 

M3, M8, W6  Niet voor  publicatie  M12, K2, M8, W6

Q4 2009 

 

39

Bijlage III: Mijlpalen (gehele looptijd project) In deze bijlage treft u achtergrondinformatie aan over de kwantificering van de output. De onderstaande figuur illustreert de hoogtepunten.

 

 

40

In onderstaande tabellen vindt u de totaaloverzichten. Mijlpalen voor wetenschappelijke output   Wetenschappelijke publicatie 

Totale bijdrage   

W1  Dissertaties/theses  W2  Wetenschappelijke publicaties  W3  Wetenschappelijke seminars  Internationalisering  W4  Aansluiting internationale netwerken  W5  Participatie internationale deskundigen  Toepassingen  W6  Toepassingen (valorisatie)  Mijlpalen voor economische en maatschappelijke output   Duurzame kennisinfra  M1  Meer‐partij onderzoek  M2  Best practices  M3  Samenwerkingsverbanden  Kennis duurzame mobiliteit  M4  Conceptontwikkeling  M5  Kennis over technologische vernieuwing  M6  Kennis van gebruikers  Ervaring voor implementatie  M7a  Gebruikersoriëntatie  M7b  Gebruikersparticipatie  M8  Praktijkcases  M9  Proeftuinprojecten  M10  (Ontwikkelen) transitiekennis  Concretisering  M11  Investeringsprojecten  M12  Commerciële tools  Mijlpalen innovatietraject, incl. kennistransfer  Communicatie­uitingen  K1a  Website*  K1b  Factsheets projecten  K1c  Transumo brochure/leaflet  K1d  Transumo jaarverslag  K1e  Transumo jaarcongres  Toegepaste publicaties  K2  Onderzoeks(tussen)rapportages  K3  Vakpublicatie  K4  (Bijdragen) Vaksymposia  K5  Lezingen, interviews  Onderwijs  K6  Onderwijscases HBO/WO  K7  Afstudeerprojecten/stages  Communities  K8  Communities/Networks of Practice 

6  62  6    2      8  Totale bijdrage    1    2    13  2        1  4  1  5    2  1  Totale bijdrage        1          10  4  6  2    6  3    2 

       

41

Bijlage IV: Top-up project ATMOlab

                           

Auteur

Hans van Lint

Datum

Oktober 2009

42

Samenvatting Nederlands  Deze top-up betreft de ontwikkeling van een kunstmatig verkeerslaboratorium op het gebied van verkeersmonitoring, ATMOLab (Artificial Traffic monitoring laboratory) geheten. Dit kunstmatige laboratorium kan als mock-up worden gebruikt bij onderzoek naar duurzame verkeersmaatregelen in een echt verkeersnetwerk, waarbij het moeilijk, onbetaalbaar of simpelweg onmogelijk is om in de werkelijkheid ook echt de benodigde invoer en de resulterende effecten te meten, bijvoorbeeld: o Toestandschatters en voorspellers op basis (van combinaties) van nieuwe type sensoren (floating car data, RFID sensoren, etc.) welke nog niet operationeel zijn (maar wel al volgens specificaties kunnen worden nagebootst) o Verkeersmaatregelen evalueren op grond van meerdere objectieven (bv verkeersregelingen in realtime geoptimaliseerd op basis van zowel emissies/concentraties fijnstof en bijvoorbeeld verliestijden) Voor het ATMO-project betekent dit dat een prototype van dit kunstmatig verkeers-laboratorium wordt ontwikkeld (in Matlab) dat in verschillende test omgevingen is getest en waarmee de significantie ervan is gedemonstreerd. De gedachte is dat dit prototype verder kan worden uitontwikkeld en vervolgens wordt vermarkt. ATMOLab versterkt het Transumo-programma, doordat het meer samenhang bewerkstelligt binnen het ATMO-project zelf (het verbindt twee pilotstudies en een apart emissie-deelproject). Het versterkt ook het Verkeersmanagement thema waar ATMO onder valt, samen met de projecten ATMA-MODerN, IV, TraDuVem en GIV.

43

1. Introductie ATMOLab is binnen het ATMO-project ontwikkeld als een schil om bestaande micro-simulatie omgevingen 1 , waarin een drietal zaken zijn geïncorporeerd – alle drie noodzakelijk om nieuwe duurzame multi-objective verkeersmanagementstrategieën te kunnen testen (zie Figuur 2): 1. Een bundeling van tools en algoritmes om het micro model te kalibreren op het netwerk (OD matrix, (keuze)gedragsparameters), hier gaat het dus om de invoer 2. Koppeling met modellen die op grond van verkeerscondities (uit de micro omgeving) de emissies kunnen berekenen (en in een later stadium wellicht ook concentraties of bijv sorrogaatmaten voor veiligheid) 3. Een bundeling van tools en algoritmes om op gemakkelijke manier de uitvoer van het micro model te verkrijgen (data uit allerlei - kunstmatige - sensoren, gekozen routes, emissies, etc.)

