Ga door naar hoofdcontent
ArtikelenMobiliteit op de kaart

Mobiliteit op de kaart

Dinsdag 1 oktober 2019Afbeelding Mobiliteit op de kaart

We laten steeds meer digitale voetafdrukken achter: zéér waardevolle informatie voor verkeersmanagers en beleidsmakers. Maar hoe analyseren we al deze mobiliteitsdata en hoe brengen we deze steeds omvangrijkere informatie in kaart?

Het is half 8 in de ochtend. De slagboom van de parkeergarage gaat automatisch open na het scannen van mijn kenteken. De navigatie geeft aan dat er wegwerkzaamheden zijn en dat mijn verwachte aankomsttijd kwart voor negen is. Het slimme systeem houdt daarbij rekening met het actuele verkeer. Bij het eerste verkeerslicht wordt mijn voertuig geteld door een meetlus en tijdens de eerste kilometers wordt mijn bluetoothsignaal op meerdere plekken opgepikt – waarmee wegbeheerders actuele reistijden monitoren. Ondertussen meet de CAN-bus-sensor van mijn auto diverse trillingen en de frequentie van de ruitenwissers, een indicatie van een oneffen wegdekverharding en lichte regen. Ik ben de stad nog niet eens uit.

Meten, meten en nog eens meten. Traditionele verkeerstellingen worden steeds vaker ingeruild voor moderne methodes waarbij gebruik wordt gemaakt van slimme camera’s, sensoren en data die afkomstig zijn van navigatiesystemen of mobiele telefoons. Systemen die continu actief zijn en een onafgebroken reeks data genereren.

Die systemen worden steeds slimmer. Met behulp van kunstmatige intelligentie zijn camera’s in staat om voertuigen te tellen, onderscheid te maken tussen voertuigtypes en zelfs om afslagbewegingen vast te leggen. Deze camera’s hebben nu nog vaak een vaste locatie, maar Rijkswaterstaat experimenteert al met drones waarmee in één keer hele knooppunten in beeld gebracht kunnen worden.

Floating car data

Maar ook jij en ik zijn sensoren. Met onze mobiele telefoons en navigatiesystemen genereren we onder andere floating car data (FCD). Onze GPS-signalen worden voortdurend geanalyseerd als we op de weg zijn, resulterend in realtime inzicht in de actuele snelheid op vrijwel elk wegvak in Nederland. En dan zijn we er nog lang niet. Denk bijvoorbeeld aan OV-chipkaartdata, realtime posities van bussen en trams, realtime bezettingsgraden van parkeergarages, brugopeningen en wegwerkzaamheden. Maar ook meer statische data zoals mobiliteitsprognoses van het Centraal Planbureau en verkeersnetwerken zoals het Nationaal Wegenbestand en OpenStreetMap. Deze data zijn niet alleen interessant voor automobilisten die met een navigatiesysteem hun actuele reistijd willen weten, maar ook nuttig voor beleidsmakers om het verleden te analyseren en voor verkeersmanagers om de situatie in de komende minuten en uren te voorspellen. Deze datarijkdom biedt ongekende nieuwe mogelijkheden om het mobiliteitssysteem te analyseren, te begrijpen en bij te sturen. Maar de grote hoeveelheden data betekenen ook nieuwe uitdagingen op het gebied van verwerking, analyse en visualisatie, want hoe haal je de juiste inzichten uit die bergen met data? En hoe breng je dit in kaart?

Geo-informatie binnen het mobiliteitsdomein

Binnen het GIS-domein is mobiliteit een specialisme op zich. Naast een ruimtelijk component hebben de databronnen veelal een temporele dimensie en zijn ze sterk netwerkgericht. Denk bijvoorbeeld aan automobilisten, fietsers en OV-reizigers (ruimtelijk-temporele punten) die routes afleggen over een wegennetwerk (lijnen). Er wordt voornamelijk gebruik gemaakt van complexe vectordata, welke vaak rijrichting-specifieke attributen bevat. Voor analyses wordt gebruik gemaakt van gangbare GIS-functionaliteiten zoals ‘spatial joins’, ‘intersecties’ en ‘geo-coding’. Daarnaast kent de mobiliteit haar eigen unieke analysemethoden zoals ‘routezoekalgoritmes’, ‘isochroonberekeningen’, ‘lineaire referentie’, ‘mapmatching’ en ‘zwaartekrachtmodellen’. Deze complexiteit uit zich ook in de kartografie, waarbij rijrichting-specifieke attributen, stromen van herkomsten naar bestemmingen en de temporele component de grootste uitdagingen vormen. Analyse van mobiliteitsdata voor publieke doeleinden wordt uitgevoerd door dataspecialisten, terwijl de eindgebruikers bestuurders of stedenbouwkundigen zijn. De uitdaging is om deze barrière te slechten. In een aantal voorbeelden laat ik zien hoe mobiliteitsdata gevisualiseerd kan worden in een inzichtelijke en begrijpelijke vorm. Als traditionele kaart en in interactieve webapplicaties.

