Visualisatie van verkeersdata als essentieel onderdeel van een iteratief Gebiedsgericht Benutten proces Ben De Wit
Thesis voorgedragen tot het behalen van de graad van Master of Science in de ingenieurswetenschappen: verkeer, logistiek en intelligente transportsystemen Promotor: prof. dr. ir. C. Tampère
Academiejaar 2014 – 2015 Master of Science in de ingenieurswetenschappen: verkeer, logistiek en intelligente transportsystemen
Visualisatie van verkeersdata als essentieel onderdeel van een iteratief Gebiedsgericht Benutten proces Ben De Wit
Thesis voorgedragen tot het behalen van de graad van Master of Science in de ingenieurswetenschappen: verkeer, logistiek en intelligente transportsystemen Promotor: prof. dr. ir. C. Tampère Assessoren: dr. D. Borremans prof. dr. ir. D. Lauwers Begeleider: dr. ir. M. Blondia
Academiejaar 2014 – 2015
c Copyright KU Leuven
Zonder voorafgaande schriftelijke toestemming van zowel de promotor als de auteur is overnemen, kopi¨eren, gebruiken of realiseren van deze uitgave of gedeelten ervan verboden. Voor aanvragen tot of informatie i.v.m. het overnemen en/of gebruik en/of realisatie van gedeelten uit deze publicatie, wend u tot Centre for Industrial Management, Celestijnenlaan 300A Bus 2422, B-3001 Heverlee, +32-16-322567. Voorafgaande schriftelijke toestemming van de promotor is eveneens vereist voor het aanwenden van de in deze masterproef beschreven (originele) methoden, producten, schakelingen en programma’s voor industrieel of commercieel nut en voor de inzending van deze publicatie ter deelname aan wetenschappelijke prijzen of wedstrijden.
Voorwoord Toen ik enkele jaren geleden begon aan de opleiding ingenieurswetenschappen, had ik geen idee wat mij allemaal te wachten zou staan. Na een driejarige bachelor startte ik aan de relatief onbekende masteropleiding verkeer, logistiek en intelligente transportsystemen. Van deze keuze heb ik geen seconde spijt gehad. De combinatie van interessante onderwerpen, vriendelijke professoren en een kleine studentengroep was voor mij de perfecte omkadering voor een aantrekkelijke opleiding die mij veel heeft bijgeleerd. De masterproef is het sluitstuk van een academische carrière om te bewijzen dat je in staat bent om een wetenschappelijk onderzoek uit te voeren. Dit bleek een intensieve, spannende en leerrijke uitdaging te zijn. Gelukkig ben je niet alleen om deze opdracht tot een goed einde te brengen. Daarom zou ik graag een aantal mensen willen bedanken die mij gesteund en geholpen hebben bij het schrijven van mijn masterproef. Eerst en vooral wil ik mijn promotor prof. dr. ir. C. Tampère bedanken voor het aanreiken van het interessante onderwerp van mijn masterproef. Daarnaast wil ik hem samen met mijn begeleider dr. ir. M. Blondia bedanken om mij bij te staan met hun inzicht, expertise en opbouwende kritiek tijdens het schrijven van mijn masterproef. Daarnaast wil ik ook graag mijn vrienden bedanken voor de ontspanning tijdens de drukke en stressvolle periodes. Zij hebben van mijn studententijd een onvergetelijke periode gemaakt. Ook mijn zus Lennie wil ik bedanken voor het nalezen van mijn masterproef. Mijn grootste dank gaat echter uit naar mijn ouders. Ik apprecieer enorm alle kansen die zij mij ooit gegeven hebben, inclusief de boeiende mogelijkheid tot het behalen van een masterdiploma in de ingenieurswetenschappen. Mede dankzij hun steun en vele aanmoedigingen ben ik geraakt waar ik nu sta. Hartelijk bedankt voor alles, mama en papa. Ben De Wit
i
Inhoudsopgave Voorwoord ............................................................................................................................................................................. i Inhoudsopgave ....................................................................................................................................................................ii Samenvatting ......................................................................................................................................................................iv Lijst van figuren .................................................................................................................................................................. v Lijst van afkortingen ........................................................................................................................................................vi Hoofdstuk 1: Inleiding.................................................................................................................................... 1 1.1.
Situering van het probleem ........................................................................................................................1
1.1.1.
Dynamisch verkeersmanagement..................................................................................................2
1.1.2.
Gebiedsgericht Benutten....................................................................................................................3
1.1.3.
Doelstelling masterproef ...................................................................................................................3
1.2.
Onderzoeksvragen .........................................................................................................................................3
1.3.
Werkwijze ..........................................................................................................................................................4
Hoofdstuk 2: Gebiedsgericht Benutten .................................................................................................... 5 2.1.
Oorspronkelijk Gebiedsgericht Benutten proces ..............................................................................5
2.1.1.
Overzichtsschema .................................................................................................................................6
2.1.2.
Toelichting belangrijke deelstappen .............................................................................................7
2.1.3.
Zwaktes van de originele processtructuur .............................................................................. 11
2.2.
Iteratief Gebiedsgericht Benutten proces.......................................................................................... 12
2.2.1.
Processchema ...................................................................................................................................... 12
2.2.2.
Aantal iteraties beperken ............................................................................................................... 13
2.2.3.
Draagvlak van het project bevorderen...................................................................................... 15
2.3.
Conclusie ......................................................................................................................................................... 17
Hoofdstuk 3: Analyse van verkeersdata ............................................................................................... 19 3.1.
Verkeersmodellen ....................................................................................................................................... 19
3.1.1.
Vervoersnetwerk................................................................................................................................ 20
3.1.2.
Verplaatsingsmarkt ........................................................................................................................... 20
3.1.3.
Toedeling van de verkeersvraag.................................................................................................. 21
3.1.4.
Kalibratie en validatie ...................................................................................................................... 22
3.1.5.
Verkeersmodel als voorspellingstool ........................................................................................ 23
3.1.6.
Conclusie................................................................................................................................................ 24
3.2.
Floating car data........................................................................................................................................... 25
3.2.1.
Registratietechnieken ...................................................................................................................... 26
3.2.2.
Kalibratie van de verkeersvraag .................................................................................................. 27 ii
3.2.3.
Toedeling van de verkeersvraag.................................................................................................. 27
3.2.4.
Conclusie................................................................................................................................................ 29
Hoofdstuk 4: Visuele data-analyse ......................................................................................................... 30 4.1.
Data-analyse .................................................................................................................................................. 32
4.1.1.
Data verzamelen ................................................................................................................................. 32
4.1.2.
Data structureren ............................................................................................................................... 32
4.1.3.
Data bewerken .................................................................................................................................... 34
4.1.4.
Data doorzoeken ................................................................................................................................ 35
4.1.5.
Conclusie................................................................................................................................................ 36
4.2.
Datavisualisatie ............................................................................................................................................ 37
4.2.1.
Visualisatie van verkeersdata ....................................................................................................... 37
4.2.2.
Visualisatie als interactieve verkenningstool......................................................................... 38
4.2.3.
Visualisatietoepassingen voor GGB ............................................................................................ 40
4.2.4.
Conclusie................................................................................................................................................ 45
Hoofdstuk 5: Besluit..................................................................................................................................... 46 Bronvermelding .......................................................................................................................................................... 48
iii
Samenvatting Het Vlaamse wegennetwerk wordt dagelijks geteisterd door structurele congestie, met soms lange files en verliestijden tot gevolg. Dynamisch verkeersmanagement is één van de mogelijke oplossingsstrategieën om op relatief korte termijn verkeerproblemen aan te pakken. Deze aanpak is het meest effectief als alle relevante partijen op regionaal niveau samenwerken om dynamische verkeersmanagementmaatregelen te ontwikkelen. Maar een gecoördineerde samenwerking tussen een grote groep stakeholders is in Vlaanderen niet altijd vanzelfsprekend. Vandaar dat een handleiding voor het uitwerken van een dynamisch verkeersmanagementsysteem een nuttig hulpmiddel zou kunnen zijn voor Vlaamse beleidsmakers. Het startpunt van deze masterproef is het oorspronkelijk Nederlands Gebiedsgericht Benutten proces. Dit is een gestructureerd stappenplan om dynamische verkeersmanagementmaatregelen te ontwikkelen. Na een grondige analyse van deze Nederlandse procesaanpak, volgen enkele punten van kritiek die aanleiding geven tot een aantal aandachtspunten en mogelijke verbeteringen van het proces. Naast een algemene conceptuele beschrijving van een vernieuwde processtructuur wordt ook onderzocht welke verkeersdata, analysemethodes en visualisatietools het GGB-proces kunnen ondersteunen. Hierbij wordt een expliciet onderscheid gemaakt tussen klassieke verkeersmodellen en floating car data als databron voor verkeersanalyses. In het laatste deel komen visualisaties uit een eigen GGB-oefening aan bod die aantonen hoe bepaalde visualisatietechnieken kunnen helpen bij het nemen van beslissingen in een GGB-project.
iv
Lijst van figuren Figuur 1: Gemiddelde verzadigingsgraad van de Vlaamse snelwegen op werkdagen [1] ..................1 Figuur 2: Schematisch overzicht van het oorspronkelijk Gebiedsgericht Benutten proces [4] ........6 Figuur 3: Schematisch overzicht van een iteratief Gebiedsgericht Benutten proces ......................... 12 Figuur 4: Mogelijke moeilijkheden bij routereconstructie op basis van FCD [23] .............................. 28 Figuur 5: Processchema van het Visual Analytics proces [26] ..................................................................... 31 Figuur 6: Interactie tussen de zeven stappen in het data-analyse proces volgens Ben Fry [27] ... 31 Figuur 7: Database opgebouwd volgens het traditionele model [30] ....................................................... 33 Figuur 8: Database opgebouwd volgens het stervormig model [30] ........................................................ 33 Figuur 9: Kwartet van Anscombe [43] ................................................................................................................... 39 Figuur 10: Overzicht case sluiproute Geldenaaksebaan ................................................................................. 40 Figuur 11: Cumulatieve kosten van route Geldenaaksebaan en route Meerdaalboslaan ................. 41 Figuur 12: Cumulatieve verliestijd van route Geldenaaksebaan en route Meerdaalboslaan .......... 42 Figuur 13: Tijd-ruimtediagram van het basis- en oplossingsscenario van beide routes .................. 43 Figuur 14: Volumeplot van de gebruikte route in het basis- en het oplossingsscenario .................. 44 Figuur 15: Verschil in verkeersvolumes tussen het oplossings- en het basisscenario ...................... 45
v
Lijst van afkortingen ABS FCD GGB GPS HB-matrix PAS SQL VMS
Anti-lock Braking System Floating Car Data Gebiedsgericht Benutten Global Positioning System Herkomst-bestemmingsmatrix Paired Alternative Segments Structured Query Language Variable Message Sign
vi
Hoofdstuk 1:
Inleiding Dit inleidend hoofdstuk beschrijft eerst de probleemstelling, de onderzoeksvraag en het doel van deze masterproef om zo het onderwerp in een breder kader te schetsen. Daarna volgt een toelichting over de gebruikte methodologie om een antwoord te kunnen formuleren op de onderzoeksvraag. En ten slotte komt de opbouw van deze masterproef aan bod.
Situering van het probleem De verkeerssituatie in Vlaanderen is anno 2015 niet optimaal. Elke dag staan er structurele files op het snelwegennet en ook de wegen rondom steden slibben stilaan dicht. Volgens een rapport van het Vlaams Verkeerscentrum is het verkeer op de Vlaamse snelwegen in 2014 met 2 à 3% toegenomen ten opzichte van het jaar ervoor, waardoor ook de verzadigingsgraad verder is gestegen. Uit figuur 1 blijkt dat de verzadigingsgraad het grootst is in de Vlaamse Ruit. Vooral het zuidelijk deel van de Antwerpse ring en het noordelijk deel van de Brusselse ring zijn extreem verzadigd (zwart op de kaart). Daarnaast zijn ook de snelwegen E19, E17 en E40 tussen de drie grote steden Antwerpen, Brussel en Gent overladen met verkeer (rood op de kaart) [1].
Figuur 1: Gemiddelde verzadigingsgraad van de Vlaamse snelwegen op werkdagen [1]
1
1.1.1. Dynamisch verkeersmanagement Het is algemeen erkend dat er iets gedaan moet worden aan de verkeersproblematiek in Vlaanderen. Nieuwe wegen aanleggen om de capaciteit van het wegennet te verhogen, is geen eenvoudige opdracht in een volgebouwd Vlaanderen. De aanhoudende discussies over een verbreding van het noordelijk deel van de Brusselse ring en de aanleg van een Oosterweelverbinding in Antwerpen zijn hiervan het bewijs bij uitstek. Naast investeren in nieuwe en verbeterde wegen, is het daarom zeker en vast ook nodig om na te denken over een betere benutting van de huidige infrastructuur. De verzamelterm voor het efficiënter benutten van de bestaande capaciteit van een wegennetwerk is dynamisch verkeersmanagement. Dynamisch verkeersmanagement heeft als doel sturingsmaatregelen te ontwikkelen die verkeersstromen efficiënter geleiden door het netwerk. Het voordeel van deze aanpak is dat in eerste instantie niet uitgegaan wordt van infrastructurele aanpassingen, aangezien een uitbreiding van de netwerkcapaciteit geen oplossing is binnen dynamisch verkeersmanagement. Vlaanderen zet momenteel vooral in op het beter informeren van weggebruikers met behulp van VMS-borden langs de snelwegen [2]. Dit zijn dynamische informatieborden die bedoeld zijn om enerzijds de verkeersveiligheid te verbeteren en anderzijds de beschikbare capaciteit beter te benutten. Hieronder volgen enkele sturingsmogelijkheden van VMS-borden die kunnen bijdragen tot het verwezenlijken van deze twee doelstellingen. Maatregelen om de verkeersveiligheid te verbeteren:
Snelheidsbeperkingen opleggen in functie van omgevingsomstandigheden (bv. bij hevige regen of ijzel);
Verkeer stroomopwaarts van een incident, hindernis of wegwerkzaamheden tijdig waarschuwen en snelheid afbouwen om zo ongevallen in een filestaart te voorkomen.
Maatregelen om de beschikbare capaciteit beter te benutten:
Doorstroming verbeteren door verkeersstromen te harmoniseren met behulp van snelheidsbeperkingen;
Verkeersstromen herverdelen met behulp van dynamisch route-advies, realtime reistijdinformatie, informatie over geplande evenementen en wegwerkzaamheden;
Dynamisch de capaciteit aanpassen door tijdelijk extra rijstroken ter beschikking te stellen of af te kruisen, eventueel beperkt tot bepaalde doelgroepen (bv. spitsstroken, busstroken).
Dynamische verkeersmanagementmaatregelen om de capaciteit van het wegennet beter te benutten worden momenteel te weinig toegepast in Vlaanderen. Een mogelijk gevaar dreigt als dynamisch verkeersmanagement ad hoc geïmplementeerd zou worden op verschillende niveaus (lokaal, regionaal, nationaal) en per probleem afzonderlijk. Een samenwerking op regionaal niveau met alle relevante partijen is namelijk noodzakelijk om een set van maatregelen te kunnen ontwikkelen die op elkaar afgestemd zijn. Anders kan het zijn dat maatregelen elkaar gaan tegenwerken of dat potentiële synergie tussen maatregelen onbenut blijft.
2
1.1.2. Gebiedsgericht Benutten Beslissingen nemen binnen het mobiliteitsdomein, zoals de aanleg van nieuwe infrastructuur, het invoeren van rekeningrijden of investeren in nieuwe transporttechnologieën, is niet altijd eenvoudig omwille van de uiteenlopende belangen van stakeholders. Daardoor leiden mobiliteitsprojecten vaak tot discussie en controverse. Om het beslissingsproces enigszins te structureren, worden vaak bepaalde handleidingen geraadpleegd of beslissingsmodellen toegepast. Het gebruik van dergelijke leidraad zou in principe moeten resulteren in snellere en objectievere beslissingen. Gebiedsgericht Benutten (GGB) is een Nederlands voorbeeld van een processtructuur die het ontwikkelen van dynamische verkeersmanagementmaatregelen ondersteunt. De aanpak vormt een goede leidraad voor een besluitvormingsproces met tal van stakeholders die elk andere belangen behartigen. Het startpunt van een GGB-proces zijn de beleidsuitgangspunten van alle belangrijke stakeholders. Het uiteindelijke doel is om een set van maatregelen te ontwikkelen die de werkelijke verkeerssituatie doet evolueren in de richting van een gemeenschappelijk overeengekomen streefbeeld. Vooral de duidelijke structuur en het opleveren van eindproducten in elke stap zijn sterke punten van de Gebiedsgericht Benutten aanpak.
1.1.3. Doelstelling masterproef In Vlaanderen bestaat er nog geen uniforme aanpak om een regionaal dynamisch verkeersmanagementsysteem op poten te zetten. Het opzet van deze masterproef is dan ook om vertrekkende van het Gebiedsgericht Benutten concept een vernieuwde procesaanpak te formuleren met voldoende terugkoppeling. Naast het uitwerken van een iteratieve processtructuur is het ook de bedoeling om te onderzoeken welke verkeersdata en -analyses nuttig kunnen zijn ter ondersteuning van het GGB-proces. Als laatste heeft deze masterproef de ambitie om te onderzoeken hoe visualisatie ingezet kan worden bij het inzichtelijk maken van verkeerssituaties en -mechanismen.
Onderzoeksvragen Op basis van de voorgaande beschrijving van de probleemstelling is de kernonderzoeksvraag voor deze masterproef geformuleerd als volgt: Welke verkeersdata, analysemethodes en visualisatietools kunnen een iteratief Gebiedsgericht Benutten proces ondersteunen om goed onderbouwde beslissingen te nemen? Uit de kernonderzoeksvraag volgen een aantal afgeleide vragen:
Hoe wordt een GGB-traject doorlopen en wat zijn de cruciale stappen in dit proces?
Welke verkeersanalyses kunnen nuttig zijn in de verschillende GGB-stappen?
Welke verkeersdata is nodig om de verkeersanalyses te kunnen uitvoeren?
Hoe kunnen visualisatietechnieken helpen bij zowel de verkeersanalyse als het voorstellen van een verkeerssituatie?
3
Werkwijze Hoofdstuk 2 beschrijft de verschillende stappen en de mogelijke struikelblokken uit het oorspronkelijke Nederlandse GGB-proces. Inzicht in de deelstappen is ook vereist om daarna te kunnen nadenken over mogelijke verkeersanalyses ter ondersteuning van het proces. Na de eigen bedenkingen bij het oorspronkelijke proces wordt in hoofdstuk 2 ook een aanpassing van het proces uitgewerkt. Een GGB-proces vereist zowel een analyse van de huidige situatie als een voorspelling van de toekomstige situatie. De huidige situatie beschrijven zou in principe accurater moeten kunnen dan de toekomst te voorspellen. Hoofdstuk 3 geeft daarom eerst toelichting bij de eigenschappen van toekomstvoorspellingen aan de hand van twee theoretische concepten. Hoofdstuk 4 behandelt vervolgens de verkeersdata en analysetechnieken die nodig zijn om inzicht te verkrijgen in de huidige verkeerssituatie in een gebied. Twee verschillende vormen van verkeersdata en analysetechnieken komen hier aan bod. Uit hoofdstuk 4 zal blijken dat zowel voor de analyse als de voorstelling van verkeerssituaties, visualisatie een enorm handige en soms ook noodzakelijke tool zal zijn. Daarom gaat hoofdstuk 5 dieper in op enkele visualisatietechnieken alsook de samenhang met data-analyse. Beide concepten zijn namelijk belangrijke onderdelen van een GGB-proces.