ATMOLab GUI (VISSIM input)  1  VISSIM  Sensors  loops, cams, FCD (traffic operations)  2  VERSIT+ (emissions)  2 

3 

ATMOLab GUI (VISSIM output) 

…  ATMO  Utrecht  ATMO  Regiolab‐ Delft Pilot ATMO  real‐time  emissies Figuur 2: ATMOLab (nieuw voorziene ontwikkelingen in het huidige project zijn grijs gemarkeerd) in relatie tot de draaiende ATMO projecten

Met het gereed komen van deze top-up is voldaan aan de volgende twee deliverables: Product 1 – Een samenvoeging van bestaande software tools tot een (her)bruikbaar pakket waarmee het gemakkelijk is om (a) VISSIM input (OD, route keuze, etc.) te kalibreren en (b) VISSIM output (sensorgegevens en emissies via VERSIT+) te produceren. Dit eindproduct is een herbruikbare open source (matlab) toolbox, die samen met VISSIM te gebruiken is (vandaar de naam ATMOLab) – en naar eigen inzicht kan worden doorontwikkeld. Product 2 - We hebben deze toolkit binnen ATMO gedemonstreerd /gebruikt (a) in de ATMO Pilot in Utrecht en (b) in de ATMO / Regiolab-Delft Pilot en (c) in het project (real-time) motitoren van emissies in ATMO. Bovendien komt het ook van pas in (bijna) alle simulatie projecten waar vaak – in termen van in- en output - het wiel opnieuw wordt uitgevonden. Eindproduct is hier de procesnotitie waarin de eerste ervaringen van ATMOLab zijn opgenomen.

                                                                   1  in eerste instantie VISSIM – de ATMOLab tool is zo veel mogelijk generiek opgezet zodat ze ook kan worden verder ontwikkeld voor andere micro simulatie pakketten zoals Paramix en Aimsun. 

44

Voor zover bekend is er nog niet zoiets vergelijkbaars gemaakt en zijn marktpartijen (aanbieders en klanten) zeer geïnteresseerd in een betrouwbare geïntegreerde tool voor het doorrekenen van duurzaamheidaspecten van Dynamisch Verkeersmanagement. Binnen het ATMO-project is daar nu een prototype voor gemaakt, die de markt (Vialis en TNO voorop) kan gaan inzetten in de praktijk. Ook de TU Delft heeft baat bij dit ontwikkelde prototype, gezien de grote rol die simulatie studies spelen in hun onderzoek en onderwijs.

2. Onderzoeksopzet/aanpak Het ATMO-projectplan is in 2004/2005 bottom-up ontstaan en gaan draaien. In 2007 is de onderzoeksopzet aangepast. Zes succesvolle deelprojecten zijn gecontinueerd en daarnaast is een parallel spoor uitgezet gefocusseerd op kennisverspreiding en ‘PR’. Tenslotte zijn langs een derde spoor twee pilots (Delft, Utrecht) gestart en het top-up project ATMOlab. In de pilots en die top-up hebben AIO’s samengewerkt met praktijkmensen om hun ideeën in een concreet netwerk uit te testen. Samenstelling van het consortium in relatie tot het Top-up project, deelproject (Real-time) Monitoren van Emissies en de pilot-projecten Delft en Utrecht. Partij Rol Namen projectteamdeelnemers Rijkswaterstaat – - Faciliterend bij Pilot-studie Regiolab Delft - Henk Taale DVS (AVV) TU Delft Projectleiding in: - Hans van Lint -Top-up project ATMOlab - Henk van Zuylen -Pilotstudie Utrecht - Winnie Daamen -Pilotstudie Regiolab Delft - Andreas Hegyi - Theo Muller - Participant in deelproject (Real-Time) Monitoren - Chris van Hinsbergen van Emissies - Albert Valkenberg Vialis - Participant in pilotstudie Utrecht. - Wim Broeders - Participant in Top-up project ATMOlab - Alexander Brokx - Anton Wijbenga - Heidi Bergsma Provincie - Participant in pilot-studie Regiolab Delft - Lieke Berghout Zuid-Holland - Betrokken bij Top-up project ATMOlab - Berend Feddes Gemeente Delft - Participant in de pilotstudie Regiolab Delft - Ton van Grinsven - Betrokken bij Top-up project ATMOlab TNO: - Projecttrekker van deelproject (Real-Time) - Gerdien Klunder TNO Bouw en Monitoren van Emissies - Ronald van Katwijk - Participant in pilotstudie Regiolab Delft - Isabel Wilmink Ondergrond - Betrokken bij Top-up project ATMOlab - Tanja Vonk Siemens - Participant in deelproject (Real-Time) Monitoren - Willem van Leusden van Emissies ARS T&TT - Participant in pilotstudie Utrecht - Fred Zijderhand - Arjan den Heijer Gemeente - Participant pilotstudie Utrecht - Peter Jan Kleevens - Patricia Stumpel Utrecht Projectuitvoering procesmatig Het project heeft een vertraging opgelopen van 4-5 maanden. Dit als gevolg van: - problemen in de beschikbaar van gegevens op basis waarvan het model opgebouwd is; - technische complicaties bij de koppeling tussen verschillende software tools. De laatste stap m.b.t. de milieu analyse is alsnog, met vertraging in de laatste weken van het project, in samenwerking met de gemeente Utrecht uitgevoerd.