4
Hoofdstuk 2:
Gebiedsgericht Benutten Gebiedsgericht Benutten is een voorgeschreven werkwijze waarbij wegbeheerders en andere belanghebbende partijen samen op zoek gaan naar oplossingen voor verkeersproblemen in een regionaal gebied. Een eerste stap in dit proces is het inventariseren van de belangen van alle stakeholders. Vervolgens is het de bedoeling om gezamenlijk een streefbeeld te ontwikkelen voor de gewenste toekomstige mobiliteitssituatie. De volgende stap omvat het opstellen van een referentiekader met duidelijke kwantitatieve criteria die het mogelijk maken om de prestatie van een verkeersnetwerk te toetsen ten opzichte van het streefdoel. De werkelijke situatie vergelijken met dit referentiekader zal typisch een aantal knelpunten blootleggen. Uit de analyse van deze knelpunten volgen dan een aantal regeldoelstellingen. In een volgende stap worden oplossingen bedacht om de verkeersstromen bij te sturen in de richting van een bepaald regeldoel. Het uiteindelijke resultaat van een GGB-proces zou een consistente set van maatregelen moeten zijn die samen de werkelijke verkeerssituatie doen evolueren in de richting van het streefbeeld. De eerste paragraaf van dit hoofdstuk beschrijft het oorspronkelijk Gebiedsgericht Benutten proces uit Nederland meer in detail. Na een overzicht van de processtructuur en een toelichting bij de verschillende deelstappen worden de sterktes en de zwaktes het GGB-proces geformuleerd. In de tweede paragraaf wordt een alternatieve processtructuur voorgesteld die meer geschikt lijkt voor het nemen van beleidsbeslissingen met een grote groep stakeholders. Deze tweede paragraaf is bedoeld als een aanvulling op het oorspronkelijke GGB-proces en legt accenten op de belangrijkste deelstappen in het proces.
Oorspronkelijk Gebiedsgericht Benutten proces De basisprincipes van het GGB-proces zijn samengevat in een werkboek Gebiedsgericht Benutten [3] en een vernieuwde versie Gebiedsgericht Benutten Plus [4] uitgegeven door de Nederlandse overheidsdienst voor verkeer. Dit werkboek beschrijft een procesaanpak om binnen het mobiliteitsdomein, vertrekkende van een aantal beleidsdoelstellingen, stapsgewijs te komen tot concrete maatregelen die de verkeerssituatie in een gebied zouden moeten verbeteren. De theoretische concepten worden in het werkboek ook geïllustreerd aan de hand van voorbeelden die zijn opgehangen aan een fictieve case. Onderstaand overzicht is grotendeels gebaseerd op beide werkboeken.
5
2.1.1. Overzichtsschema Het oorspronkelijke proces, zoals beschreven in het werkboek Gebiedsgericht Benutten Plus, bestaat uit tien stappen. Deze tien stappen zijn weergegeven in figuur 2 en worden daarna bondig toegelicht per deelstap.
Stap 1+2: Betrokken partijen bijeenbrengen en samen gemeenschappelijke doelen formuleren.
Stap 3+4: Functionaliteit van netwerksegmenten bepalen en concrete, meetbare referentiewaarden opstellen voor verkeerskundige indicatoren.
Stap 5+6: Referentiewaarden toetsen aan de bestaande situatie en op basis van deze vergelijking vaststellen waar de knelpunten zitten.
Stap 7+8: Knelpunten aanpakken en oplossingen voorstellen.
Stap 9: Actieplan opstellen en voorleggen aan de regionale bestuurders.
Stap 10: Aanpassingen doorvoeren voor eventueel afwijkende situaties.
Figuur 2: Schematisch overzicht van het oorspronkelijk Gebiedsgericht Benutten proces [4]
6
2.1.2. Toelichting belangrijke deelstappen Stappen 1 tot en met 7 vormen de kern van het GGB-proces en worden hieronder verder toegelicht. De regelaanpak in stap 8 is eigenlijk niet meer dan een gedetailleerdere uitwerking van de oplossingen uit stap 7. Het afronden van een GGB-project (stap 9) is een minder belangrijke formele deelstap. En stap 10 is enkel een addendum voor afwijkende situaties.
Stap 1: Opstarten project Een GGB-project begint met het opstellen van duidelijke afspraken tussen de belanghebbende partijen over de randvoorwaarden van het project. Dit zijn onder andere: de tijdshorizon en het budget voor het project, de vervoersmodi (unimodaal of multimodaal) en tijdstippen (ochtendspits, avondspits, weekends, …) die geanalyseerd zullen worden, de omvang van het studiegebied en het uitwerkingsdetail van oplossingen. Naast de eerder verkeerstechnische afspraken is het ook nodig om organisatorische afspraken te maken, zoals: wie verantwoordelijk is voor welke taak, hoe de communicatie zal verlopen en hoe vaak gezamenlijk vergaderd zal worden. Het werkboek GGB stelt voor om te werken met een stuurgroep, een werkgroep en een expertgroep.
Stap 2: Beleidsuitgangspunten De beleidsuitgangspunten vormen het startpunt van een GGB-proces. Ze beschrijven kwalitatief de projectdoelen in termen van bereikbaarheid, leefbaarheid, veiligheid en intensiteit voor verschillende schakels van het netwerk. Het resultaat van deze deelstap is een bondige lijst met de belangrijkste beleidsuitgangspunten, liefst in volgorde van prioriteit. Dit wil niet zeggen dat minder belangrijke doelstellingen opzij worden geschoven, maar het prioriteren dient om aan te geven welke beleidsuitgangspunten het meeste aandacht verdienen. Het werkboek GGB maakt onderscheid tussen drie deeltaken om een overzicht te kunnen opstellen van concrete doelstellingen: inventariseren, uniformeren en harmoniseren van beleidsuitgangspunten. Beleidsnota’s en mobiliteitsplannen kunnen helpen bij het inventariseren van doelstellingen, aangezien in deze nota’s vaak al veel doelen beschreven staan. Voor Vlaanderen is dit op regionaal niveau het Mobiliteitsplan Vlaanderen [5]. Op provinciaal niveau zijn de mobiliteitsdoelstellingen opgenomen in het provinciaal ruimtelijk structuurplan [6]. En ook op lokaal niveau bestaan er mobiliteitsplannen, voor Antwerpen is dit bijvoorbeeld het Masterplan 2020 [7]. Uniformeren is het herformuleren van de beleidsdoelstellingen in doelgerichte termen, zodat ze enkel de doelstelling aangeven en niet beschreven zijn in termen van problemen of mogelijke oplossingen. Twee voorbeelden van slecht geformuleerde beleidsdoelstellingen zijn: “De toenemende congestie naar economisch centrum A dient spoedig te worden aangepakt” of “Op provinciale weg B moet de snelheid fors omlaag”. Het eerste voorbeeld is een beschrijving van het probleem en in het tweede voorbeeld is de oplossing al impliciet aangegeven. Een betere formulering is respectievelijk: “Economisch centrum A dient goed bereikbaar te zijn” en “Provinciale weg B moet verkeersveilig zijn”. Het harmoniseren van de beleidsdoelstellingen heeft als doel om de uiteenlopende belangen van stakeholders op elkaar af te stemmen. In principe is het de bedoeling om overeenstemming te bereiken voor de complete set van beleidsuitgangspunten. In de praktijk zullen er echter meestal menings- en belangenverschillen blijven bestaan. Het is dan belangrijk om de tegenstrijdige doelstellingen die overblijven expliciet aan te duiden en de randvoorwaarden die voor beide partijen nog acceptabel zijn te noteren.
7
Stap 3: Regelstrategie Het eindproduct van de regelstrategie is een prioriteitenkaart die tot stand komt door vier stappen te doorlopen: 1) de beleidsmatig belangrijke gebieden en relaties analyseren en prioriteren, 2) het beschikbaar wegennet inventariseren, 3) de voorkeursroutes voor belangrijke relaties bepalen en 4) de netwerksegmenten rangschikken in een prioriteitenkaart. De eerste stap is het bepalen van de belangrijke gebieden op basis van de beleidsuitgangspunten. Gebieden kunnen van belang zijn omwille van een aantal redenen: stadscentra en industriegebieden zijn van economisch belang, woongebieden genereren meestal veel trips en vereisen gezonde en veilige leefomstandigheden en ook externe gebieden kunnen belangrijk zijn als ze bijvoorbeeld veel verkeer genereren. Na het bepalen van de belangrijke gebieden krijgt elk gebied een bepaalde prioriteit. Vervolgens worden de relevante relaties tussen de gebieden benoemd en geprioriteerd, want niet alle relaties tussen alle gebieden zijn significant genoeg om mee te nemen in de verdere analyse. De tweede stap is het in kaart brengen van alle wegen die bedoeld zijn om verkeer tussen de belangrijke relaties af te wikkelen. Gedetailleerde topologische wegenkaarten zijn tegenwoordig online gemakkelijk te raadplegen. Meestal is het aan te raden om snelwegen, gewestwegen, ringwegen en steenwegen zeker op te nemen in het netwerk. De huidige wegenclassificatie kan dus een goede start zijn om het netwerk op te bouwen. Het is echter wel nodig om kritisch te zijn, want het huidig gebruik van wegen is niet altijd in overeenstemming met het wegontwerp. Naast het identificeren van het beschikbaar wegennet moeten ook de wegen die in een later stadium actieve bescherming zullen vereisen, aangeduid worden. De derde stap is het bepalen van de voorkeursroutes voor alle belangrijke relaties. In feite is dit een projectie van de relaties op het beschikbare wegennet rekening houdend met de beleidsuitgangspunten. In principe is het de bedoeling dat de huidige verkeerssituatie en wegencategorisering geen al te grote invloed heeft bij het bepalen van de voorkeursroutes. Maar de huidige wegcapaciteit is wel een randvoorwaarde die niet verhoogd kan worden. Indien mogelijk, is het aan te raden om een alternatieve route aan te duiden die de tweede voorkeur geniet. Hierdoor zullen er meer reroutingsmogelijkheden zijn in het vervolg van het project. De vierde en de laatste stap is het opstellen van de prioriteitenkaart. Deze kaart geeft voor elk wegsegment aan welke prioriteit het heeft in het globale netwerk. De prioriteit van een wegvak hangt af van het aantal relaties en de intensiteit van de verkeersstromen over het wegvak.
Stap 4: Functionele ordening Nadat alle voorkeursroutes bepaald zijn, krijgen de wegen een functionele categorie toegekend op basis van het verkeersvolume dat ze moeten afwikkelen. De onderverdeling van de categorieën gebeurt naargelang het niveau (nationaal, regionaal, lokaal) en de verkeerskundige functie (stroomweg, verzamelweg, erftoegangsweg) van de weg. Elke weg krijgt exact één functie toegewezen, want een weg is niet in staat om naar behoren twee functies tegelijk te vervullen. De functionele indeling wordt opgesteld aan de hand van functieprofielen en een functiekaart. Daarnaast dient deze stap ook om de conditionele inzet van ondersteunende wegen te bepalen en de keuzepunten uit te werken.
8
Een functieprofiel beschrijft de inzetbaarheid van dynamisch verkeersmanagement voor een bepaald type weg. Het bestaat uit een beschrijving van de kwalitatieve eisen voor een weg en de functionaliteit binnen het netwerk. Daarnaast worden ook algemene oplossingsrichtingen en voorbeelden van mogelijke maatregelen voorgeschreven die een bepaalde functie kunnen vervullen. Het is de bedoeling om een beperkt aantal functieprofielen op te stellen, zodat de verschillen tussen de profielen duidelijk zijn en de functiekaart leesbaar blijft. De functiekaart is de vertaling van de functieprofielen naar het beschikbaar wegennet. Alle wegen waarover voorkeursroutes lopen, vormen het zogenaamde primaire netwerk en alle wegen die enkel dienen om alternatieve routes af te wikkelen, zijn het ondersteunend netwerk. De wegen die actieve bescherming vereisen tegen bijvoorbeeld grote verkeersafwikkelingen, vormen samen het beschermd netwerk. Meestal worden op deze wegen doorgaande relaties geweerd ten voordele van lokaal verkeer en openbaar vervoer. Een keuzepunt is een knooppunt waar een weggebruiker kan kiezen tussen een voorkeursroute en een alternatieve route of een route langs een beschermde weg. Een knooppunt met enkel informatie om de routekeuze van weggebruikers te beïnvloeden is een keuzepunt. Een knooppunt dat de weggebruiker dwingt een bepaalde route te nemen is een stuurpunt. De conditionele inzet van ondersteunende wegen dient als basis voor de operationele regelstrategie. Het geeft kwalitatief de inzetbaarheid van de ondersteuning aan, dit wil zeggen: voor welk soort relaties (doorgaand, stad inwaarts, stad uitwaarts), voor welk soort situaties (regulier, spits, incident) en in combinatie met welke andere ondersteunende wegen.
Stap 5: Referentiekader Het referentiekader is de vertaling van het wensbeeld naar meetbare eisen waar de voorkeursroutes aan moeten voldoen. Het referentiekader dient om eenduidig te kunnen bepalen waar en wanneer knelpunten zich voordoen in het netwerk. De twee stappen om het referentiekader op te stellen zijn: het selecteren en uitwerken van relevante en bruikbare evaluatiecriteria en het opstellen van grenswaarden voor deze criteria. Het bepalen van relevante criteria hangt af van de beleidsuitgangspunten en zijn plaats- en tijdsafhankelijk. Voorbeelden van bruikbare evaluatiecriteria zijn: reistijd en snelheid voor relaties, doorstroming voor corridors, wachttijd en wachtrijlengte aan kruispunten. Een ander belangrijk criterium voor een vervoersnetwerk is de robuustheid ten opzichte van schommelingen in de verkeersvraag of met andere woorden de betrouwbaarheid van het netwerk. Een betrouwbaarheidscriterium is echter kwantitatief moeilijk te meten en kan in de praktijk meestal enkel ex-post bepaald worden. Een belangrijk aandachtspunt is om aan elk criterium concrete en meetbare indicatoren te koppelen. Indicatoren en grootheden zijn bovendien het meest zinvol als vergelijking tussen locaties, trajecten en netwerkdelen mogelijk is. Zo zijn trajectsnelheden gemakkelijker te vergelijken dan reistijden omdat bij reistijden de lengte van het traject een rol speelt. De grenswaarden dienen als toetsingsgrootheid om de beleidscriteria te vergelijken met de feitelijke verkeerssituatie. Deze grenswaarden zijn bij voorkeur kwantitatief controleerbaar zodat de identificatie van de knelpunten en hun ernst objectief kan verlopen. Als in de praktijk echter nauwelijks meetgegevens beschikbaar zijn en de financiële middelen voor bijkomende metingen ontbreken, dan is een kwalitatieve bepaling van de grenswaarden een goed alternatief. Het nadeel van een kwalitatief referentiekader is de subjectiviteit, wat kan leiden tot verschillende conclusies afhankelijk van de interpretatie.
9
Stap 6: Feitelijke situatie en knelpunten Een beknopt overzicht van de huidige verkeerssituatie is één van de belangrijke bouwstenen in een GGB-project. Soms zal inzicht in de reële verkeerssituatie al beschikbaar zijn vanuit bestaande studies of modellen van het gebied. Het is dan ook sterk aan te raden om eerst goed na te gaan welke informatie beschikbaar is over de verkeerssituatie in een gebied, vooraleer zelf data te gaan verzamelen. Als de bestaande data te wensen over laat, of als de data niet verkrijgbaar is, dan zal de eerste stap in het proces zijn om zelf data in te winnen. Dit zal niet altijd voor de hand liggend zijn, maar voldoende en betrouwbare data zijn nu eenmaal een belangrijk succesfactor voor een GGB-proces. Het beschrijven van de feitelijke situatie is vooral nodig om de knelpunten te kunnen bepalen door het huidig gebruik van het netwerk te vergelijken met het referentiekader. De huidige verkeersvolumes vergelijken met de voorkeursroutes zal het gebruik van ongewenste routes blootleggen. Verkeersvolumes vergelijken met de capaciteit van de wegen kan aangeven waar de capaciteit mogelijk ondermaats is. En deze vergelijking van het wensbeeld met de huidige situatie gaat op voor alle andere kwantitatieve eisen. Een knelpunt heeft typisch één of meerdere oorzaken. Het is belangrijk om deze oorzaken of kiemen te identificeren om later gerichte oplossingsrichtingen en maatregelen te kunnen bedenken. Daarnaast is het ook aangewezen om de samenhang tussen de knelpunten en de kiemen te analyseren. Inzicht in de samenhang van de knelpunten kan nuttig zijn om een overkoepelende oplossing te bedenken of om de neveneffecten van een oplossing te beperken. Het eindresultaat van deze stap is een lijst met geprioriteerde knelpunten. De vergelijking van het referentiekader met de werkelijke situatie geeft daarnaast ook aan waar in het netwerk er nog ‘speelruimte’ is. De speelruimte in het netwerk is de beschikbare capaciteit op de voorkeursroutes waar het nog mogelijk is om extra verkeer af te wikkelen zonder in te druisen tegen de doelstellingen van het wensbeeld. Deze speelruimte is vooral belangrijk bij het uitwerken van maatregelen om bijvoorbeeld verkeer te kunnen herrouteren. De extra beschikbare capaciteit op de voorkeursroutes is tevens een maat voor de flexibiliteit van het systeem.
Stap 7: Oplossingsrichtingen en maatregelen Het uitwerken van oplossingsrichtingen en maatregelen is de volgende stap in het GGB-proces. Oplossingsrichtingen zijn algemene abstracte oplossingsmogelijkheden voor knelpunten en maatregelen zijn concrete uitwerkingen om het beoogde doel van de oplossingsrichting te kunnen waarmaken. Na het definiëren van de oplossingsrichtingen en maatregelen voor alle knelpunten moet een controle volgen van de logica, consistentie en samenhang van de gehele maatregelenset. Daarnaast kan het ook nuttig zijn om de maatregelenset te prioriteren op basis van de beleidsuitgangspunten om achteraf een implementatievolgorde voor de maatregelen te kunnen bepalen. Het eindresultaat van deze stap is een lijst met geprioriteerde maatregelen. Het bepalen van ex-post metingen die nodig zijn om de effectiviteit van maatregelen te toetsen is meestal één van de laatste stappen in het GGB-proces. Omdat het voornaamste werk al achter de rug is, namelijk het bedenken van gepaste maatregelen, kan het al eens zijn dat het opzetten van een evaluatiesysteem verwaarloosd wordt. Toch is deze stap niet onbelangrijk, want een degelijke verkeersmonitoring is onontbeerlijk om maatregelen grondig te kunnen evalueren.
10
2.1.3. Zwaktes van de originele processtructuur Het merendeel van de problemen die kunnen opduiken in een GGB-oefening zijn het gevolg van het groot aantal stakeholders bij omvangrijke mobiliteitsprojecten. Het is nu eenmaal zo dat eensgezindheid over maatschappelijke kwesties met veel betrokken partijen, niet eenvoudig te bereiken is. Daarnaast kunnen ook problemen opduiken bij het afstemmen van de verwachtingen op de sturingsmogelijkheden van het verkeersnetwerk. De moeilijkheid van deze stap kan zijn oorsprong vinden in drie redenen: stakeholders kunnen onrealistische doelstellingen voorop stellen, beleidsmakers kunnen onhaalbare of inconsistente maatregelen bedenken en de oorspronkelijke GGB-structuur bevat onvoldoende terugkoppeling.
Onrealistische doelstellingen Stakeholders hebben twee beweegredenen om eerder extreme en utopische doelstellingen voor te stellen. Ten eerste beseffen stakeholders vaak op voorhand al dat ze bijna onvermijdelijk zullen moeten toegeven. En ten tweede beschikken ze niet altijd over voldoende inzicht in verkeersmechanismen om te kunnen inschatten wat realistische doelstellingen kunnen zijn. Het is dus denkbaar dat stakeholders doelstellingen proberen door te drukken die nooit haalbaar zullen zijn. De eerste vorm van overdreven doelstellingen is meestal geen al te groot probleem als de stakeholders in kwestie bereid zijn om effectief toe te geven op bepaalde vlakken. Maar de tweede vorm is vervelender, omdat het onmogelijk is om de verwachtingen van de stakeholders in te lossen als ze het GGB-proces starten met onrealistische doelstellingen voor ogen. Deze teleurstelling gaat meestal gepaard met veel discussie wat, nefast is voor het draagvlak van de oplossingen en bovendien het proces onnodig zal vertragen.
Onhaalbare en inconsistente oplossingen Het doorlopen van een GGB-proces heeft als doel een set van consistente en haalbare oplossingen te vinden die in de realiteit het gewenste routekeuzegedrag zullen uitlokken. In de praktijk zal vooral het inschatten van de consistentie en haalbaarheid niet altijd eenvoudig zijn. Zo kan het zijn dat er geen consistente oplossingenset bestaat als de eisen uit het wensbeeld onrealistisch of te conflicterend zijn. De haalbaarheid hangt dan weer vooral af van de sturingsmogelijkheden binnen het netwerk en het project. Deze kunnen beperkt zijn omwille van randvoorwaarden, zoals: de netwerkcapaciteit, het budget, het draagvlak, de technische mogelijkheden of wetgeving.
Gebrek aan terugkoppeling Het GGB-proces, beschreven in het werkboek Gebiedsgericht Benutten Plus, is sterk gericht op het doorlopen van de verschillende deelstappen in chronologische volgorde en het verder bouwen op ‘eindproducten’ uit vorige stappen. Daarnaast mist het handboek een houvast voor mogelijke problemen die kunnen opduiken in het proces. Wat als blijkt dat de stakeholders onmogelijk een consensus kunnen bereiken over het gezamenlijk wensbeeld; of wat als stakeholders zelfs niet overeen kunnen komen over de stakeholder die mogen deelnemen aan het GGB-proces; of wat als er geen enkele oplossingenset voldoet aan het wensbeeld? Deze vragen doen aanvoelen dat terugkoppeling in het proces soms onvermijdelijk zal zijn. In de rest van dit hoofdstuk wordt daarom een iteratieve processtructuur voorgesteld om een GGBoefening te doorlopen. Enerzijds omdat terugkoppeling soms echt noodzakelijk zal zijn maar anderzijds ook omdat het tot betere oplossingen kan leiden.
11
Iteratief Gebiedsgericht Benutten proces Het concept van een iteratieve processtructuur is bedoeld om de GGB-oefening dynamisch en met expliciete terugkoppeling aan te pakken in plaats van de verschillende stappen lineair te doorlopen. Dit wil zeggen dat het volledig afronden van een deelstap geen strikte vereiste meer is, omdat eerder genomen beslissingen later in het proces nog bijgestuurd kunnen worden. Anders dan in het oorspronkelijk proces, is het opstellen van de beleidsuitgangspunten niet noodzakelijkerwijs meer de eerste stap. Daarnaast is het in principe ook mogelijk om bepaalde stappen in parallel uit te voeren. Een essentiële voorwaarde voor een succesvol iteratief proces is wel om altijd oog te hebben voor het eindresultaat en te werken in de richting van convergentie. Anders dreigt het gevaar dat het proces vast komt te zitten in een cyclus van iteraties. Deze paragraaf beschrijft de voorgestelde processtructuur en de verschillen ten opzichte van de originele structuur.
2.2.1. Processchema Figuur 3 geeft een schematisch overzicht weer van de voorgestelde iteratieve processtructuur. Gelijkaardig aan het oorspronkelijke proces komen het wensbeeld en de analyse van de huidige situatie tot stand uitgaande van de beleidsuitgangspunten. Uit de vergelijking van het wensbeeld en de huidige situatie volgt dan de knelpuntsanalyse die de basis vormt voor mogelijke oplossingen en maatregelen. Het grote verschil met de oorspronkelijke processtructuur is de expliciete terugkoppeling van de maatregelen naar het wensbeeld. Als geen enkele set van maatregelen uitvoerbaar blijkt of niet het gewenste effect heeft, dan zal het ideale wensbeeld een aanpassing vereisen. Meestal zal een afzwakking van de doelstellingen nodig zijn om te komen tot een meer realistisch en haalbaar wensbeeld. Nadat een haalbare maatregelenset gevonden is, volgt de laatste stap in het iteratieve proces. Dit is de uitwerking van de regelstrategie.
Figuur 3: Schematisch overzicht van een iteratief Gebiedsgericht Benutten proces
Een belangrijk aandachtspunt in een iteratief GGB-proces is het beperken van het aantal iteraties door het aangepaste wensbeeld en de mogelijke oplossingen zo snel mogelijk op elkaar af te stemmen. Anderzijds is het ook nodig om voldoende aandacht te besteden aan het draagvlak van het project. Dit is niet enkel een vereiste voor een GGB-proces maar in feite voor alle vormen van maatschappelijke projecten. 12
2.2.2. Aantal iteraties beperken Het ideale wensbeeld aanpassen naar een haalbaar wensbeeld is een cruciale stap in het proces die extra aandacht verdient, omdat het grotendeels het aantal iteraties zal bepalen. Dit is de grootste iteratielus in het proces die duidelijk zichtbaar is in het processchema in figuur 3.
Ideale wensbeeld opstellen Een wensbeeld opstellen is geen eenvoudige opgave. Het moet namelijk een antwoord geven op de vraag: ‘Wat willen we verbeteren naar de toekomst toe?’ Binnen het mobiliteitsdomein is een vaak voorkomend antwoord op deze vraag: ‘We willen graag de congestieproblematiek verminderen.’ Maar daar stopt het antwoord natuurlijk niet. Het wensbeeld moet ook aangegeven op welke wegvakken, op welke tijdstippen en hoeveel een bepaald criterium moet verbeteren. Typisch zullen stakeholders andere prioriteiten hebben en dus verschillende antwoorden geven op deze vragen. Daarom kan het nuttig zijn om stakeholders eerst apart te laten uitschrijven wat hun belangen zijn en ze daarna te begeleiden bij het opstellen van hun eigen ideale wensbeeld. Het uitschrijven van een individueel wensbeeld per stakeholder heeft drie voordelen. Ten eerste moeten stakeholders goed nadenken over wat ze hopen te bereiken. Ten tweede staan hun uitgangspunten concreet op papier waardoor vermeden wordt dat stakeholders in discussies vage doelstellingen aanhalen, rond de pot blijven draaien of telkens van mening veranderen. En ten derde kan het individuele wensbeeld van een stakeholder achteraf ook dienen als benchmark om te vergelijken hoe goed de uiteindelijk gekozen maatregelenset voldoet aan de wensen van een bepaalde stakeholder. Na het opstellen van de aparte wensbeelden, is het de bedoeling om via presentaties van individuele belangen, discussies en vergaderingen een gezamenlijke set van doelstellingen op te stellen. Deelnemers aan het GGB-proces zouden een compromis moeten kunnen bereiken op basis van onderbouwde argumentatie. Uiteindelijk moet het gemeenschappelijke ideale wensbeeld een langetermijndoelstelling voorstellen waar alle stakeholders zich min of meer in kunnen vinden. Het resultaat van deze stap bestaat dus uit twee soorten wensbeelden: één ideaal wensbeeld per stakeholder en één gemeenschappelijk ideaal wensbeeld.
Wensbeeld aanpassen Aangezien het ideale wensbeeld een langetermijnvisie is, zal dit toekomstbeeld niet altijd bereikbaar zijn binnen een GGB-project dat vaak op relatief korte termijn afloopt. Als het ideale wensbeeld onbereikbaar is binnen de huidige setting, dan zullen de doelstellingen aangepast moeten worden op basis van de randvoorwaarden van zowel het project als het netwerk. Een aantal mogelijke beperkingen binnen een project zijn: de beschikbare middelen en bevoegdheden, de tijdshorizon en het maatschappelijk draagvlak. Ook de sturingsmogelijkheden van een netwerk zijn meestal eerder beperkt en hangen af van: het aantal knelpunten, de samenhang van de knelpunten, de regelruimte, de overschot aan capaciteit en de routekeuzemogelijkheden. Uiteindelijk zullen vaak meerdere iteratiestappen nodig zijn om tot een haalbaar aangepast wensbeeld te komen.
13
De randvoorwaarden van een project zijn meestal op voorhand gekend en redelijk duidelijk afgebakend. De sturingsmogelijkheden van een netwerk zijn daarentegen meestal niet of slechts gedeeltelijk gekend aan de start van een GGB-project. Daarom zal de aanpassing van het wensbeeld aan de sturingsmogelijkheden van het netwerk meestal moeilijker en met meer iteraties verlopen dan aanpassingen voor de randvoorwaarden van het project. Bovendien kan het gebrek aan netwerkkennis soms ook de oorzaak zijn van een grote discrepantie tussen de verwachtingen van stakeholders en de mogelijkheden binnen het GGB-project. Hoe groter deze kloof tussen verwachtingen en mogelijkheden, hoe groter het gevaar om eindeloos te itereren. Daarnaast zullen te hoge ex-ante verwachtingen van stakeholders niet bevorderend zijn voor het draagvlak van het hele project. Daarom is het cruciaal om stakeholders vanaf de aanvang van het GGB-proces inzicht mee te geven in de sturingsmogelijkheden van het beschouwde netwerk.
Redeneren vanuit routealternatieven Eén van de belangrijkste concepten voor Gebiedsgericht Benutten is het redeneren vanuit mogelijke routealternatieven. Een route kan in één of meerdere van de volgende categorieën thuis horen: de huidige gebruikte routes, de voorkeursroutes en de alternatieve routes. Een gebruikte route die ook de voorkeursroute is, moet niet actief gestuurd worden. Wel is het nodig om na te kijken of deze route na het doorvoeren van maatregelen nog steeds de gebruikte route is. Alternatieve routes zijn routes met een weerstand die relatief gezien niet heel veel hoger is dan de huidige gebruikte route. Deze routes zijn primair niet bedoeld om grote verkeersstromen af te wikkelen, maar kunnen eventueel wel dienen als back-up capaciteit wanneer de voorkeursroute overbelast of onbeschikbaar is. Misschien nog belangrijker dan redeneren vanuit hele routes is het redeneren vanuit Paired Alternative Segments (PAS), wat eigenlijk zo veel wil zeggen als kleine alternatieve deelroutes. Een PAS bestaat uit twee of meerdere routealternatieven tussen een divergentie- en convergentiepunt die meestal relatief dicht bij elkaar liggen [8]. Het divergentiepunt is daarbij een keuzepunt dat meestal voor een aantal routes relevant is. Het aansturen van deze PASsen is erg belangrijk omdat ze meerdere routealternatieven tegelijk beïnvloeden. Het uiteindelijke doel van een GGB-oefening is om maatregelen te ontwerpen die verkeersstromen gecontroleerd kunnen aansturen in een netwerk. Verkeersstromen aansturen komt eigenlijk neer op het inspelen van routekeuzegedrag van weggebruikers. De meest eenvoudige veronderstelling is om aan te nemen dat alle gebruikers altijd de route met minimale weerstand zullen nemen. Op basis van deze aanname valt gemakkelijk te beredeneren dat de weerstand van ongewenst gebruikte routes omhoog moet en de weerstand van voorkeursroutes omlaag. Er zijn echter twee redenen die het ingewikkelder maken dan hier staat voorgesteld. Ten eerste zal het aanpassen van de routeweerstand bijna altijd plaatsvinden op een netwerkcomponent die ook gebruikt wordt door andere routes. En ten tweede gaat de eenvoudige redenering meestal niet meer op als de weerstand van meerdere routes tegelijk beïnvloed moet worden. De relatie tussen verkeersstromen, voorkeursroutes en routekeuze is dus vaak erg complex omwille van het groot aantal interacties en neveneffecten die al snel optreden bij het aansturen van verkeer.
14
Globaal en lokaal netwerkniveau uitwerken Het uitwerken van algemene oplossingsrichtingen en concrete maatregelen moet telkens gebeuren voor zowel het globale netwerkniveau als op het lokale niveau. Meestal is het aan te raden om te starten op het globale niveau en dan te verfijnen naar het lokale niveau. Ook hier is terugkoppeling nodig om na te gaan of oplossingen en maatregelen enigszins consistent zijn voor beide niveaus. In principe is het ook mogelijk om oplossingen voor beide niveaus parallel uit te werken, maar dan is het wel noodzakelijk om achteraf de oplossingsstrategieën op elkaar af te stemmen. Daarnaast is het ook belangrijk om maatregelen niet enkel apart te beschouwen, maar ook als een maatregelenset omwille van de interactie en neveneffecten die kunnen optreden bij het toepassen van meerdere maatregelen tegelijk.
Totale netwerkcapaciteit als bovenlimiet beschouwen Het uitgangspunt van GGB is een optimale benutting van de huidige capaciteit. Grote infrastructurele aanpassingen aan het netwerk worden binnen een GGB-project niet in overweging genomen als oplossingsmaatregel. Daardoor zijn zowel de ruimtelijke structuur als de capaciteit van het wegennetwerk eerder een vaststaande randvoorwaarde dan een variabele parameter. Het limiteren of verlagen van de capaciteit van bestaande wegen is wel mogelijk met behulp van bijvoorbeeld wegmarkeringen of toeritdosering. Ook het beïnvloeden van de capaciteit van afslaande bewegingen aan kruispunten is mogelijk met verkeerslichtenregeling of andere voorrangsregels. Stakeholders moeten dus beseffen dat sommige doelstellingen gewoonweg niet haalbaar zullen zijn als de totale netwerkcapaciteit te beperkt is.
2.2.3. Draagvlak van het project bevorderen Een visie die ontwikkeld werd in samenspraak met alle betrokken partijen zal vaak kunnen rekenen op een groter engagement tot concrete acties om beleidsdoelstellingen te realiseren. De verwachting is dat actoren die zelf actief meewerken aan het formuleren van objectieven door hun betrokkenheid meer gestimuleerd zullen worden om verantwoordelijkheid op te nemen bij de uitwerking van het project. Bovendien kan een gezamenlijk leer- en overlegproces ook bijdragen tot het algemene draagvlak van mobiliteitsprojecten [9].
Stakeholders selecteren Stakeholders zijn personen of organisaties die een bepaald belang hebben bij beslissingen of maatregelen. Binnen het mobiliteitsdomein zijn typische voorbeelden van stakeholders: wegbeheerders, verschillende beleidsniveaus, openbare vervoersmaatschappijen en organisaties die de belangen vertegenwoordigen van vrachtvervoerders, voetgangers, fietsers, lokale middenstand, ... De evaluatie van mobiliteitsprojecten moet zoveel mogelijk rekening houden met de belangen van alle stakeholders, want als bepaalde organisaties zich verzetten tegen een project dan kan het leiden tot onaanvaardbare vertragingen of zelfs het vastlopen van het proces. Eén van de eerste stappen in het GGB-proces is het selecteren van stakeholders. Dit is onmiddellijk een cruciale stap, omdat het de kans op een succesvol project mee zal bepalen. Als alle belangrijke en relevante stakeholders betrokken zijn en ze allemaal evenwaardig hun mening kunnen uiten dan zal dit het draagvlak voor het project alleen maar vergroten [10]. Het oorspronkelijk GGBproces gaat echter impliciet uit van een gekende groep stakeholders bij aanvang van het project. Toch is het aan te raden om voldoende aandacht te schenken aan het bij elkaar brengen van stakeholders, omdat het een grote invloed heeft op het verdere verloop van het GGB-project.
15
In de wetenschappelijke literatuur zijn een aantal methodes beschreven om een lijst van stakeholders samen te stellen [11] [12] [13]. Zo beschrijven Savage et al. (1991) [14] selectierichtlijnen op basis van potentieel voor samenwerking en potentieel voor oppositie. Ze stellen dat de deelname van stakeholders die waarschijnlijk niet zullen protesteren, geen noodzaak is. Maar hun deelname kan wel nuttig zijn als ze mogelijk het proces kunnen bevorderen. Ook stakeholders met weinig potentieel voor samenwerking zijn niet noodzakelijk in het proces. Ten slotte zijn stakeholders met een hoog potentieel voor samenwerking of protest het meest cruciaal om te betrekken [14]. Zodra bepaalde stakeholders zijn geïdentificeerd, kunnen ze helpen bij de verdere zoektocht naar relevante stakeholders [13].
Verwachtingen van stakeholders bijsturen Gebiedsgericht Benutten beschouwen als dé oplossing voor de verkeersproblematiek in een regionaal gebied is een misvatting. Een GGB-project heeft eerder de bedoeling om de huidige infrastructuur beter te benutten. Vaak zal de totale capaciteit van het netwerk bijvoorbeeld maar met enkele procenten efficiënter ingeschakeld kunnen worden. Het afstemmen van de verwachtingen met wat effectief haalbaar is, heeft uiteindelijk twee doelen. Eerst en vooral de kans vergroten op het vinden van maatregelen die de doelstellingen kunnen vervullen. En ten tweede het GGB-proces waar mogelijk versnellen in de hoop dat stakeholders vlugger tot een consensus zullen komen. Om te vermijden dat stakeholders extreme of onrealistische doelstellingen voorstellen, kan het nuttig zijn om eerst alle stakeholders de nodige netwerkkennis en inzicht in verkeerskundige mechanismen mee te geven. De bedoeling is om alvorens te starten met het opstellen van beleidsuitgangspunten, de verwachtingen van stakeholders al bij te stellen. Het illustreren van de regelmogelijkheden van het verkeersnetwerk op grote schaal is hierbij zeker een goede leerschool. Vaak zal blijken dat de regelopties eerder beperkt zijn. Het is dus essentieel om stakeholders de sturingsmogelijkheden van het huidige netwerk zelf te laten begrijpen. Dit is geen eenvoudige opdracht aangezien meestal niet alle stakeholders verkeerskundige experts zijn. Om ze toch op de juiste golflengte te krijgen, zijn twee elementen belangrijk. Enerzijds moeten stakeholders bewust gemaakt worden dat de oplossingsmogelijkheden van dynamisch verkeersmanagement begrensd zijn. Maatregelen binnen deze context richten zich namelijk enkel op het beïnvloeden van routekeuzegedrag om zo het netwerk beter te laten functioneren. Redeneren in functie van voorkeursroutes, alternatieve en ongewenste routes is hierbij heel belangrijk. Anderzijds is het ook nodig om routes, routekosten en de invloed van maatregelen met behulp van visualisatie duidelijk en begrijpelijk te kunnen voorstellen aan alle stakeholders.
Onderscheid maken tussen verschillende wensbeelden Een duidelijk onderscheid maken tussen het wensbeeld per stakeholder en het gezamenlijk wensbeeld kan het draagvlak vergroten. Een streefbeeld opstellen waar iedereen zich min of meer in kan vinden, is vaak een moeizaam proces waarbij stakeholders soms hun standpunten zullen moeten afzwakken. Het is daarbij noodzakelijk om te erkennen dat het gemeenschappelijk wensbeeld een consensus is waar bepaalde stakeholders toegevingen hebben moeten bij doen. Bovendien is het zelfs aan te raden om nadrukkelijk aan te geven welke stakeholders hebben moeten toegeven op welk vlak. Ook is het nuttig om te vermelden wat het langetermijnideaal is en wat mogelijk is binnen het huidige project. Hierdoor wordt expliciet aangeduid wat de stakeholders eigenlijk wensen te bereiken op lange termijn en wat haalbaar is binnen het GGBproject. Deze tweeledige voorstelling zou ook moeten verzekeren dat de kortetermijnmaatregelen de langetermijndoelstellingen niet ondermijnen.
16
Multi-criteria analyse met betrouwbaarheidsintervallen hanteren De meest eenvoudige beslissingsmodellen zijn optimalisatiemodellen waarbij alle belangrijke aspecten van een probleem worden vertaald naar één algemeen criterium. Meestal is dit een monetaire eenheid omwille van de relatief eenduidige interpretatie van een geldwaarde. De optimalisatie streeft dan meestal naar maximale winst of minimale kost. Voor mobiliteitsprojecten schiet deze aanpak vaak tekort, omdat niet alle criteria zich gemakkelijk laten vertalen in een kwantitatieve monetaire waarde. Bovendien zullen de verschillende stakeholders niet altijd dezelfde mening delen over de monetarisering van criteria [15]. In het kader van een transparante evaluatie van maatregelen en oplossingen kan het dus aangeraden zijn om multi-criteria analysetechnieken in te schakelen die meerdere evaluatiecriteria gebruiken in plaats van één te optimaliseren parameter. Het kan ook nuttig zijn om een aantal versies uit te werken van eenzelfde scenario die een verschillend resultaat geven. Zo is het bijvoorbeeld mogelijk om een ‘basis case’, ‘best case’ en ‘worst case’ scenario uit te werken van één bepaald alternatief door de waarde van een beperkt aantal variabelen te wijzigen. Hierdoor wordt het resultaat van een alternatief niet voorgesteld als één bepaalde mogelijkheid, maar eerder als een verwachte waarde met een onderlimiet en bovenlimiet. Met deze aanpak wordt in de resultaten een deel van de onzekerheid meegerekend die onvermijdelijk gepaard gaat met toekomstvoorspellingen.