45

Wetenschappelijke methodologie Er is niet één wetenschappelijke methodologie toegepast in ATMOlab, dat kan ook niet. (Zie verder ATMO-eindrapportage). Projectuitvoering en samenwerking binnen het project Er is een volledig virtuele verkeersomgeving (Dynamisch verkeersmodel) gebouwd waaruit verkeersgegevens en reistijden gegenereerd kunnen worden. Als eerste stap is hiervoor een nieuw statisch verkeersmodel met nieuwe zones en herkomst-bestemmingsmatrices ontwikkeld (VISUM) en gekalibreerd. Een en ander heeft in nauw overleg en afstemming met de Gemeente Utrecht plaatsgevonden. Vanuit dit model heeft een conversie naar het dynamische model VISSIM, plaatsgevonden. Het model: De omgeving omvat momenteel zowel een deel van het hoofdwegennet rondom Utrecht (A2, A12 incl. de parallelbanen) als de hoofdstructuur en enkele ontsluitingswegen van de gemeente Utrecht. De afbakening van het onderzoeksgebied is weergegeven in onderstaand figuur. In totaal zit er 200 km aan wegen in het verkeersmodel waarvan 60 km HWN en 140 km OWN. De infrastructuur van het wegennet is gecontroleerd aan de hand van VRI tekeningen, beschikbare luchtfoto's en feedback van de gemeente Utrecht. In het model zijn 21 VRI's opgenomen als verkeersafhankelijke regelingen. Hiervoor zijn de detectoren en stopstrepen gesitueerd in het verkeersmodel en zijn de langzaamverkeer-oversteken opgenomen om zodoende de cyclustijd van de regelingen realistisch te maken. De hoeveelheid langszaamverkeer is bepaald in overleg met de gemeente Utrecht. De routes en intensiteiten zijn tot stand gekomen door een uitsnede van het online verkeersmodel als basis te nemen. Voor de reistijd berekeningen zijn 3 routes ingevoerd waarop met camera’s gemeten wordt. Deze uitsnede is vervolgens verbeterd met nieuwe matrices van 122 zones (verkregen van de gemeente Utrecht). Deze zones zijn opnieuw gekoppeld aan het verkeersmodel. De intensiteiten zijn gekalibreerd met behulp van gevalideerde data van de inwinpunten (Monica voor het HWN en VRI voor het OWN). Aan het model is aandacht besteed aan het rijgedrag van de voertuigen op het HWN om de doorstroming van en naar het OWN zo natuur getrouw mogelijk te laten verlopen.   Dit VISSIM-model zal door Vialis in juli 2009 gekoppeld worden aan het Versit+ emissie model van TNO, de twee gecombineerde modellen zijn bekend als “EnViVer”. Aan de hand van twee verschillende verkeersmanagement scenario’s die door de gemeente Utrecht zullen worden aangeleverd, zal de verwachte emissieuitstoot worden berekend. Hiermee kan een vergelijking op basis van emissie gemaakt worden tussen verschillende verkeersmanagementscenario’s. Het geeft hiermee inzicht in de prestatie wat betreft verkeersafwikkeling en waar, hoeveel emissie zal ontstaan (op straatniveau). In het kader van ATMO wordt door TNO en Siemens ook met dit model gewerkt. De resultaten zijn hierdoor goed met elkaar vergelijkbaar geworden.    

46

3. Resultaten, lessen en effecten Figuur 1 geeft een grove weergave van de binnen ATMO ontwikkelde producten of uitgevoerd onderzoek over de looptijd van het project, zie verder eindrapportage van het ATMO-project. Hierin is ATMOlab als project opgenomen. Voor meer details verwijzen we naar de bijlagen, waar de lijst met ATMOlabproducten is opgenomen.