Conclusie Gebiedsgericht Benutten is in theorie een degelijke processtructuur om dynamisch verkeersmanagament toe te passen voor een bepaalde regio. Om dit proces te doorlopen is het handboek Gebiedsgericht Benutten (Plus) een enorm nuttige leidraad. De theoretische concepten worden in dit handboek ook aan de hand van een fictieve case uitgelegd en geïllustreerd, wat zeker een meerwaarde is. Toch zijn er een aantal cruciale punten in het proces, die mogelijk een grotere hindernis kunnen vormen dan verondersteld in het werkboek GGB. In Vlaanderen hebben de meeste instanties amper of geen ervaring met het uitrollen van een dynamisch verkeersmanagementsysteem. Dit doet alleen maar vermoeden dat het doorlopen van een GGBproces in Vlaanderen waarschijnlijk veel moeizamer zal verlopen dan voorgesteld in het werkboek GGB.
Kritiek oorspronkelijk GGB-proces Een eerste potentieel struikelblok in het GGB-proces is het opstellen van een gemeenschappelijk gedragen toekomstvisie voor mobiliteitsdoelstellingen. Het groot aantal stakeholders in combinatie met uiteenlopende ex-ante veronderstellingen zijn geen gemakkelijk uitgangspunt om een consensus te bereiken. Bovendien bedenken stakeholders vaak op voorhand al oplossingen voor hun problemen, waardoor ze de neiging zullen hebben om hun doelstellingen te beargumenteren met de persoonlijke ideale oplossingen in het achterhoofd. Dit kan mogelijk uitmonden in onnodige discussies over oplossingen en maatregelen in de eerste stap van het proces, wat niet de bedoeling is.
17
Een tweede onderbelicht obstakel in de oorspronkelijke beschrijving van het GGB-proces is dat het merendeel van de stakeholders meestal maar weinig inzicht heeft in het ‘gedrag’ van verkeersstromen in een netwerk. Vaak worden verkeerskundige experts wel betrokken in het verhaal om de theoretisch gekende concepten over het aansturen van verkeersstromen uit te leggen aan alle stakeholders. Maar hierbij kan het soms afhangen van de overtuigingskracht en argumentatie van de experts of de stakeholders werkelijk rekening zullen houden met de kennis uit het verkeerskundig domein. Een derde punt van kritiek gaat meer algemeen over de processtructuur. Het oorspronkelijk GGBproces is namelijk opgevat als een lineair proces. Eens de beleidsdoelstellingen zijn vastgelegd, wordt enkel nog gezocht naar oplossingen die hier zo goed mogelijk aan voldoen. Vaak zal blijken dat doelstellingen redelijk utopisch en optimistisch zijn opgesteld omwille van twee redenen: ten eerste zullen stakeholders vaak eerder extreme dan realistische doelen voorstellen in de wetenschap dat ze hoogstwaarschijnlijk toch zullen moeten toegeven. En ten tweede is het ook lastig om haalbare doelen op te stellen zonder enige kennis over de regelmogelijkheden van het verkeersnetwerk.
Iteratief GGB-proces De terugkoppeling van het uitwerken van oplossingen naar het aanpassen van het wensbeeld staat centraal in de voorgestelde iteratieve processtructuur. Als geen enkele uitvoerbare maatregelenset het gewenste effect heeft, dan vereist het huidige wensbeeld een aanpassing. Belangrijk hierbij is om steeds te convergeren naar een meer realistisch aangepast wensbeeld dat haalbaar is binnen de randvoorwaarden van het GGB-proces en de regelmogelijkheden van het netwerk. Bij iteratieve processen bestaat namelijk altijd het gevaar om in een eindeloze iteratiecyclus terecht te komen als het convergentiecriterium uit het oog verloren wordt. Om het aantal iteraties in het proces te beperken, is het dus enerzijds noodzakelijk dat alle stakeholders de randvoorwaarden van het huidige GGB-project inzien. Dit wil zeggen de relatief korte termijn van een project, de budgettaire beperkingen en de mogelijke oplossingen die afhangen van de bevoegdheden van betrokken partners. Anderzijds is het ook noodzakelijk dat alle stakeholders zo snel mogelijk de regelmogelijkheden van dynamisch verkeersmanagement begrijpen in het beschouwde verkeersnetwerk. Dynamische verkeersmanagementmaatregelen zijn namelijk bedoeld om verkeersstromen te sturen op basis van routekeuzegedrag van weggebruikers. Belangrijk hierbij is dat stakeholders leren redeneren in termen van routealternatieven en PASsen.
Aandachtspunten ter bevordering van het draagvlak Het selecteren van relevante stakeholders is een eerste aandachtspunt dat cruciaal is voor het draagvlak van een GGB-project. Enerzijds mag niemand over het hoofd gezien worden, maar anderzijds is een te grote stakeholdergroep niet erg bevorderlijk voor een vlot verloop van het proces. De stakeholderselectie is geen eenvoudige opdracht maar moet voldoende aandacht krijgen omdat het in grote mate het verdere verloop van een GGB-project mee beïnvloedt. Een tweede aandachtspunt om het draagvlak van een GGB-project te vergroten, bestaat uit het maken van een expliciet onderscheid tussen de wensen van elke stakeholder apart, het gemeenschappelijk ideaal wensbeeld en het gezamenlijk aangepaste wensbeeld. Hierbij kan het ook helpen om de toegevingen van de verschillende stakeholders te inventariseren.
18
Hoofdstuk 3:
Analyse van verkeersdata Kwalitatieve verkeersdata en efficiënte analysetools zijn een essentiële voorwaarde om verkeersfenomenen te kunnen verklaren en toekomstige verkeersevoluties te voorspellen. De twee voornaamste verkeersanalysetools zijn enerzijds het simuleren van verkeerssituaties en anderzijds het opmeten van werkelijke verkeersomstandigheden. Verkeersmodellen opgebouwd in gespecialiseerde software zijn meestal het framework voor simulaties en dienen vaak als plannings- of optimalisatietool. Sensoren zoals tellussen, camera’s, en GPS-toestellen kunnen werkelijke verkeerstoestanden opmeten en zijn vaak bedoeld om verkeer realtime te monitoren. Aangezien Gebiedsgericht Benutten een planningsproces is voor middellange termijn, lijken verkeersmodellen het meest toepasselijk voor GGB-analyses. Realtime metingen kunnen ook opgeslagen worden in databases die achteraf kunnen dienen als input om verkeersgedrag te analyseren. Dit hoofdstuk beschrijft hoe beide verkeersanalysemethodes het GGB-proces kunnen ondersteunen en bespreekt de voor- en nadelen van de methodes.
Verkeersmodellen Een verkeersmodel is een computerinstrument dat verplaatsingsgedrag tracht na te bootsen met behulp van wiskundige wetmatigheden en parameters. Een verkeersmodel kan bedoeld zijn om de huidige verkeerstoestand te beschrijven, om bepaalde verkeersfenomenen te verklaren of om toekomstige verkeerssituaties te voorspellen. Daarnaast is een verkeersmodel vaak ook uitgerust met een functie voor scenarioanalyse zodat het mogelijk is om de impact van maatregelen te evalueren of om de verkeersevolutie te voorspellen onder verschillende randvoorwaarden. Gebiedsgericht Benutten streeft typisch naar een verbeterde verkeerssituatie in een regionaal gebied. Daarom zullen voor GGB-analyses vooral macroscopische verkeersmodellen geschikt zijn die geaggregeerde verkeersstromen modelleren in een relatief groot netwerk. Deze modellen beschrijven het verkeergedrag naar analogie met vloeistofdynamica in de veronderstelling dat verkeerstromen onderhevig zijn aan een lineaire snelheid-dichtheid relatie. Soms kunnen microsimulaties ook nuttig zijn voor GGB-analyses om bepaalde lokale effecten te bestuderen. Deze modellen beschrijven het tijdruimte gedrag van individuele voertuigen en hun interacties op een hoog detailniveau [16]. Het vervolg van deze paragraaf beschrijft de opbouw en het gebruik van een macroscopisch verkeersmodel dat typisch bestaat uit twee grote deelmodellen. Dit zijn de vraagzijde en de aanbodzijde van de verkeersmarkt. De vraagzijde volgt uit de noodzaak voor verplaatsingen om bepaalde activiteiten te kunnen uitvoeren en de aanbodzijde is de infrastructuur die deze verplaatsingen mogelijk maakt. 19
3.1.1. Vervoersnetwerk In een macroscopisch verkeersmodel bestaat de aanbodzijde uit een netwerk van knooppunten en linken. De linken stellen de afgelegde weg voor tussen knopen of anders gezegd de knooppunten zijn de schakels die de linken verbinden. Het meest eenvoudige voorbeeld van een vervoersnetwerk is een unimodaal wegennet waar gebruikers zich alleen kunnen verplaatsen met de auto. Een meer realistisch en uitgebreider vervoersnetwerk is een multimodaal netwerk met meerdere verplaatsingswijzes, zoals auto, openbaar vervoer, motor, (brom)fiets en te voet.
Multimodaal netwerk De aanbodzijde van een multimodaal netwerk kan opgesplitst zijn in aparte unimodale netwerken per modus. In de realiteit opereren de verschillende modi natuurlijk niet compleet onafhankelijk van elkaar. Modi kunnen elkaar beconcurreren of aanvullen voor bepaalde trips. Een typisch voorbeeld van concurrerende modi zijn het openbaar vervoer en de auto, want voor veel trips met het openbaar vervoer bestaat er ook een aantrekkelijke autoroute. Daarnaast is het openbaar vervoersnetwerk meestal niet fijnmazig genoeg voor trips van deur tot deur. Een andere modus zal dan nodig zijn als voor- en natransport. In principe is het ook mogelijk om de interacties tussen verschillende modi te modelleren door de verschillende deelnetwerken aan elkaar te linken via overstappunten. Dit is een meer realistisch multimodaal model, omdat in werkelijkheid de interactie tussen de verschillende modi vaak een grote rol speelt. Enkele mogelijke interacties tussen modi zijn onder andere: overstappen bij openbaar vervoer, park & ride faciliteiten, fietsenstallingen in stations en bussen die in autofiles staan. Meestal zal voor een GGB-proces een multimodaal model te verkiezen zijn boven een unimodaal model. Maar het modelleren van alle belangrijke interacties tussen de verschillende modi is niet altijd eenvoudig en vergt bovendien veel tijd. Het aantal overstappen en andere interacties tussen de modi stijgt namelijk snel naarmate het netwerk groter wordt.
Netwerkmodellering Digitale wegenkaarten, zoals Google Maps, OpenStreetMap of Microsoft Bing Maps die publiekelijk toegankelijk zijn, vormen een handige ondersteuning bij het modelleren van een wegennetwerk. Het opbouwen van een wegennetwerk voor een GGB-oefening is echter geen eenvoudige opdracht. Bepalen welke wegen opgenomen moeten worden in het verkeersnetwerk en welke kruispunten een gedetailleerde modelering vereisen, zijn twee belangrijke overwegingen die latere analyses zullen beïnvloeden. Deze twee beslissingen zijn vooral een afweging tussen modelcomplexiteit en gewenst detailniveau. Hoe complexer het model, hoe meer kans op mankementen, hoe hoger de rekentijd en hoe meer tijd kruipt in de modelopbouw.
3.1.2. Verplaatsingsmarkt De verplaatsingsmarkt is het gevolg van een reeks keuzes die mensen maken om zich te verplaatsen. Een vervoersconsument is vrij om volgende zaken te kiezen: het al dan niet maken van een verplaatsing, het vertrektijdstip, de herkomst en de bestemming, de vervoerswijze en de route. In werkelijkheid zullen reizigers sommige beslissingen simultaan nemen omdat bepaalde keuzes van elkaar afhangen. Maar omwille van modeleenvoud wordt meestal verondersteld dat het realistisch genoeg is om de keuzes apart te modelleren.
20
Zonering In theorie kunnen trips beginnen en eindigen op elk adres in een studiegebied. Maar vanwege de enorme hoeveelheid aan mogelijke adressen, is het niet haalbaar om alle data te verzamelen en te analyseren op het niveau van individuele adressen. Daarom is het gebruikelijk om het studiegebied op te splitsten in zones die een geaggregeerd gebied van adressen voorstellen. Alle verdere analyses zijn dan gebaseerd op trips tussen zones in plaats van tussen adressen. Een nadeel van deze zonering is dat trips met een herkomst en bestemming in dezelfde zone niet geanalyseerd kunnen worden omdat ze het netwerk niet betreden voor hun verplaatsing. Dit betekent dat zones niet te groot mogen zijn omdat anders een aanzienlijk deel van het verkeer niet zal verschijnen in het netwerk. Ook mogen zones niet te klein zijn omdat dan overmatig veel data nodig is, de rekentijd verhoogt en de interpretatie van resultaten onoverzichtelijk wordt.
Vraagmodel De vraag naar verplaatsingen is het resultaat van twee vraagmodellen. Enerzijds bepaalt een tripgeneratie- en tripattractiemodel het totaal aantal trips dat elke herkomst genereert en elke bestemming aantrekt. En anderzijds verdeelt een tripdistributiemodel de verkeersvraag over de verschillende HB-paren. De berekening van het aantal trips is meestal gebaseerd op socioeconomische gegevens zoals gezinskenmerken, grondgebruik, woningdichtheid, bereikbaarheid en werkgelegenheid. De tripdstributie is meestal gebaseerd op een distributiefunctie die afhangt van de weerstand tussen een HB-paar [17]. Het resultaat van de twee vraagmodellen is meestal een HB-matrix. Dit is een overzichtsmatrix die het aantal trips weergeeft tussen elke herkomst en elke bestemming in een bepaald gebied. Deze HB-matrices kunnen opgesplitst zijn volgens het doeleinde van de trip (werk, school, vrije tijd, shopping, …), volgens persoonlijke kenmerken (autobezit, inkomen, …) en volgens de transportmodus (auto, openbaar vervoer, fiets, …).
Elasticiteit Elasticiteit is een concept dat in een economische context de gevoeligheid aangeeft van de vraag naar een product als bepaalde belangrijke factoren veranderen. Ook de verplaatsingsvraag is in werkelijkheid meestal een elastische vraag. De vraagelasticiteit is hierbij een maat voor de verandering van het aantal trips als de weerstand van een HB-relatie verandert. Een typisch voorbeeld waar vraagelasticiteit vaak over het hoofd wordt gezien, is de aanleg van nieuwe wegeninfrastructuur als remedie voor fileproblematiek. De verwachting is dat door een verhoging van de capaciteit de totale congestie in een netwerk zal afnemen. Deze redenering kan enkel kloppen als de verkeersvraag onveranderd blijft. Maar een capaciteitsverhoging zal een stijging van het aantal verplaatsingen veroorzaken. Door de verlaagde kosten zullen namelijk voor bepaalde trips de baten plots hoger zijn dan de kosten, waardoor verplaatsingsconsumenten bereid zijn om meer verplaatsingen te maken. De verplaatsingsvraag is dus deels afhankelijk van de verplaatsingsweerstand.
3.1.3. Toedeling van de verkeersvraag Verkeer toedelen aan een netwerk bestaat uit een vervoerswijzekeuze- en een routekeuzemodel. Beide stappen kunnen beschouwd worden als afzonderlijke keuzeprocessen, waarbij eerst de modus gekozen wordt en daarna de route. In werkelijkheid zal een verplaatsingsconsument beide keuzes eerder simultaan maken. Een deterministische evenwichtstoedeling van de verkeersvraag komt neer op het verdelen van het verkeer over het netwerk zodanig dat geen enkele gebruiker éénzijdig een andere verplaatsingsmanier kan vinden met een lagere weerstand [17].
21
Vervoerswijzekeuze De belangrijkste factor die de vervoerswijzekeuze bepaalt is de tripweerstand. De meest gangbare aanname is dat elke rationele reiziger kiest voor een vervoerswijze en bijhorende route met een minimale weerstand. De weerstand van verschillende vervoerswijzes vergelijken is echter niet altijd eenvoudig. Eerst moeten alle kostencomponenten van de vervoerswijzes omgevormd worden naar een gegeneraliseerde kost in monetaire- of tijdseenheden om vergelijking mogelijk te maken. Ten tweede is het ook niet triviaal om alle kosten op een realistische manier te kwantificeren. En ten derde is de perceptie van sommige kosten persoonsafhankelijk, waardoor niet alle kosten even hard doorwegen voor alle mensen. Omwille van deze drie redenen zullen in de praktijk niet alle verkeersdeelnemers de vervoerswijze kiezen die vanuit modelstandpunt de laagste weerstand heeft. Reizigers hebben namelijk soms een bepaalde voorkeur voor een vervoersmodus of kunnen weerstanden ondervinden die niet in het model zijn opgenomen. De vervoerswijzekeuze voor bepaalde trips zoals woon-werkverkeer is vaak een beslissing die voor een lange periode genomen wordt. Overschakelen op een andere vervoerswijze kan soms een investering vragen (aankoop auto, abonnement, …) en vereist ook vaak een verandering in dagelijkse gewoontes. Bovendien neemt niet iedereen alle modi in aanmerking in hun vervoerswijzekeuze. Mensen die geen auto bezitten, zijn voor langere verplaatsingen automatisch aangewezen op het openbaar vervoer. Terwijl mensen met een bedrijfswagen hun auto bijna nooit aan de kant zullen laten staan, omdat ze maar weinig directe kosten ervaren aan het autogebruik. Omwille van deze redenen zullen niet alle reizigers onmiddellijk overstappen op een andere vervoersmodus als de weerstand van de nieuwe modus plots lager is dan de weerstand van hun huidige voorkeursmodus. Daarom heeft het vervoerswijzekeuzemodel een extra weerstand nodig die de kost voorstelt om van vervoerswijze te veranderen. Om deze weerstand en andere onverklaarde verschillen tussen modi te kwantificeren is het concept van elasticiteit bruikbaar. Het kwantificeren van de elasticiteit tussen twee modi is echter niet eenvoudig omdat het vaak onduidelijk is wat reizigers kan aanzetten om van modus te veranderen.
Routekeuze In tegenstelling tot de vervoerswijzekeuze zal de routekeuze soms van dag tot dag of realtime nog veranderen omwille van incidenten of congestie. Een macroscopisch verkeersmodel is niet bedoeld om deze dagelijkse fluctuaties te beschrijven of te verklaren. Daarom wordt voor de routekeuze meestal verondersteld dat iedereen gemiddeld gezien de route kiest met minimale weerstand. Het toedelen van de verkeersvraag komt in de praktijk dus meestal neer op het zoeken van kortste paden in een netwerk tussen alle HB-paren.
3.1.4. Kalibratie en validatie Theoretisch gezien is een verkeersmodel een mathematisch model met volgende vorm: Y = a1X1 + a2X2 + … + anXn Hierbij is Y de te verklaren variabele die afhangt van een aantal onafhankelijke variabelen Xi en een aantal parameters ai. Kalibratie van een wiskundig model in deze vorm komt overeen met het bepalen van waarden voor de parameters ai zodanig dat het model resultaten geeft die zo goed mogelijk aansluiten bij de waarnemingen. In een verkeersmodel moeten zowel het verkeersnetwerk als de verkeersvraag gekalibreerd worden. Voor een eerste ruwe netwerkkalibratie volstaan een aantal vuistregels en gezond verstand. Daarom is het meestal aangewezen om eerst het netwerk en daarna de verkeersvraag te kalibreren.
22
Kalibratie van het netwerk De capaciteit van de netwerkcomponenten is de belangrijkste parameter om te kalibreren. De theoretische wegcapaciteit staat in de verkeerskundige literatuur beschreven in een aantal vuistregels voor verschillende wegtypes [18]. Aan knooppunten bepalen de voorrangsregels, de geometrie van het kruispunt en de grootte van conflicterende stromen de capaciteit van elke afslagbeweging. Voor kleine knooppunten volstaat meestal een capaciteitsfunctie die afhankelijk is van de volumes over het kruispunt. Een kleine afwijking van de werkelijke capaciteit weegt bij kleine kruispunten niet zo hard door, omdat de volumes meestal ver onder de kritische capaciteit blijven. Voor grote en drukke kruispunten is de capaciteitskalibratie lastiger omdat ze typisch de bottlenecks zijn van het systeem. Een accurate inschatting van de capaciteit aan deze kruispunten is cruciaal omdat de bottlenecks het gedrag in de rest van het netwerk sterk beïnvloeden.
Kalibratie van de verkeersvraag De verkeersvraag kalibreren komt meestal neer op het aanpassen van een HB-matrix zodanig dat de volumes in het model beter overeenstemmen met werkelijke verkeerstellingen. De kalibratie van een HB-matrix vertrekt meestal van een verouderde HB-matrix of een matrix die het resultaat is van een vraagmodel. Verkeerstellingen op wegen, kruispunten en soms ook per zone vormen de basis voor het bijregelen van de HB-matrix. Een belangrijk aandachtspunt bij de kalibratie van de verkeersvraag is dat de nauwkeurigheid van de nieuwe HB-matrix voor een groot deel bepaald wordt door de kwaliteit van de input. Bovendien zijn in een gecongesteerd netwerk de gesimuleerde volumes sterk afhankelijk van de capaciteit van netwerkcomponenten. Aangezien het netwerk in het begin nog niet perfect gekalibreerd is, moet daarom in de eerste kalibratiestappen met de nodige omzichtigheid omgesprongen worden met de HB-kalibratie.
Validatie van het model Een goed gekalibreerd model is geen garantie voor realistische voorspellingen. Modellen met een voldoende groot aantal parameters kunnen namelijk zodanig gekalibreerd worden dat de resultaten bijna perfect overeenstemmen met de werkelijkheid. Een degelijk voorspellend model moet echter realistische resultaten geven voor verschillende inputwaarden. Validatie komt neer op het vergelijken van de modelresultaten met waarnemingen die niet gebruikt werden voor de kalibratie. Als de resultaten niet te sterk afwijken van deze waarnemingen, dan is het verkeersmodel gevalideerd en dus bruikbaar voor verkeersvoorspellingen.
3.1.5. Verkeersmodel als voorspellingstool Een gekalibreerd en gevalideerd verkeersmodel is in staat om verkeersevoluties te voorspellen onder verschillende aannames en randvoorwaarden. Zowel het voorspellend karakter als de mogelijkheid om verschillende scenario’s door te rekenen zijn eigenschappen die er voor zorgen dat een verkeersmodel een bijzonder krachtige analysetool is voor een GGB-project.
Voorspellingen Een veelvoorkomend uitgangspunt bij voorspellingen is dat een aantal sturende wetmatigheden de toekomstige ontwikkelingen van een systeem zullen bepalen binnen een gegeven tijdspanne. Bij voorspellingen is het echter belangrijk om te beseffen dat het extrapolaties zijn in de toekomst die per definitie onderhevig zijn aan onzekerheid. De onzekerheid in voorspellingen neemt toe naarmate verder in de toekomst gekeken wordt. Net zoals andere voorspellende modellen, zullen verkeersmodellen maar realistische resultaten genereren voor een bepaalde tijdshorizon. 23
Scenarioanalyse Verkeersmodellen zijn uitermate geschikt voor scenarioanalyse omdat het doorrekenen van verschillende scenario’s meestal maar een beperkte aanpassing aan het model vereist. Dit kan een wijziging zijn van bepaalde parameters, of een wijziging aan het netwerk of een wijziging aan de verkeersvraag. Twee soorten voorspellende scenario’s zijn bruikbaar in een GGB-project: referentiescenario’s en wat-als-scenario’s. Referentiescenario’s trachten een beeld te schetsen van de toekomst onder de aanname dat geen grote veranderingen zullen optreden in het systeem. Deze referentiescenario’s dienen dan later als basis om andere scenario’s mee te vergelijken. Bij wat-als-scenario’s is de verwachting dat een specifieke gebeurtenis of verandering in het systeem het resultaat sterk zal beïnvloeden. Wat-als-scenario’s weerspiegelen dus hoe een systeem mogelijk kan evolueren, op voorwaarde dat één of meerdere ingrijpende gebeurtenissen plaatsvinden. Dit kunnen zowel interne als externe factoren zijn [9]. Interne factoren zijn beïnvloedbaar door bijvoorbeeld maatregelen te nemen. Externe factoren zijn een randvoorwaarde waarbinnen het systeem zich noodzakelijkerwijs zal moeten ontwikkelen.
3.1.6. Conclusie De structuur van een verkeersmodel is gebaseerd op het keuzegedrag van reizigers. Met behulp van vereenvoudigingen en veronderstellingen is het mogelijk om de keuzes op een kwantitatieve mathematische manier te modelleren. Een verkeersmodel dient om verkeerstoestanden te beschrijven, te verklaren, te analyseren en te voorspellen. Doorgaans is vooral de voorspellende functie voor beleidsmakers interessant. Hiermee kunnen ze uitspraken doen over de verwachte effecten van maatregelen die ze willen doorvoeren om verkeersproblemen op te lossen.
Voordelen van een verkeersmodel Een kwantitatief softwaremodel gebaseerd op wiskundige wetmatigheden en verbanden heeft als voordeel dat het grondige analyses kan uitvoeren en nauwkeurige resultaten kan genereren. Bovendien is een verkeersmodel in staat om op relatief korte tijd grote hoeveelheden informatie te verwerken. Een ander uitgesproken pluspunt van modelsimulatie is de mogelijkheid om uitgebreide scenarioanalyses uit te voeren tegen een lage kostprijs. Voor een GGB-project is vooral dit laatste een enorme meerwaarde.
Nadelen van een verkeersmodel Een mogelijk risico bij wiskundige optimalisatiemodellen is dat het denken verankerd blijft in huidige oplossingen, mogelijkheden en beperkingen. Bovendien kan een kortzichtige interpretatie van resultaten leiden tot het uitsluiten van oplossingen met een iets hogere kost die misschien wel beter scoren op vlakken die niet zijn opgenomen in het model. Daarnaast is de output van kwantitatieve modellen vaak sterk afhankelijk van de input en hebben ze soms de neiging om een eigen leven te gaan leiden. Aannames zitten soms diep verborgen in het model en de exacte interne werking van het model is vaak enkel gekend door een paar individuen die het meest frequent met de modellen werken [19]. Als niet alle betrokken beslissingspartners de interne werking van een model begrijpen, dan kan de interpretatie van resultaten soms dubieus zijn. Blindelings vertrouwen in modelresultaten in combinatie met een gebrek aan transparantie kan aanleiding geven tot zowel foutieve veronderstellingen als een vals gevoel van vertrouwen over de precisie en betrouwbaarheid van verkeersmodellen.
24
De betrouwbaarheid van simulatieresultaten daalt bovendien als de tijdshorizon en het aantal te voorspellen variabelen stijgt. GGB-analyses vereisen typisch een doorrekening van verschillende maatregelen op (middel)lange termijn. De bruikbaarheid van een verkeersmodel voor een GGBproject daalt dus naarmate meer maatregelen doorgevoerd worden en de analysetermijn stijgt. Voor langetermijnscenario’s zijn de modelresultaten enkel voor interpretatie vatbaar in grootteordes en relatieve verhoudingen. Daarnaast is een verkeersmodel steeds gekalibreerd en gevalideerd op basis van waargenomen verplaatsingsgedrag. Modelvoorspellingen zijn daarom alleen maar geldig voor omstandigheden die niet te hard afwijken van de huidige verkeerssituatie. De conclusies die volgen uit verkeersmodellen moeten dus steeds met een kritische blik bekeken worden. Sensitiviteitsanalyse en vergelijkingen met theoretisch verwachte resultaten kunnen helpen om modelresultaten beter te interpreteren.
Floating car data Floating car data zijn locatiegegevens van bewegende voertuigen in een netwerk. Voertuigen die uitgerust zijn met een navigatie- en een communicatiesysteem zijn in staat om op geregelde tijdstippen hun locatie en snelheid door te geven aan een server. Naast deze basisinformatie kunnen voertuigen tegenwoordig ook andere gegevens doorsturen, zoals de stand van de ruitenwissers, het brandstofverbruik, ABS-gegevens, lokale temperatuur en dergelijke. Floating car data wordt meestal gezien als een niet-klassieke databron voor verkeersanalyses en kadert samen met een aantal andere relatief nieuwe databronnen binnen het verhaal van Big Data.
Big Data Big Data is een populaire term die vaak in de mond wordt genomen om de overvloed aan beschikbare ruwe data te benoemen. De formele definitie van Big Data is echter niet altijd even duidelijk. In de wetenschappelijke literatuur wordt vaak verwezen naar een V-model om de term Big Data te karakteriseren. McAfee en Brynjolfsson (2012) [20] hebben het over drie V’s en Assunção et al. (2015) gieten de beschrijving van Big Data zelfs in volgende vijf trefwoorden: Volume, Variety, Velocity, Veracity en Value [21]. De eerste drie V’s komen bijna altijd terug in de omschrijving van Big Data. Maar ook over de toepasselijkheid van de twee andere eigenschappen valt iets te zeggen. Hieronder een korte toelichting bij de vijf V’s: 1. Volume: Steeds meer sensors verzamelen allerlei data, historische databases met allerlei soorten gegevens zijn beschikbaar, sociale media zoals Twitter genereren een constante datastroom aan tekst en ook steeds meer instanties zoals overheden, universiteiten en zelfs bedrijven investeren in open data die voor iedereen toegankelijk is. Het digitaal opslaan van deze enorme datavolumes is geen probleem meer waardoor massale dataopslag realiteit is. 2. Variety (Variëteit): Data wordt opgeslagen in alle soorten datavormen en -formaten. Van traditionele databases tot hiërarchische datastructuren, tekstdocumenten, video en audio. 3. Velocity (Snelheid): Snelheid heeft te maken met zowel de snelle en bijna constante registratie van gegevens als de snelheid van gegevensverwerking. 4. Veracity (Waarheidsgetrouwheid): Waarheidsgetrouwheid duidt de betrouwbaarheid van de databron aan en dus de verwachte kwaliteit van de gegevens. 5. Value (Waarde): Het criterium ‘waarde’ van Big Data is misschien het minst toepasselijk, omdat de intrinsieke waarde van data niet altijd op voorhand duidelijk is.
25
Big Data is in de meeste gevallen ruwe data afkomstig van verschillende databronnen. Voor veel toepassingen heeft data in ruwe vorm geen enkele waarde, maar de informatie die impliciet in de gegevens vervat zit kan wel interessant zijn. In de grote verzameling aan data die op het eerste zicht op ruis lijkt, kunnen patronen verscholen zitten die mogelijk tot kennis en inzicht leiden. De kunst is dus om waardevolle informatie op een efficiënte manier uit alle beschikbare databronnen te filteren. Maar daarbij ontstaat al snel het gevaar om in de enorme berg aan data verloren te lopen. Data kan immers irrelevant zijn voor een toepassing, verwerkt zijn op een verkeerde manier, zodanig complex zijn of voorgesteld worden op onbruikbare wijze [21]. Bovendien is het voor veel toepassingen cruciaal om te beschikken over de juiste informatie op het juiste moment. Nuttige informatie verzamelen uit Big Data is dus vaak gemakkelijker gezegd dan gedaan. Toch is het de bedoeling om in deze paragraaf een eerste aanzet te geven over de inzetbaarheid van floating car data, een relatief nieuwe databron voor verkeersanalyses. Andere relatief nieuwe databronnen die hier niet aan bod komen maar wel een meerwaarde kunnen zijn bij verkeersanalyses zijn onder andere: camerabeelden, nummerplaatherkenning, bluetooth sensoren, digitale chipkaarten voor openbaar vervoer, geconnecteerde voertuigen en zelfs sociale media. Daarnaast kunnen klassieke databronnen die normaal dienen voor de kalibratie van een verkeersmodel ook hun nut hebben als aanvullende databron. Dit zijn onder andere: verkeerstellingen van detectielussen, socio-economische gegevens van statistische sectoren en enquêtes zoals het onderzoek verplaatsingsgedrag voor Vlaanderen.
3.2.1. Registratietechnieken Floating car data is de Engelstalige benaming voor verkeersdata verzameld op basis van navigatieapparatuur in auto’s. Via een verbinding tussen het navigatiesysteem en een server kunnen de voertuigbewegingen opgeslagen worden in een database. Het gaat daarbij over geanonimiseerde en geaggregeerde data die in het algemeen verzameld wordt op vier manieren: 1. Via een navigatiesysteem ingebouwd in een voertuig dat op vaste tijdsfrequenties gegevens doorstuurt vanaf het moment dat de motor start. Ingebouwde systemen hebben als voordeel dat ze volledige verplaatsingsstromen van voertuigen registreren omdat de apparatuur tijdens de rit niet uitgeschakeld kan worden. 2. Via een GPS-toestel dat een gebruiker installeert in de wagen. Deze systemen werken op dezelfde manier als ingebouwde systemen. Maar gebruikers hebben de mogelijkheid om het toestel te ontkoppelen wat kan leiden tot een gedeeltelijke registratie van trips. 3. Via systemen gekoppeld aan een gebruiker in plaats van aan een wagen zoals smartphone applicaties. Sommige applicaties zenden alle verplaatsingsdata door op de achtergrond, terwijl andere applicaties actief moeten zijn vooraleer ze data doorsturen. 4. Via systemen die de bewegingen van gsm’s registreren ten opzichte van gsm-masten met behulp van driehoeksmeting voor locatiebepaling. Dit is in principe de meest complete dataset want tegenwoordig beschikt bijna iedereen over een gsm. De term floating car data die oorspronkelijk enkel bedoeld was voor autoverplaatsingen is dus bij uitbreiding ook toepasselijk voor het verplaatsingsgedrag van individuele personen die niet noodzakelijk in een auto zitten. Het registreren van verplaatsingen op persoonlijk niveau heeft als voordeel dat ook multimodale trips opgemeten worden. Het nadeel hiervan is dat de geregistreerde trips ook gelinkt moeten worden aan een vervoerswijze.
26
3.2.2. Kalibratie van de verkeersvraag Klassieke kalibratiemethodes Eén van de nadelen van traditionele verkeerstellingen is dat ze locatiegebonden zijn en meestal maar een klein deel van het netwerk dekken. Het gevolg hiervan kan zijn dat niet alle HB-relaties over voldoende tellingen beschikken. Het is zelfs mogelijk dat sommige HB-paren niet worden aangepast tijdens de kalibratie als ze een route gebruiken zonder tellingen. Door de ruimtelijke verdeling van telposten bestaat dus de kans dat de kalibratie van de HB-matrix sterk vertekend is. Bovendien is de initiële HB-matrix vaak gebaseerd op verouderde data die soms verre van de structuur van de huidige HB-matrix weerspiegelt. Klassieke HB-kalibratiemethodes kunnen in theorie wel goed werken. Maar als zowel de structuur van de inputmatrix als de ruimtelijke verdeling van verkeerstellingen te wensen over laten, dan is de kans klein dat de HB-kalibratie realistische resultaten zal opleveren. De uitspraak uit de informaticawereld 'Garbage in, garbage out’ is hier terecht van toepassing. Eén van de mogelijkheden om de traditionele verkeerstellingen aan te vullen en de HB-kalibratiemethodes te verbeteren is om floating car data te gebruiken.
Kalibratie op basis van FCD Eén van de moeilijkheden bij het gebruik van FCD voor HB-schattingen is het bepalen van de exacte herkomst en bestemming van een trip. Voor ingebouwde GPS-systemen is dit redelijk eenvoudig omdat het toestel onmiddellijk connectie maakt met de satellieten en een server wanneer de auto start. Bij losse GPS-toestellen bestaat de kans dat maar een deel van een verplaatsing wordt geregistreerd, omdat niet iedereen zijn GPS altijd onmiddellijk inschakelt. Een ander probleem is dat GPS-toestellen en bij uitbreiding smartphones slechts een fractie van het totaal aantal trips registreert, omdat niet iedere weggebruiker over dergelijk toestel beschikt. Daarom moet floating car data op één of andere manier opgeschaald worden om tot een volledige HB-matrix te komen. Daarnaast zullen ook niet altijd alle HB-paren gedekt zijn door FCD. Het aanpassen van nulwaarden is nog moeilijker dan data opschalen omdat het toepassen van een schalingsfactor voor een nulwaarde terug nul oplevert. Een mogelijke aanpak om deze problemen te verhelpen is om een volledige inputmatrix uit de klassieke kalibratiemethode te gebruiken voor zowel het opschalen als het aanvullen van ontbrekende metingen. Op deze manier kan de informatie uit FCD en bestaande HB-matrices gecombineerd worden [22]. Welke analyse- en bewerkingsmethodes nodig zijn om de informatie uit beide databronnen zo efficiënt mogelijk te combineren is een interessant onderwerp voor verder onderzoek.
3.2.3. Toedeling van de verkeersvraag Routereconstructie Floating car data bestaat in ruwe vorm enkel uit locatiegegevens, een tijdstip en eventueel een ogenblikkelijke snelheid. Verkeersanalisten zijn typisch geïnteresseerd in verplaatsingen tussen HB-relaties. Locatiemetingen op zich zijn dus niet echt zinvol voor verkeersanalyses. Een eerste noodzakelijke stap is om semantische informatie, zoals de herkomst en de bestemming toe te voegen aan de ruwe FCD. Vervolgens moet ook de meest waarschijnlijke route tussen dit HB-paar bepaald worden. Als alle meetgegevens zijn omgezet naar routetrajectoren van voertuigtrips, dan pas bevat de dataset voldoende informatie om er verkeersanalyses op uit te voeren.
27
Twee bewerkingstappen zijn nodig om ruwe FCD te transformeren in bruikbare HB-routes. Doordat de locatiebepaling van navigatiesystemen niet altijd erg nauwkeurig is, moet eerst de geregistreerde voertuigpositie aan het netwerk gekoppeld worden. Omwille van missende metingen of een lage meetfrequentie, kan het soms zijn dat de opgemeten locaties ver uit elkaar liggen. Het bepalen van de meest waarschijnlijke route tussen twee opeenvolgende locatiepunten zal dan niet altijd even gemakkelijk blijken. Uit figuur 4 valt af te leiden dat onnauwkeurige metingen in combinatie met gelijkaardige alternatieve routes, kunnen resulteren in meerdere mogelijke routes met bijna identieke waarschijnlijkheid. Een voor de hand liggende regel is om de locatiemetingen altijd te koppelen aan de dichtstbijzijnde weg en altijd de kortste route te veronderstellen tussen twee locatiepunten. Een andere mogelijkheid is om te kijken naar andere gelijkaardige routes waarbij de routekeuze wel eenduidig te bepalen is op basis van de metingen.
Figuur 4: Mogelijke moeilijkheden bij routereconstructie op basis van FCD [23]
In principe zijn er drie mogelijkheden voor het aantal opgemeten routes tussen een HB-paar: geen geregistreerde route, één geregistreerde route of meerdere geregistreerde routes. Het eerste geval is het lastigste omdat de verkeersvraag voor het HB-paar heel klein of onbestaande is. Een verkeersvraag gelijk aan nul komt in werkelijkheid zelden voor, maar is natuurlijk niet onmogelijk. Als een oude HB-matrix beschikbaar is, dan kunnen deze gegevens dienen als aanvulling om de verkeersvraag te bepalen. In het tweede geval is het aannemelijk om te veronderstellen dat de geregistreerde route de enige of toch zeker de meest gebruikte route is. En in het derde geval moet nagegaan worden of de verhouding tussen de gebruikte routes die volgt uit de FCD wel realistisch is [23].