Figuur 2: Producten en mijlpalen in de looptijd van ATMO

Kort samengevat zijn er bij ATMOlab twee deliverables opgeleverd: ‐ De evaluatie-tool ‐ Procesnotitie met de eerste gebruikerservaringen

4. Verankering en doorwerking De gemeente Utrecht zal de resultaten en producten van deze studie verder operationaliseren. De gebouwde virtuele verkeersomgeving (VISSIM-model) zal door de gemeente in verdere verkeersstudies gehanteerd worden. Het emissiemodel wordt op basis van de bevindingen door TNO en Vialis verder ontwikkeld. Zo is er nu al duidelijk geworden dat er behoefte is om achtergrond vervuiling en omgevingsfactoren mee te nemen in het milieu model.

5. Projectsucces In het oorspronkelijke projectplan van ATMO werden a priori de volgende (noodzakelijk kwantitatieve en tentatieve indicaties van) bijdragen aan people, planet en profit voorzien: Bijdragen ATMOlab als tool leidt tot verbeteringen t.a.v.

People

Planet x

Profit x

47

Trots op de resultaten Het ATMO projectteam is trots op deliverables vanuit ATMOlab. Rol en toegevoegde waarde van Transumo Zie ATMO eindrapportage.

Trefwoorden Monitoring, meten, detectiemiddelen, lussen, camera’s, floating car data, Reistijd, intensiteit, dichtheid, snelheid, emissies, veiligheid, reistijdbetrouwbaarheid, verkeerstroomtheorie, verkeersmodellen, realtime, modelleren, data fusie, toestandschatten, voorspellen, verkeersmanagement, ITS.

48

Bijlage 1 bij ATMO-Lab: resultaten & deliverables In deze bijlage is een totaaloverzicht opgenomen van alle output van het ATMO-project gedurende de jaren 2005 – 2009. Hier treft u de detailresultaten, achtergrondinformatie en ook een kwalificering per item. De kwantificering van de output is opgenomen in de bijlage Mijlpalen.

Detailresultaten 2008 Deliverable Extra-1

ATMOlab – Top-up voorstel (projectplan)

Datum

Bijdrage output Transumo

maart 2008

M8, W6

Datum Q3 2009 Q3 2009

Bijdrage output Transumo K2, M8, W6 M12

Detailresultaten 2009 Deliverable Extra-2 ATMOlab – eindrapportage (procesnotitie) Extra-3 ATMOlab – demo/tool

49

Bijlage 2 bij ATMO-Lab: Mijlpalen (gehele looptijd project) In onderstaande tabellen vindt u de overzichten. Mijlpalen voor wetenschappelijke output Wetenschappelijke publicatie W1 Dissertaties/theses W2 Wetenschappelijke publicaties W3 Wetenschappelijke seminars Internationalisering W4 Aansluiting internationale netwerken W5 Participatie internationale deskundigen Toepassingen W6 Toepassingen (valorisatie) Mijlpalen voor economische en maatschappelijke output Duurzame kennisinfra M1 Meer-partij onderzoek M2 Best practices M3 Samenwerkingsverbanden Kennis duurzame mobiliteit M4 Conceptontwikkeling M5 Kennis over technologische vernieuwing M6 Kennis van gebruikers Ervaring voor implementatie M7a Gebruikersoriëntatie M7b Gebruikersparticipatie M8 Praktijkcases M9 Proeftuinprojecten M10 (Ontwikkelen) transitiekennis Concretisering M11 Investeringsprojecten M12 Commerciële tools Mijlpalen innovatietraject, incl. kennistransfer Communicatie-uitingen K1a Website* K1b Factsheets projecten K1c Transumo brochure/leaflet K1d Transumo jaarverslag K1e Transumo jaarcongres Toegepaste publicaties K2 Onderzoeks(tussen)rapportages K3 Vakpublicatie K4 (Bijdragen) Vaksymposia K5 Lezingen, interviews Onderwijs K6 Onderwijscases HBO/WO K7 Afstudeerprojecten/stages Communities K8 Communities/Networks of Practice

Bijdrage project

1 Bijdrage project 1

1

1 Bijdrage project

1

1

2

50

Over Transumo Transumo (TRansition SUstainable MObility) is een platform van meer dan 300 bedrijven, overheden en kennisinstellingen die gezamenlijk kennis ontwikkelen op het gebied van duurzame mobiliteit. Transumo streeft naar een transitie vanuit het huidige, inefficiënte Nederlandse mobiliteitssysteem naar een duurzaam systeem dat bijdraagt aan versterking van de economische concurrentiepositie, met aandacht voor mens en milieu. Transumo’s activiteiten zijn gestart in 2005 en liepen tot eind 2009. Er is binnen Transumo gewerkt aan ruim 35 projecten en ruim 30 Top-up’s. Louis Pasteurlaan 6 PO Box 80 2700 AB Zoetermeer T +31 (0)79 347 09 50 F +31 (0)79 347 09 55 [email protected] www.transumo.nl

Meer informatie over dit project en andere Transumo-projecten is te downloaden op: www.transumofootprint.nl