Routekeuze Verkeersmodellering is vaak gebaseerd op een deterministische alles of niets toedeling waarbij alle voertuigen de route nemen met de laagste weerstand. Dit is voor lange verplaatsingen meestal wel redelijk realistisch. Maar bij kortere verplaatsingen met kleinere reistijdverschillen zal niet iedereen de route kiezen die vanuit modelstandpunt een minimale weerstand heeft. Bovendien veronderstelt deterministische routekeuze dat alle gebruikers over perfecte netwerkkennis beschikken, wat ook niet altijd zal kloppen. Daarnaast is de reistijd voor netwerkgebruikers meestal niet het enige criterium dat hun routekeuze bepaalt. Andere factoren zoals het vermijden van file of de perceptie van een aangenamere route spelen wellicht vaker dan gedacht een rol in de routekeuze. Bij het voorspellen van routekeuzegedrag is het echter moeilijk om al deze factoren op te nemen in een model. Daarom is de veronderstelling dat iedereen de route met minimale weerstand neemt meestal wel een valabele assumptie voor een verkeersmodel. 28
Dit nadeel uit de klassieke verkeersmodellering speelt in mindere mate mee bij verkeersanalyses op basis van FCD. Het voordeel van FCD is dat de gegevens werkelijk geregistreerde routes zijn, terwijl verkeersmodellen altijd uitgaan van gesimuleerde verkeersvolumes. Toch is het blindelings veralgemenen en extrapoleren van FCD geen goed idee, omdat het typisch maar een registratie is van een fractie van het totaal aantal weggebruikers [22].
3.2.4. Conclusie Floating car data is een constante datastroom van voertuiglocaties gegenereerd door navigatiesystemen die momenteel vooral dient om realtime verkeersinformatie te verschaffen. Databases met historische FCD zijn een interessante databron voor verkeersanalyses omdat het per definitie gaat over werkelijk gemeten verkeerstoestanden. Verkeerspatronen, impact van incidenten en ook een inschatting van de gemiddelde verwachte reistijd kunnen afgeleid worden uit deze floating car databases.
Voordelen van FCD Het belangrijkste voordeel van FCD is wellicht dat de gegevens zeer dicht aanleunen bij de werkelijkheid. Foutieve metingen en incorrecte databewerkingen vallen niet uit te sluiten, maar de verwachting is toch dat FCD een realistischere weergave is van de werkelijkheid dan gesimuleerde resultaten uit verkeersmodellen. Daarnaast heeft FCD ook een groot geografisch bereik zonder dat een hoge investeringskost vereist is. Veel reizigers beschikken tegenwoordig namelijk zelf over een persoonlijk navigatiesysteem. De investeringskost voor traditionele meetsystemen langs de wegkant is veel hoger om een behoorlijke dekkingsgraad te verkrijgen. Naast basisdata zoals snelheid, positie en tijdstip zijn wagens met ingebouwde sensors en elektronica ook in staat om aanvullende data door te sturen zoals brandstofverbruik, stand van de ruitenwissers en remgegevens.
Nadelen van FCD Een eerste belangrijk nadeel van FCD is dat een voldoende hoge penetratiegraad vereist voor de relevantie van de gegevens. Als slechts data beschikbaar is van een extreem kleine fractie weggebruikers of als de data enkel afkomstig is van taxi’s dan zullen de gegevens niet erg representatief zijn voor de totale populatie van verkeersdeelnemers. Een tweede prominent nadeel is dat verkeersvolumes en HB-matrices moeilijk af te leiden zijn op basis van enkel FCD. Ook is het nodig om semantische gegevens toe te voegen aan de data omdat FCD in ruwe vorm enkel bestaat uit een locatie, een tijdstip en eventueel een ogenblikkelijke snelheid. Een laatste minpunt van FCD zijn de mogelijke privacy issues die gepaard kunnen gaan met het tracken van voertuigen en personen.
Besluit Het is duidelijk dat FCD alleen niet voldoende informatie bevat om een betrouwbare HB-matrix te kunnen opstellen of om toekomstige scenario’s te voorspellen. Daarom is het voor verkeersanalyses aangewezen, om zowel traditionele databronnen als floating car data en andere nieuwe databronnen op een slimme manier te combineren. Hoe beide soorten databronnen elkaar efficiënt kunnen aanvullen valt buiten de scope van deze masterproef, maar is wel een interessant onderwerp voor verder onderzoek.
29
Hoofdstuk 4:
Visuele data-analyse Het is een algemene trend dat onderzoekers steeds vaker geconfronteerd worden met enorme hoeveelheden aan beschikbare data. In het mobiliteitsdomein genereren verkeersmodellen allerhande data zoals reistijden, HB-matrices en verkeersvolumes en alsmaar meer sensors zoals GPS-toestellen, smartphones, detectielussen en camera’s genereren realtime verkeersinformatie. Het registreren en opslaan van data is meestal geen probleem meer, maar het analyseren, interpreteren en voorstellen van alle beschikbare data wordt een steeds grotere uitdaging. Dit hoofdstuk is bedoeld om het belang van visualisatie aan te tonen, zowel als hulpmiddel voor dataanalyse als instrument om resultaten overzichtelijk en begrijpelijk voor te stellen.
Visual Analytics Om het belang van visualisatie te onderstrepen, volgt eerst een korte toelichting bij het onderzoeksdomein ‘Visual Analytics’. Thomas et al. (2005) definieerden Visual Analytics voor de eerste keer formeel als: "de wetenschap van het analytisch redeneren mogelijk gemaakt door interactieve visuele interfaces" [24]. Dit relatief nieuwe onderzoeksgebied is eigenlijk een combinatie van datamining en informatievisualisatie. In dataminingonderzoek worden intelligente algoritmes ontworpen om grote datasets te analyseren. Terwijl informatievisualisatie gericht is op het bedenken van visualisatiemethodes die inspelen op menselijk inzicht om patronen te herkennen. De visuele analysetechnieken in Visual Analytics trachten de sterktes van de elektronische gegevensverwerking en het menselijk redeneren te combineren [25]. Zoals verder zal blijken is deze combinatie van analyse- en visualisatietechnieken ook uitermate geschikt voor het onderzoeken van verkeerspatronen in een geografische ruimte. Keim et al. (2008) stellen Visual Analytics voor in een processchema dat te zien is in figuur 5 [26]. Uit dit schema blijkt dat visualisatie een essentieel onderdeel is om data te transformeren tot inzichtelijke kennis. Visualisatie is hierbij zowel gelinkt aan databronnen als aan modellen. De gedachtegang om verkeerssituaties te analyseren op basis van beschikbare databronnen vertrekt in figuur 5 vanuit de cirkel ‘Data’ en is vooral bezig met de pijlen ‘Mapping’ en ‘Data Mining’. Visuele voorstellingen en datamining van datasets kunnen leiden tot het herkennen van bepaalde patronen of structuren, waardoor de data mogelijk aanpassingen of toevoegingen vereist. Visualisatie is in deze context in de eerste plaats bedoeld om naar waardevolle informatie te zoeken. De redenering die aan de grondslag van verkeersmodellen vertrekt in figuur 5 vanuit de cirkel ‘Models’ en is vooral gericht op de pijlen ‘Model Visualization’ en ‘Model Building’. Verkeersmodellen worden opgebouwd in de veronderstelling dat de juiste inputdata beschikbaar is. Visualisatie dient hierbij enerzijds om de output van het model te interpreteren en anderzijds om het model verder uit te bouwen.
30
Figuur 5: Processchema van het Visual Analytics proces [26]
Zevenstaps proces voor visuele data-analyse Ben Fry (2007) heeft in zijn boek “Visualizing Data: Exploring and Explaining Data with the Processing Environment” [27] een proces beschreven dat qua gedachtegang sterk aanleunt bij het onderzoeksdomein Visual Analytics. Het zevenstaps proces is bedoeld om data efficiënt te analyseren en begrijpelijk voor te stellen. Het proces is weergegeven in figuur 6 en bestaat uit een deelblok ‘data-analyse’ en ‘visualisatie’. De eerste vier stappen ‘acquire, parse, filter en mine’ vormen samen het blok data-analyse en duiden respectievelijk op het verzamelen, structureren, bewerken en doorzoeken van data. Het tweede deelblok is de visualisatie en bestaat uit drie stappen ‘represent, refine en interact’, die respectievelijk duiden op de voorstelling, het verfijnen en de interactie van datavisualisatie.
Figuur 6: Interactie tussen de zeven stappen in het data-analyse proces volgens Ben Fry [27]
De eerste twee delen van dit hoofdstuk gaan respectievelijk dieper in op de eerste vier stappen en de laatste drie stappen van Fry’s framework. Naast een algemene beschrijving van het dataanalyseproces en het visualisatieproces, komt ook meestal de verkeerskundige toepassing aan bod alsook de mogelijke interacties tussen verschillende deelstappen. Het derde deel van het hoofdstuk is een concrete uitwerking van een aantal nuttige visualisatietechnieken voor een GGBproces. 31
Data-analyse Data-analyse of datamining is een onderzoeksdomein dat ontstaan is in de jaren 90 uit de behoefte om grote hoeveelheden data te analyseren. In brede zin is datamining gericht op het onderzoeken van patronen in grote datasets met behulp van statistische berekeningen, intelligente zoekalgoritmes en zelflerende technieken [28]. In deze paragraaf volgt een toelichting bij vier belangrijke stappen in het data-analyse proces: data verzamelen, data structureren, data bewerken en data doorzoeken. Dit zowel algemeen als toegepast voor verkeersdata.
4.1.1. Data verzamelen Data verzamelen is noodzakelijkerwijs de eerste stap in een data-analyse proces. Soms zal beschikbare data de drijfveer zijn voor het opstarten van een project, het formuleren van een vraagstelling of het uitvoeren van een analyse. Maar soms zal ook aanvullende data nodig zijn als er weinig tot geen data beschikbaar is voor een project. Voor het registreren van verkeersdata zijn zeker drie elementen belangrijk: het type meettoestel, de locatie of het gebied en het tijdstip of tijdsvenster om data te registreren. Nieuwe data opmeten of data verkrijgen van derde partijen zal niet altijd voor de hand liggend zijn. Maar voldoende en betrouwbare data is nu eenmaal een cruciale factor om grondige analyses te kunnen uitvoeren.
4.1.2. Data structureren Databasestructuur Traditioneel zijn verkeersdatabases vaak ontworpen op basis van een object georiënteerd design dat bedoeld is voor een efficiënte dataregistratie en compacte langetermijnopslag. Een typisch voorbeeld hiervan is een structuur met gegevenstabellen per object die onderling verbonden zijn door allerlei relaties. Het uitgangspunt van dit soort datastructuur is een minimum aan redundantie om de opslagruimte te minimaliseren. Bovendien is het voor een databasegebruiker redelijk eenvoudig om data aan te vullen, aan te passen of te verwijderen omdat slechts één wijziging vereist is in een relatief kleine tabel. Omwille van de complexe relaties tussen veel kleine tabellen is deze structuur echter vaak ongeschikt voor uitgebreide data-analyses. Kimball et al. (2008) suggereren in hun boek “The Data Warehouse Lifecycle Toolkit” [29] dat een stervormige datastructuur veel beter geschikt zou zijn voor uitvoerige analytische toepassingen dan een object georiënteerde structuur. Het hart van de stervormige database bestaat uit een centrale tabel met de belangrijkste informatie over het voornaamste object. De armen van de sterstructuur stellen dimensies voor die aanvullende gegevens bevatten. Ter vergelijking toont figuur 7 een voorbeeld van een traditionele databasestructuur en figuur 8 een voorbeeld van dezelfde database opgebouwd volgens het stervormig model. In de object georiënteerde database bevat de tabel ‘detector data’ de metingen op sensorniveau en de tabel ‘station data’ de metingen per telpost. De tabellen ‘detector info’ en ‘station info’ bevatten respectievelijk de beschrijvende data over de individuele sensors en de telposten. De geografische informatie van de metingen is dus verspreid opgeslagen over verschillende tabellen. In de stervormige database is de belangrijkste data opgeslagen in de centrale tabel en aparte tabellen verwijzen naar de twee dimensies van een meting, namelijk tijdstip en locatie. Het tijdstip is nog eens opgesplitst in een dimensie datum en een dimensie moment van de dag [30].
32
Figuur 7: Database opgebouwd volgens het traditionele model [30]
Figuur 8: Database opgebouwd volgens het stervormig model [30]
33
Datatypes Naast de structuur van de database is ook het formaat van dataopslag belangrijk. Databases ondersteunen typisch verschillende datatypes voor de opslag van tekst, cijfers, valuta, datums, tijdstippen en dergelijke. Het belang van datatypes wordt aangetoond met een voorbeeld over het opslaan van datums en tijdstippen. Een SQL datum-tijd datatype in de vorm van YYYY-MM-DD hh:mm:ss is een mogelijk formaat om het tijdstip van een meting bij te houden. Dit is een traditionele compacte vorm van dataopslag want er is maar één datacel nodig om het volledige tijdstip op te slaan. Een grondige verkeersanalyse vereist echter vaak een gedetailleerde controle over de tijdsparameters. Een onderzoeksvraag kan bijvoorbeeld enkel gericht zijn op verkeerspatronen van weekdagen. Als de datum is opgeslagen in de vorm YYYY-MM-DD, dan is een speciale functie nodig om enkel weekdagen te filteren uit de dataset. De rekentijd zal hierbij snel oplopen naarmate de database groter is. Als daarentegen de dag, de maand en het jaar in aparte cellen zijn opgeslagen dan zijn queries op datum veel sneller uitvoerbaar. Als bovendien ook het verschil tussen een weekdag en het weekend ergens expliciet wordt bijgehouden dan zal het filteren op weekdagen nog sneller mogelijk zijn [30]. Het uitgangspunt voor efficiënte data-analysetechnieken is het minimaliseren van speciale functies en berekeningen die nodig zijn voor queries die naar verwachting vaak opgevraagd zullen worden. Het tweede soort datatype, met aparte cellen voor dag, maand en jaar versnelt het zoeken naar de gewenste datum omdat een decodering van het datumveld niet meer nodig is. De nodige informatie is namelijk reeds opgeslagen in aparte velden.
Dataresolutie Een andere belangrijke ontwerpbeslissing bij de opbouw van een database is het aggregatieniveau om gegevens op te slaan. Voor verkeersdata zijn zowel de temporele als de ruimtelijke resolutie belangrijk. Tijdsintervallen voor verkeersdataregistratie kunnen variëren van enkele seconden tot enkele minuten. Ruimtelijke aggregatie kan op wegvakniveau, op wegniveau of op corridorniveau. Het al dan niet aggregeren van gegevens vooraleer ze in te laden in een database is een afweging tussen het gewenste detailniveau en de opslagruimte voor de data. Het optimale aggregatieniveau zal afhangen van het soort toepassing waarvoor de database moet dienen. Naast het opslaan van de gegevens in de fijnste resolutie, kan het soms ook nuttig zijn om de waarden van bepaalde veel gebruikte aggregatieniveaus op te slaan om zo de berekeningstijd te verminderen. Als bijvoorbeeld het gemiddeld dagelijks verkeersvolume over alle dagen van een jaar een veel gevraagde query is, dan zal het eenmalig opslaan van deze waarde voordeliger zijn dan de waarde elke keer te berekenen uit kleine tijdsintervallen. Enige redundantie in de dataopslag kan de rekentijd in sommige gevallen dus aanzienlijk versnellen. Als de beschikbare opslagruimte voor de database geen echte beperking is, dan is dataredundantie voor bepaalde parameters zeker aan te raden [30].
4.1.3. Data bewerken Databewerking is het klaar stomen van een dataset voor een bepaalde toepassing. In de meeste gevallen komt dit neer op het verbeteren van de datakwaliteit en het verwijderen van irrelevante data. Een aantal veel voorkomende aanpassingen zijn onder andere vereenvoudiging, transformatie, filtering, correctie en aanvulling van ruwe data.
34
Data vereenvoudigen en transformeren Data vereenvoudigen heeft vooral als doel een database te verkrijgen die beter aansluit bij de analyses die nodig zijn voor een bepaalde toepassing. Voorbeelden van vereenvoudigingen zijn het verwijderen van irrelevante data, het afronden van lange decimale getallen, het verminderen van overbodige redundantie en het samenvoegen van data. In principe is het omzetten van data in de vorm van complexe of moeilijk handelbare datatypes naar gewone eenvoudige datatypes ook een vorm van vereenvoudiging. Datatransformatie is het omzetten van data naar de gewenste resolutie en eenheid.
Data filteren Data filteren komt neer op het controleren van alle metingen of ze realistisch zijn voor alle locaties en tijdstippen. Deze controle is nodig omdat bij dataregistratie per definitie fouten kunnen optreden. Het kan enerzijds gaan over fysisch onrealistische waarden zoals extreem hoge snelheden of verkeersdichtheden. Of anderzijds over onverwachte resultaten, zoals een zeer lage geregistreerde snelheid waar congestie onwaarschijnlijk is omdat de voorgaande en volgende metingen wel normale snelheden vertonen. Data filteren is in principe manueel uitvoerbaar, maar als het over grote datasets gaat dan wordt deze taak nogal snel tijdsintensief [31]. Verschillende studies zoals Turner et al. (2000), Turochy en Smith (2000) en Park et al. (2003) suggereren daarom een aantal empirische regels om mogelijk onrealistisch gemeten data automatisch te kunnen identificeren [32] [33] [34]. Naast deze simpele vuistregels bestaan ook meer geavanceerde technieken zoals een fuzzy-clustering methode [35] of een entropie benadering [36] om onrealistische waarden uit data te filteren. Een aandachtspunt bij het filteren van de data is dat echte uitschieters kunnen voorkomen in elke datasets terwijl onrealistische datapunten meestal te wijten zijn aan foutieve metingen of registratie. De lijn tussen deze uitschieters en onrealistische data is dan ook een moeilijk definieerbare en dunne grens. Daarom adviseren onderzoekers meestal om onrealistische data niet te verwijderen maar enkel te markeren in een database [37].
Data corrigeren en aanvullen Soms kan het voorvallen dat voor bepaalde tijdstippen geen data beschikbaar is of dat metingen duidelijk een tijdje verkeerd geregistreerd zijn. Het is dan nodig om deze ontbrekende of foutieve data te vervangen door realistische data die past binnen de rest van de data. In de literatuur zijn verschillende algoritmes beschreven voor het aanvullen van ontbrekende verkeersgegevens zoals paarsgewijze regressiemodellen, historische gemiddeldes, schalingsmethodes, lineaire interpolatie, verwachtingsmaximalisatie, kernel regressie en methodes op basis van genetische algoritmes en neurale netwerken [36] [38] [39] [40].
4.1.4. Data doorzoeken Nadat de dataset volledig is opgebouwd en klaargestoomd voor een bepaalde toepassing, start de zoektocht naar informatie die impliciet verscholen zit in de data. Veelgebruikte analysetechnieken voor het ontdekken van patronen en nieuwe inzichten zijn onder andere: het opstellen van datasubgroepen met behulp van cluster- of filtermethodes, het onderzoeken van associatie- en correlatiepatronen en het detecteren van uitschieters in de data. De meeste van deze technieken zijn gebaseerd op concepten uit de statistische analyse en zijn redelijk visueel gericht. De visuele component van deze analyses wordt verder uitgewerkt in volgende paragraaf.
35
Data aggregeren Het aggregeren van verkeersdata is mogelijk zowel over de tijdsdimensie als over de ruimtedimensie. Een geografische kaart dient vaak als achtergrond om tijdsaggregaties van data voor te stellen en is meestal bedoeld om de ruimtelijke verdeling van verkeer te onderzoeken. Data geaggregeerd over de ruimtelijke dimensie tracht verplaatsingspatronen te onderzoeken in de tijd. Het aggregeren over de ruimtelijke component is bedoeld om meer inzicht te verkrijgen over bepaalde delen van het netwerk zoals links, corridors of routes. Voorbeelden van gebruikelijke aggregatievormen zijn: een verkeersdichtheidsplot, een bereikbaarheidskaart, geaggregeerde verkeersvolumes per link, trajectoren van routes en dergelijke [41].
Data clusteren Dataclustering is het groeperen van elementen volgens een bepaald gelijkaardigheidscriterium met als doel de nieuwe groepen verder te analyseren. Het clusteren van data kan enerzijds enkel bedoeld zijn ter vereenvoudiging maar kan anderzijds ook bedoeld zijn om extra informatie toe te voegen aan de database. Een voorbeeld van een clustering die bijna altijd noodzakelijk zal zijn voor een dataset bestaande uit een opeenvolging van locatiepunten is het opdelen van de data in deelsequenties die verplaatsingstrips voorstellen. De definitie van een trip zal hierbij afhankelijk zijn van de toepassing. Voor het analyseren van multimodaal verplaatsingsgedrag is het aan te raden om trips op te splitsen per modus terwijl voor unimodaal verplaatsingsgedrag een opsplitsing volgens herkomst en bestemming volstaat. Verkeersanalisten zijn vaak geïnteresseerd in patronen van gelijkaardige routes in een bepaald gebied. Daarom zal clustering voor verkeersdata vaak gebaseerd zijn op ruimtelijke parameters. Trajecten kunnen als gelijkaardig beschouwd worden in verschillende opzichten: ze kunnen geheel of gedeeltelijk samenvallen in de ruimte, een gelijkaardige vorm hebben, dezelfde herkomst en/of bestemming hebben of ze kunnen gelijkaardig dynamisch gedrag vertonen. Welke gelijkaardigheidscriteria relevant zijn, hangt volledig af van de toepassing en de doelstellingen van de analyse. Daarom is de clustervorming meestal expliciet gescheiden van de berekening van gelijkheid tussen elementen. De maximaal toegelaten ‘afstand’ tussen elementen en de minimale clustergrootte om effectief van een cluster te kunnen spreken zijn uiteindelijk de bepalende parameters bij clustering [41].
Data filteren Data filteren is een vereenvoudigde vorm van clusteren. Datafiltering komt eigenlijk neer op het uitvoeren van een query op basis van parameters en logische operators zoals ‘en’, ‘of’, ‘niet’. Filteren is dus bedoeld om een bepaald deel van de data verder te analyseren of voor te stellen terwijl clustering eerder bedoeld is om de dataset echt op te splitsen in meerdere deelgroepen met elk verschillende eigenschappen [41]. Goede datafiltermogelijkheden zijn een nodige voorwaarde voor interactieve visualisatie.
4.1.5. Conclusie Smith et al. (2003) tonen in hun paper aan dat verkeerskundige analyses voor een stervormige database significant sneller verlopen dan voor een traditionele datastructuur. De tijdswinst voor berekeningen loopt hierbij op tot enkele minuten per query [30]. Dit geeft aan dat een slimme opbouw van de databasestructuur, datatypes en aggregatieniveau van data, kan resulteren in een aanzienlijk snellere gegevensverwerking. Het enige nadeel van het stervormig model is dat het meer opslagruimte vereist omwille van de redundantie. 36
Naast een slimme opbouw van de dataset zijn ook efficiënte bewerkings- en zoekalgoritmes nodig om de data op een adequate manier te kunnen analyseren. Het is de bedoeling om elektronische gegevensverwerking zoveel mogelijk in te zetten voor automatische analyses zoals het detecteren van foutieve of ontbrekende data en het groeperen van data op basis van clusteringsmethodes. Toch zal een menselijke onderzoeker in dit data-analyseproces onmisbaar blijven om de resultaten van computeralgoritmes juist te interpreteren en de werkwijze bij te sturen waar nodig. Daarnaast blijft het menselijke visueel inzicht om bijvoorbeeld data geografisch te interpreteren meestal superieur aan het ‘inzicht’ van computers. Het belang van datavisualisatie komt aan bod in volgende paragraaf.
Datavisualisatie Om de inzichten die volgen uit data-analyses op een begrijpelijke manier uit te leggen aan onderzoekers en andere geïnteresseerden is visualisatie een enorm krachtige tool. Het menselijk brein is immers goed in staat om patronen, tendensen en fenomenen te herkennen en begrijpen met behulp van visualisaties. Daarnaast is het visualiseren van data een uitstekende manier om data te exploreren, te vergelijken of interactief te verkennen. Vaak volgt inzicht in data uit een vergelijking van meerdere visualisaties.
4.2.1. Visualisatie van verkeersdata Datavisualisatie kan een efficiënt hulpmiddel zijn om data inzichtelijk voor te stellen en om na te denken over de betekenis van de data. Deze twee functies worden voor verkeersdata aangetoond aan de hand van twee voorbeelden.
Visualisatie van trajectoren De meest elementaire manier om verplaatsingen te visualiseren zijn pijlen op een geografische kaart. Als de tijdsfactor belangrijk is, wordt meestal een tijd-ruimtediagram gebruikt waarbij de ruimte in twee horizontale dimensies wordt voorgesteld en de tijd in een derde verticale dimensie. Het bewegingsgedrag van een object wordt dan voorgesteld door een driedimensionale lijn die opeenvolgende punten verbindt, waarbij de steiltegraad de snelheid weergeeft. Een gestaag stijgende lijn betekent een hoge snelheid, een steile lijn betekent een lage snelheid en een verticaal segment komt overeen met een tijdsinterval van stilstand. Deze voorstelling van verplaatsingen wordt in het mobiliteitsdomein meestal aangeduid als trajectoren [41]. De meest gebruikelijke manier om trajecten van bewegende objecten te visualiseren zijn een statische voorstelling of een geanimeerde weergave op een geografische achtergrond. Statisch betekent geaggregeerd voor een bepaald tijdsinterval en een geanimeerde kaart is een soort film die de opeenvolgende toestanden toont. Het voordeel van de eerste manier is dat het in één oogopslag een algemeen gemiddeld beeld geeft. Het voordeel van de tweede manier is dat de dynamica en de veranderingen in het systeem duidelijker worden aangegeven. De evolutie van een systeem kan soms tot meer inzicht leiden dan een gemiddelde weergave.
37
Het onderzoeken van trajectoren door te kijken naar afzonderlijke segmenten en knooppunten kan interessant zijn om de verandering in bewegingskarakteristieken te ontdekken. Het kan hierbij gaan om rechtstreeks gemeten variabelen zoals snelheid of afgeleide karakteristieken uit de positiebepalingen zoals bezettingsgraad. Deze bewegingskarakteristieken kunnen ogenblikkelijk, gemiddeld of cumulatief zijn. De ogenblikkelijke waarde van een parameter geldt voor het object op één bepaald moment. Gemiddelde karakteristieken zijn een uitmiddeling over een bepaald tijdsinterval. En cumulatieve kenmerken zijn cumulatieve gesommeerde waardes van parameters, deze sommatie kan zowel over de tijdsdimensie- als de ruimtelijke dimensie. Een nadeel van een puur temporele voorstelling van verkeersdata is dat de ruimtelijke component dan helemaal verdwenen is. Deze ruimtelijke context is echter vaak essentieel vanwege de infrastructuur en omgeving maar ook vanwege effecten zoals rerouting. Daarom worden de tijdsafhankelijke voorstellingen meestal gelinkt aan een ruimtelijke visualisatie die de data projecteert op een kaart [42].
Belangrijke plaatsen bepalen in FCD Ruwe floating car data bestaat meestal enkel uit geografische coördinaten en een tijdstip. Eén van de eerste stappen bij het analyseren van deze FCD is het identificeren van belangrijke plaatsen. De significantie van een bepaalde plaats zal daarbij afhangen van de toepassing. Voor individueel personenverkeer zullen plaatsen zoals de woning, het werk en winkels typisch relevant zijn. Als het over globaal personenverkeer gaat, dan zijn de interessante plaatsen geaggregeerde gebieden zoals woongebieden, shoppingcentra, industriegebied en dergelijke. Als het over vrachtverkeer gaat, dan zijn depots, havens en andere terminals weer belangrijk [41]. Volledig geautomatiseerde methodes ontwikkelen om belangrijke plaatsen te ontdekken in FCD is niet eenvoudig omdat de geografische context moeilijk aan te leren is aan een computer. Een menselijk brein daarentegen is wel goed in staat om meetpunten visueel te linken aan een geografische achtergrond. Dit wil niet zeggen dat deze taak volledig manueel uitgevoerd moet worden. Maar visuele analyse kan hier zeker en vast een meerwaarde zijn.
4.2.2. Visualisatie als interactieve verkenningstool Andrienko et al. (2007) beweren in hun paper dat visuele analytische tools een handig hulpmiddel kunnen zijn voor onderzoekers om uit grote databases bewegings- en mobiliteitspatronen te herkennen. Ze stellen in hun paper een framework voor dat interactieve visualisatie en efficiënte database algoritmes combineert. Het eerste is nodig om de menselijke redenering en kennisvorming te ondersteunen, het tweede dient om te kunnen omgaan met grote datasets [41]
Exploratieve visualisatie Eén van de sterktes van exploratieve visualisatie is dat een onderzoeker voor verschillende parameters progressief en stapsgewijs de data kan verkennen. Bijvoorbeeld om individuele verplaatsingspatronen te herkennen is de eerste stap het identificeren van belangrijke plaatsen om daarna aan deze plaatsen verplaatsingstrips te linken. Hiervoor zijn technieken zoals clusteren en filteren heel handig, maar de resultaten van deze analysemethodes hangen sterk af van de gebruikte parameterwaardes. Door deze te variëren of stapsgewijs te verfijnen zal het vaak mogelijk zijn om betere resultaten te boeken [41].
38
Vaak gebruikte interactietechnieken voor visuele exploratie zijn: het manipuleren van het standpunt zoals zoomen, draaien, verplaatsen, zichtbaarheid van lagen veranderen, het aanpassen van de dataweergave met behulp van bijvoorbeeld kleurschakeringen of lijndikte, het veranderen van de zichtbare objecten door te filteren of het selecteren van objecten en interacties met zichtbare elementen, zoals toegang tot gedetailleerde informatie door middel van een muisklik of andere selectietechnieken [46].
Herkennen van patronen en uitschieters Visualisatie van datapunten is voor het menselijk brein de uitgelezen manier om patronen te herkennen alsook datapunten die duidelijk niet binnen een patroon passen. Ook statistische analyses maken veelvuldig gebruik van grafische weergaves om de correlatie van gegevens te onderzoeken. Een bekend voorbeeld uit de statistiek, dat ook meteen de kracht van visualisatie aantoont, is het kwartet van Anscombe. De Britse statisticus Francis Anscombe stelde in 1973 [43] vier datasets op met dezelfde statistische eigenschappen. Elke dataset bestaat uit elf datapunten in het platte vlak, gekenmerkt door de variabelen x en y. Zowel het gemiddelde als de variantie van variabele x en variabele y is voor de vier datasets gelijk. Puur op basis van deze eenvoudige statistische kengetallen, zou dus besloten kunnen worden dat de vier datasets gelijkaardige eigenschappen hebben. Figuur 9 is een grafische weergave van de vier datasets in een x-y diagram en daaruit blijkt dat de vier datasets amper tot geen gelijkaardige eigenschappen vertonen. Het spreidingsdiagram linksboven toont een eenvoudige lineaire samenhang met spreiding. Beide variabelen zouden normaal verdeeld kunnen zijn in dit geval. Het spreidingsdiagram rechtsboven toont een duidelijke samenhang tussen beide variabelen, maar de correlatie is niet lineair. Bovendien zijn de variabelen in deze dataset zeker niet normaal verdeeld. Het spreidingsdiagram linksonder toont een sterke lineaire samenhang met één ernstige uitbijter, waardoor de correlatiecoëfficiënt bijna 1 zou zijn zonder de uitbijter, maar in dit geval 0,816 is. Het spreidingsdiagram rechtsonder toont ook een uitbijter, die hier tot een grote correlatiecoëfficiënt leidt. Nochtans lijkt hier tussen de variabelen weinig tot geen lineaire samenhang te bestaan [43].
Figuur 9: Kwartet van Anscombe [43]
39
4.2.3. Visualisatietoepassingen voor GGB Deze paragraaf beschrijft een aantal visualisatiemethodes aan de hand van een case uit een GGBoefening voor de regio Leuven. De verkeersanalyses en de meeste visualisaties zijn uitgevoerd met behulp van het simulatieprogramma Visum.
Case sluiproute Geldenaaksebaan De case die verder behandeld zal worden is de routekeuze tussen een groot kruispunt in het industriepark van Haasrode (aangeduid met het cijfer 1 op figuur 10) en de Tiensepoort in Leuven (aangeduid met het cijfer 2 op figuur 10). Er bestaan twee realistische routes tussen deze punten, namelijk een voorkeursroute langs de Meerdaalboslaan en de Tiensesteenweg en een alternatieve route langs de Geldenaaksebaan en de ring. De route langs de Meerdaalboslaan is de voorkeursroute omdat dit een gewestweg is en de Geldenaaksebaan doorkruist een woongebied. Uit de analyse van de huidige verkeerssituatie blijkt dat het merendeel van het verkeer van Haasrode naar de Tiensepoort de sluiproute neemt via de Geldenaaksebaan. Dit wil zeggen dat de kost van de sluiproute momenteel lager is dan de kost van de voorkeursroute. Een verdere kostenanalyse zal moeten uitwijzen waarom zo weinig voertuigen de voorkeursroute nemen.
Figuur 10: Overzicht case sluiproute Geldenaaksebaan
40
Cumulatieve reistijd op een wegenkaart De cumulatieve reistijd is de opeenstapeling van tijd die nodig is om zich te verplaatsen van een bepaald punt in een netwerk naar een ander punt. Een cumulatieve reistijdplot is een handige manier om de kostenopbouw van twee of meerdere routes af te lezen. Figuur 11 toont een cumulatieve kostenplot, waarbij de kleurschakeringen van geel tot paars de kostenopbouw voorstellen. Ook de tijdskost aan kruispunten is aangegeven met behulp van kleurschakeringen. Daarnaast is de kwantitatieve waarde van de reistijd weergegeven in seconden naast de knooppunten en in minuten en seconden naast de linken. In deze situatie passeert een autobestuurder langs de voorkeursroute vijf kruispunten met verkeerslichten, waarbij één kruispunt verantwoordelijk is voor een vertraging van 40 seconden. Terwijl de alternatieve route maar drie lichtgeregelde kruispunten heeft met een maximum vertraging van 7 seconden. Ook het laatste kruispunt heeft een vertraging van 42 seconden. Dit is echter een gemiddelde van twee afslagbewegingen, want beide routes nemen aan het kruispunt een andere afslag. De kost per afslag is te zien in de ingezoomde plot in het midden van figuur 11. Daaruit blijkt dat de afslagkost van de alternatieve route aan het eindpunt hoger is (62s) dan de afslagkost van de voorkeursroute (23s). Maar uiteindelijk is de voorkeursroute toch 39s trager dan de alternatieve route. Dit is ook meteen de verklaring waarom niemand langs de voorkeursroute rijdt.
Figuur 11: Cumulatieve kosten van route Geldenaaksebaan en route Meerdaalboslaan
41
Cumulatieve verliestijd op een wegenkaart Nu duidelijk is dat de voorkeursroute een grotere tijdskost heeft dan de alternatieve route, bestaat de volgende stap uit het onderzoeken van de mogelijkheden om het routekeuzegedrag bij te sturen. Een verliestijdplot van beide routes is één van de beste manieren om dit inzichtelijk te maken. Op deze manier kan bekeken worden of het mogelijk is om ergens tijdswinst te boeken voor de voorkeursroute. Uit de gezoomde plot in het midden van figuur 12 blijkt dat de voorkeursroute een verliestijd van 1min52s heeft en de alternatieve route een verliestijd van 1min31s. Daarnaast blijkt dat bijna alle verliestijd te wijten is aan passages langs kruispunten. Het kruispunt tussen de Meerdaalboslaan en de Tiensesteenweg is verantwoordelijk voor het meeste tijdsverlies. Daarom kan het een goede start zijn om te bekijken of een bijsturing op dat kruispunt haalbaar is in het voordeel van de voorkeursroute.
Figuur 12: Cumulatieve verliestijd van route Geldenaaksebaan en route Meerdaalboslaan
42
Cumulatieve reistijd in een tijd-ruimtediagram Het voordeel van bovenstaande cumulatieve kostenplot is dat het een duidelijk geografisch beeld geeft van de kostenstructuur van beide routes. Toch is het vergelijken van het kostenverschil niet echt eenvoudig omdat het verschil nogal klein is. Voor een grondigere vergelijking van beide routes is een tijd-ruimtediagram een efficiëntere grafische voorstelling. In figuur 13 is voor beide routes de cumulatieve reistijd geplot voor het basisscenario en voor een oplossingsscenario. In het basisscenario is de route langs de Geldenaaksebaan (blauwe grafiek) sneller dan de route langs de Meerdaalboslaan (rode grafiek). Dit is vooral te wijten aan de langere afstand van de Meerdaalboslaan route. In het oplossingsscenario zijn een aantal maatregelen doorgevoerd om de reistijd langs de alternatieve route te verhogen en de reistijd langs de voorkeursroute te verlagen. De maatregelen om de reistijd te verhogen zijn goed gelukt want de groene grafiek eindigt duidelijk hoger dan de blauwe grafiek. De totale reistijd langs de route van de Geldenaaksebaan is ongeveer 74 seconden gestegen. De maatregelen om de tijdskost langs de voorkeursroute te verlagen, bestond uit het verminderen van de verliestijd aan lichtgeregelde kruispunten langs het traject. Daardoor loopt de zwarte grafiek onder de rode grafiek. Maar door het verhoogde verkeersvolume langs deze route in het oplossingsscenario, is ook de afslagkost aan het laatste kruispunt verhoogd. Hierdoor blijft de totale reistijd van de voorkeursroute in het nieuwe scenario ongeveer gelijk aan die van het oorspronkelijke scenario.
Figuur 13: Tijd-ruimtediagram van het basis- en oplossingsscenario van beide routes
De steiltegraad van de cumulatieve plot geeft ook een indicatie van de snelheid langs het traject. Een steile helling betekent een lage snelheid en een platte helling komt overeen met een hoge snelheid. In figuur 13 is te zien dat een deel van de rode en zwarte grafiek minder steil is dan de andere delen van de grafiek. Dit is de afgelegde weg langs de Meerdaalboslaan waar de toegelaten snelheid 90 km/u is. Een verticale lijn in de grafiek betekent een snelheid nul of dus stilstand. In dit geval gaat het hier altijd over wachttijd aan kruispunten. 43
Volumeplot Een selected linkanalyse is de aangewezen tool om na te gaan welk de effectief gebruikte route is tussen een divergentie- en convergentiepunt. Aan de linkerkant van figuur 14 is het basisscenario grafisch voorgesteld waar iedereen de route van de Geldenaaksebaan gebruikt. En aan de rechterkant is de volumeplot weergegeven van het oplossingsscenario waar alle weggebruikers hun route gewisseld hebben naar de Meerdaalboslaan.
Figuur 14: Volumeplot van de gebruikte route in het basis- en het oplossingsscenario
Verschilplot Een verschilplot van de volumes tussen beide scenario’s geeft inzicht in het effect van de maatregelen in termen van verkeersvolumes voor het hele netwerk. In figuur 15 is het verschil in verkeersvolume tussen het oplossingsscenario en het basisscenario geplot. Een groene balk betekent een verkeerstoename en een rode balk een verkeersafname. De breedte van de balk weerspiegelt de grootte van de toe- of afname. Hieruit blijkt dat vooral de route van de Meerdaalboslaan in het oplossingsscenario meer verkeer moet afwikkelen en de route van de Geldenaaksebaan minder verkeer. Op basis van figuur 14, weten we dat het gaat over een verschuiving van ongeveer 65 voertuigen. Dit wil zeggen dat in de rest van het netwerk geen echt grote veranderingen zijn opgetreden in termen van verkeersvolumes. Hieruit kan besloten worden dat de maatregelen van het oplossingsscenario het gewenste resultaat opleveren, namelijk een verschuiving van het gebruik van de alternatieve route naar de gewenste route met zo weinig mogelijk neveneffecten.
44
Figuur 15: Verschil in verkeersvolumes tussen het oplossings- en het basisscenario
4.2.4. Conclusie Omwille van de grote hoeveelheid aan beschikbare verkeersdata, is het meestal niet meer mogelijk om alle data manueel te verwerken en moet daarom vaak de hulp ingeroepen van computerprogramma’s. Verkeerskundige analyses zijn daardoor steeds vaker semi-automatische gegevensverwerkingsprocessen. Visualisatie is hierbij het medium bij uitstek voor een vlotte communicatie tussen mens en machine. Het is in dit proces wel essentieel dat de onderzoeker altijd zelf de richting van de analyse kan blijven bepalen. Visualisatie kan dus een handig hulpmiddel zijn om meer inzicht te verkrijgen in verplaatsingspatronen die verborgen kunnen zitten in verkeersdata. Voor een GGB-proces, is vanuit dit oogpunt visualisatie een nuttige tool voor het analyseren van floating car data. Visualisatie is anderzijds ook een zeer krachtige en handige manier om resultaten van verkeersanalyses voor te stellen aan geïnteresseerden. Ruimtelijke voorstellingen van cumulatieve reistijden, cumulatieve verliestijden, verkeersvolumes tussen twee punten en ook verschillenplots zijn voorstellingswijzes die zeker hun nut hebben binnen een GGB-proces. Deze visualisatiemethodes maken de kostenstructuur van routes op een duidelijke manier inzichtelijk, wat een essentiële voorwaarde is om de juiste sturingsmaatregelen te kunnen bedenken.
45
Hoofdstuk 5
Besluit De hoofddoelstelling van deze masterproef was het definiëren van een processtructuur die kan dienen als leidraad om in Vlaanderen regionaal dynamisch verkeersmanagement toe te passen. Het opzet was om te vertrekken van het oorspronkelijk Nederlands planningsproces Gebiedsgericht Benutten dat bedoeld is om op een gestructureerde wijze dynamische verkeersmanagementmaatregelen te bedenken. Na het doorlichten van deze procesaanpak, konden enkele punten van kritiek geformuleerd worden die aanleiding gaven tot een beschrijving van aandachtspunten en mogelijke verbeteringen van het proces. Naast een algemene theoretische beschrijving van een vernieuwde processtructuur voor GGB was het ook de bedoeling om na te gaan welke verkeersdata, analysemethodes en visualisatietools beslissingen zouden kunnen ondersteunen in een GGB-project. Binnen het mobiliteitsdomein is het typisch de bedoeling dat duurzame maatregelen de huidige pijnpunten in een netwerk oplossen zonder op lange termijn voor meer problemen te zorgen. Dynamisch verkeersmanagement is één van de mogelijke manieren om op relatief korte termijn verkeerproblemen aan te pakken. Dynamisch verkeersmanagement is een verzamelnaam voor sturingsmaatregelen die verkeersstromen efficiënter trachten te geleiden door een netwerk. Deze maatregelen zijn het meest effectief op een regionale schaal, maar worden in Vlaanderen nog maar weinig toegepast. Om een dynamisch verkeersmanagementsysteem op poten te zetten is een samenwerking vereist met alle relevante partijen. Dit is voor mobiliteitsvraagstukken in Vlaanderen niet vanzelfsprekend. Vandaar dat een gestructureerd stappenplan, zoals de Gebiedsgericht Benutten aanpak, een nuttig hulpmiddel kan zijn voor het uitrollen van dynamische verkeersmanagementmaatregelen in Vlaanderen. De twee voornaamste punten van kritiek op de originele beschrijving van GGB zijn: ten eerste de lineaire opvatting van het proces waarbij nooit teruggekoppeld wordt naar vorige stappen en ten tweede het uitgangspunt dat de stakeholders altijd tot een consensus zullen komen. Het voorstel om tegemoet te komen aan de eerste opmerking is om in het processchema een expliciete terugkoppeling in te voeren van de maatregelen naar het wensbeeld. Als geen enkele maatregelenset voldoet aan het huidige wensbeeld, dan moet het wensbeeld aangepast worden. Convergeren naar een steeds realistischer wensbeeld dat haalbaar is binnen de randvoorwaarden van het netwerk en het GGB-proces is hierbij enorm belangrijk. Om stakeholders sneller naar een consensus te leiden, is het noodzakelijk om ze te doen inzien wat de regelmogelijkheden zijn van dynamisch verkeersmanagement in het beschouwde netwerk. Om dit te kunnen bereiken, is het cruciaal om op een transparante manier verkeersanalyses te kunnen uitvoeren en resultaten overzichtelijk te kunnen voorstellen. Hier komen de kwalitatieve verkeersdata, efficiënte analysetools en duidelijk visualisatiemethodes op de voorgrond. Verkeerssimulaties en verkeersmetingen zijn de twee voornaamste methodes om verkeersgedrag te analyseren.
46
Een verkeersmodel is een simulatieprogramma dat bedoeld is om verkeerstoestanden te beschrijven, te verklaren, te analyseren en te voorspellen. Een verkeersmodel kan grote hoeveelheden informatie verwerken, uitgebreide scenarioanalyses uitvoeren en nauwkeurige resultaten genereren. Modelvoorspellingen zijn enkel geldig voor omstandigheden die niet te hard afwijken van de huidige verkeerssituatie, omdat een verkeersmodel altijd gekalibreerd en gevalideerd is op basis van waargenomen verplaatsingsgedrag. Resultaten van voorspellende simulaties zijn ook altijd onderhevig aan onzekerheid. Hoe meer maatregelen doorgerekend moeten worden en hoe langer de analysetermijn van een GGB-project, hoe groter de onzekerheid in de resultaten en hoe minder bruikbaar een verkeersmodel wordt. Een mogelijk risico hierbij is dat het denken verankerd blijft in huidige oplossingen, mogelijkheden en beperkingen. De modelaannames en de interne werking van complexe verkeersmodellen zijn vaak niet gekend door alle beslissingspartners. Daarom worden verkeersmodellen vaak ervaren als een black-box waarbij de output van het model afhankelijk is van de input, zonder dat echt duidelijk is hoe de resultaten juist berekend zijn. De registratie van bewegende mensen en objecten op grote schaal is een realiteit als gevolg van het wijdverspreide gebruik van navigatiesystemen. Ook andere sensoren zoals detectielussen en camera’s meten op veel plaatsen de verkeerstoestand. Eén van de relatief nieuwe databronnen voor verkeersanalyses is floating car data. Deze verplaatsingsdata bevat een schat aan informatie over bewegingspatronen en mobiliteitsfenomenen. Een belangrijk pluspunt van FCD ten opzichte van modelsimulaties is dat de gegevens veel dichter aanleunen bij de realiteit omdat het per definitie gaat over werkelijk gemeten verkeerstoestanden. Bovendien is de investeringskost om FCD te kunnen registreren erg laag en is het geografisch dekkingsgebied enorm groot. FCD lijkt op het eerste zicht veel voordelen te hebben als databron voor verkeersanalyses. Maar toch zijn verkeersmodellen momenteel nog onmisbaar om degelijke voorspellingen te kunnen doen over toekomstige scenario’s. Ook is de gebruiksvriendelijke manier om meerdere scenario’s te analyseren een substantiële meerwaarde van modelsimulatie ten opzichte van analyses op FCD. Beide analysemethodes hebben elk hun voor- en nadelen, maar geen van beide lijkt alles in huis te hebben om het alleenrecht voor verkeersanalyses te kunnen opeisen. Daarom is een combinatie van traditionele databronnen met nieuwe databronnen, misschien wel een goeie denkpiste. Hoe verschillende soorten databronnen elkaar efficiënt kunnen aanvullen is een interessant onderwerp voor verder onderzoek. De explosieve groei aan verkeersdata, zowel in kwantiteit als in complexiteit vereist efficiënte analysetechnieken, maar vereist ook een optimale samenwerking tussen verkeersanalisten en computers. Volledig geautomatiseerde dataverwerkingsalgoritmes zonder tussenkomst van een analist zijn namelijk meestal niet aan te raden voor verkeersanalyses. Visualisatie is een handig medium dat de interactie en synergie tussen mens en machine kan versterken. Visualisatietools kunnen enerzijds een hulpmiddel zijn om meer inzicht te verkrijgen in patronen die verscholen zitten in verkeersdata. En visualisatie kan anderzijds ook een handige voorstellingswijze zijn om resultaten van verkeersanalyses te delen met anderen. Visualisatietechnieken die beslissingen in een GGB-project kunnen ondersteunen zijn onder andere: ruimtelijke plots van cumulatieve reistijden, cumulatieve verliestijden, verkeersvolumes van bepaalde routes en ook verschillenplots. De eerste twee visualisatiemethodes stellen de kostenstructuur van routes inzichtelijk voor, wat een essentiële voorwaarde is om effectieve sturingsmaatregelen te kunnen bedenken. De voorstellingswijzes in deze masterproef zijn echter allemaal statische weergaves. Een meer interactieve visualisatie van verkeerssituaties kan een interessant topic zijn om verder te onderzoeken.
47
Bronvermelding [1] Vlaams Verkeerscentrum, „Verkeersindicatoren hoofdwegennet Vlaanderen 2014,” Vlaamse Overheid, Departement Mobiliteit en Openbare Werken, Antwerpen, 2015. [2] Vlaams Verkeerscentrum, „Dynamische informatieborden,” [Online, geopend 24 juli 2015]. http://www.verkeerscentrum.be/verkeersinfo/verkeerscentrum/vc_middelen_vms. [3] Adviesdienst Verkeer en Vervoer, Werkboek Gebiedsgericht Benutten, Rotterdam: Rijkswaterstaat, Adviesdienst Verkeer en Vervoer, 2005. [4] CROW, Handboek verkeersmanagement - Module Gebiedsgericht Benutten Plus, Ede: CROW kenniscentrum voor verkeer, vervoer en infrastructuur, 2011. [5] Vlaamse overheid, departement mobiliteit en openbare werken, „Mobiliteitsplan Vlaanderen,” [Online, geopend 11 juni 2015]. http://www.mobiliteitsplanvlaanderen.be/. [6] Vlaamse overheid, departement mobiliteit en openbare werken, „Mobiel Vlaanderen,” [Online, geopend 11 juni 2015]. http://www.mobielvlaanderen.be/verkeersbeleid/verkeersbeleid08.php?a=14. [7] Stad Antwerpen, „Mobiliteitsprojecten Antwerpen,” [Online, geopend 11 juni 2015]. https://www.antwerpen.be/nl/kanalen/mobiliteitsprojecten/masterplan-2020. [8] H. Bar-Gera, „Traffic assignment by paired alternative segments,” Transportation Research Part B: Methodological, vol. 44, nr. 8-9, pp. 1022-1046, 2010. [9] A. Kuhk, J. Schreurs en M. Dehaene, „Meer toekomst met minder plannen?,” in PlanDag 24/05/2012, De Haag, 2012. [10] C. Macharis, L. Turcksin en K. Lebeau, „Multi actor multi criteria analysis (MAMCA) as a tool to support sustainable,” Decision Support Systems 54, pp. 610-620, 2012. [11] E. Weiner en A. Brown, „Stakeholder analysis for effective issues management,,” Planning review, pp. 27-31, 1986. [12] G. Munda, „Social multi-criteria evaluation (SMCE): methodological foundations and operational consequences,” European Journal of Operational Research 158, p. 662–677, 2004. [13] C. Banville, M. Landry, J.-M. Martel en C. Boulaire, „A Stakeholder Approach to MCDA,” Systems Research and Behavioral Science 15, pp. 15-32, 1998. [14] G. T. Savage, T. W. Nix, C. J. Whitehead en J. D. Blair, „Strategies for assessing and managing organizational stakeholders,” Academy of Management Executive 5, pp. 61-75, 1991. [15] T. Ulenaers, „Optimale afstemming onderhoudswerken aan de wegen - Vergelijking tussen MKBA en MCA,” KU Leuven, 2011.
48
[16] K. Pushpendra, M. Rochdi, C. Blaise, C. Vincent en B. Belkacem Ould, „Multilevel Modeling of the Traffic Dynamic,” IEEE Transactions On Intelligent Transportation Systems, vol. 15, nr. 3, pp. 1066-1082, 2014. [17] L. Immers en J. Stada, Verkeerskunde, deel 1: Verkeersmodellen, Heverlee: CuDi VTK, 2011. [18] R. Roess en E. Prassas, The Highway Capacity Manual: A Conceptual and Research History Volume 1: Uninterrupted Flow, Springer International Publishing, 2014. [19] B. Lena, H. Mattias, D. Karl-Henrik, E. Tomas en F. Göran, „Scenario types and techniques: Towards a user’s guide,” Futures, vol. 38, p. 723–739, 2006. [20] A. McAfee en E. Brynjolfsson, „Big data: the management revolution,” Harvard business review, 2012. [21] M. D. Assunção, R. N. Calheiros, S. Bianchi, M. A. S. Netto en R. Buyya, „Big data computing and clouds: trends and future directions,” Journal of Parallel and Distributed Computing, vol. 79, pp. 3-15, 2015. [22] R. Ásmundsdóttir, „Dynamic OD matrix estimation using floating car data,” ITS Edulab, 2008. [23] Z. Wang, M. Li, L. Wang en X. Liu, „Estimation Trajectory of the Low-Frequency Floating Car Considering the Traffic Control,” Mathematical Problems in Engineering, vol. 2013, nr. Article ID 762924, 2013. [24] J. Thomas en K. Cook, Illuminating the Path: the Research and Development, IEEE CS Press, 2005. [25] J. Davey, F. Mansmann, J. Kohlhammer en D. Keim, „Visual Analytics: Towards Intelligent Interactive Internet and Security Solutions,” in The Future Internet, Springer, 2012, pp. 93104. [26] D. A. Keim, F. Mansmann, J. Schneidewind, J. Thomas en H. Ziegler, „Visual Analytics: Scope and Challenges,” in Visual Data Mining: Theory, Techniques and Tools for Visual Analytics, Springer, Heidelberg, 2008, p. 76–90. [27] B. Fry, Visualizing Data: Exploring and Explaining Data with the Processing Environment, O'Reilly Media, 2007. [28] J. Han, M. Kamber en J. Pei, Data Mining: Concepts and Techniques 3rd ed., Waltham: Morgan Kaufmann Publishers Inc., 2012. [29] R. Kimball, M. Ross, W. Thornthwaite, J. Mundy en B. Becker, The Data Warehouse Lifecycle Toolkit (2nd ed.), New York: John Wiley & Sons, 2008. [30] B. Smith, D. Lewis en R. Hammond, „Design of Archival Traffic Databases - A Quantitatice Investigation Into the Application of Advanced Data Modeling Concepts,” Transportation Research Record: Journal of the Transportation Research Board, vol. 1836, pp. 126-131, 2003.
49
[31] B. Smith en R. Venkatanarayana, „Realizing the Promise of Intelligent Transportation Systems Data Archives,” Journal of Intelligent Transportation Systems: Technology, Planning, and Operations, vol. 9, nr. 4, pp. 175-185, 2005. [32] S. Turner, L. Albert, B. Gajewski en W. Eisele, „Archived Intelligent Transportation System Data Quality,” Transportation Research Record , vol. 1719, pp. 77-84, 2000. [33] R. Turochy en B. Smith, „New Procedure for Detector Data Screening in Traffic Management Systems,” Transportation Research Record, vol. 1727, p. 127–131, 2000. [34] E. Park, S. Turner en C. Spiegelman, „Empirical Approaches to Outlier Detection in ITS Data,” in Transportation Research Board 82nd Annual Meeting, Washington, D.C, 2003. [35] S. Ishak, „Quantifying the Uncertainties of Freeway Detector Observations using FuzzyClustering Approach,” in Transportation Research Board 82th Annual Meeting, Washington, D.C., 2003. [36] C. Chandra en H. Al-Deek, „New Algorithms for Filtering and Imputation of Real Time and Archived Dual-Loop Detector Datain I-4 Data Warehouse,” Transportation Research Record, vol. 1867, pp. 116-126, 2004. [37] S. Turner, „Archived ITS Data: Data Aggregation and Quality Issues,” in ITS America, 1999. [38] J. Conklin, „Data imputation strategies for transportation management systems,” Masters Engineering Thesis, University of Virginia, 2003. [39] D. Gold, S. Turner, B. Gajewski en C. Spiegelman, „Imputing Missing values in ITS data archives for intervals under 5 Minutes,” in Transportation Research Board 80th Annual Meeting, Washington D.C., 2001. [40] M. Zhong, S. Sharma en P. Lingras, „Genetically Designed Models for Accurate Imputation of Missing Traffic Counts,” in Transportation Research Board 83th Annual Meeting, Washington D.C., 2004. [41] G. Andrienko, N. Andrienko en S. Wrobel, „Visual Analytics Tools for Analysis of Movement Data,” ACM SIGKDD, vol. 9, nr. 2, pp. 38-46, 2007. [42] F. J. Anscombe, „Graphs in Statistical Analysis,” The American Statistician, vol. 27, nr. 1, pp. 17-21, 1973. [43] N. Andrienko en G. Andrienko, „Visual analytics of movement: An overview of methods, tools and procedures,” Information Visualization, vol. 12, nr. 1, pp. 3-24, 2013.
50
KU Leuven Faculty of Engineering Science
2014-2015
Fiche masterproef
Student: Ben De Wit Titel: Visualisatie van verkeersdata als essentieel onderdeel van een iteratief Gebiedsgericht Benutten proces Engelse titel: Visualization of traffic data as essential part of an iterative Gebiedsgericht Benutten process UDC: 656 Korte inhoud: Het Vlaamse wegennetwerk wordt dagelijks geteisterd door structurele congestie, met soms lange files en verliestijden tot gevolg. Dynamisch verkeersmanagement is één van de mogelijke oplossingsstrategieën om op relatief korte termijn verkeerproblemen aan te pakken. Deze aanpak is het meest effectief als alle relevante partijen op regionaal niveau samenwerken om dynamische verkeersmanagementmaatregelen te ontwikkelen. Maar een gecoördineerde samenwerking tussen een grote groep stakeholders is in Vlaanderen niet altijd vanzelfsprekend. Vandaar dat een handleiding voor het uitwerken van een dynamisch verkeersmanagementsysteem een nuttig hulpmiddel zou kunnen zijn voor Vlaamse beleidsmakers. Het startpunt van deze masterproef is het oorspronkelijk Nederlands Gebiedsgericht Benutten proces. Dit is een gestructureerd stappenplan om dynamische verkeersmanagementmaatregelen te ontwikkelen. Na een grondige analyse van deze Nederlandse procesaanpak, volgen enkele punten van kritiek die aanleiding geven tot een aantal aandachtspunten en mogelijke verbeteringen van het proces. Naast een algemene conceptuele beschrijving van een vernieuwde processtructuur wordt ook onderzocht welke verkeersdata, analysemethodes en visualisatietools het GGB-proces kunnen ondersteunen. Hierbij wordt een expliciet onderscheid gemaakt tussen klassieke verkeersmodellen en floating car data als databron voor verkeersanalyses. In het laatste deel komen visualisaties uit een eigen GGB-oefening aan bod die aantonen hoe bepaalde visualisatietechnieken kunnen helpen bij het nemen van beslissingen in een GGB-project.
Masterproef voorgedragen tot het behalen van de graad van Master of Science in de ingenieurswetenschappen: Verkeer, logistiek en intelligente transportsystemen Promotor: prof. dr. ir. C. Tampere Assessors: dr. D. Borremans, prof. dr. ir. D. Lauwers Begeleider: dr. ir. M. Blondia
51