Mobiliteitsnetwerken

Figuur 1 – Verkenning naar mogelijk Rotterdams OV-netwerk in 2040.

In de OV-visie Rotterdam onderzoekt de gemeente Rotterdam de koers voor het Rotterdamse openbaar vervoersysteem voor de aankomende 20 jaar. Hierin wordt ingespeeld op de groeiende stad en de bijbehorende verstedelijkingsopgave, sociale opgaven en systeemopgaven. Het OV-systeem is de ruggengraat om op deze ontwikkelingen in te spelen. Een aantal elementen uit de OV-visie zijn de automatische metro met een nog hogere frequentie, een derde stadsbrug en een nieuwe OV-as door de Maastunnel. In figuur 1 is de backbone van het Rotterdamse OV-netwerk gevisualiseerd zoals het er in 2040 uit kan komen te zien. Door de kaart bewust abstract en simpel te houden, is getracht de scenario’s op begrijpelijke wijze over te brengen aan de lezer.

Figuur 2 – Totaal aantal verplaatsingen per etmaal in de regio Tilburg.

Verplaatsingen

Hoe verplaatsen mensen zich? Tussen welke gebieden bevinden zich de grootste auto-, fiets- en OV-stromen? Sluit het huidige mobiliteitssysteem aan op die omvang? Is er potentie om mensen over te laten stappen van de auto naar de fiets of het openbaar vervoer? Tal van vragen waarvoor het belangrijk is om de huidige stromen goed in beeld te hebben. ‘Flowmaps’ zijn een veel gebruikte visualisatiemethode om stromen tussen gebieden weer te geven. Voor de vijf grote steden in Noord- Brabant brachten wij de totale stromen op etmaalbasis in beeld op basis van gemodelleerde verplaatsingsstromen. Daarmee maken we de uitkomsten van complexe rekenmodellen begrijpelijk. In figuur 2 zijn de verplaatsingen in de regio Tilburg weergegeven.

Figuur 3 – Bereikbare banen met het openbaar vervoer in de ochtendspits (45 minuten).

Dafusie neemt in belang toe

(MTD) zijn bijvoorbeeld vanwege de zeer grote steekproef (1/3 van de Nederlandse bevolking) goed in staat om accuraat herkomsten en bestemmingen door heel Nederland in kaart te brengen. Maar kortere binnenstedelijke verplaatsingen en gereden snelheden meet je er niet mee. Floating car data (FCD) kennen een kleinere steekproef en meten herkomsten en bestemmingen minder accuraat, maar zijn juist heel geschikt om gereden snelheden op wegvakken te detecteren. OV-chipcarddata geven in hoog detail informatie over reisgedrag van halte tot halte, maar zeggen niets over de daadwerkelijke herkomst- of bestemming en het gebruikte voor- en natransport. Kortom, de heilige graal in mobiliteitsdata bestaat niet.

Een ander groeiend werkveld in de analyse van mobiliteitsdata is dan ook datafusie. Verkeersmodellering en datascience komen steeds meer bij elkaar om meerdere databronnen te fuseren en lacunes modelmatig in te vullen. Naast de visualisatie en analyse van bestaande bronnen werk ik samen met diverse collega’s aan wat we het ‘Mobiliteitsspectrum Nederland’ noemen. De nieuwste technieken in data cleaning, verkeersmodellering, map matching, kalibratie en meer brengen we samen om een landsdekkend beeld van de Nederlandse mobiliteit te genereren, zoveel mogelijk op basis van gemeten data.

Hiermee verwerken we de meest recente verplaatsingsgegevens op landelijke schaal tot verkeersintensiteiten voor alle modaliteiten op ieder wegvak. Dit levert verkeersintensiteiten op voor elk uur van de dag, inclusief de herkomst- en bestemming en achtergrondkenmerken van de passanten. Dit biedt tevens de mogelijkheid om monitoring in aantallen verplaatsingen uit te voeren maar ook als basis om betrouwbaardere verkeersprognoses te maken. Het belang van datafusie zal in de komende jaren alleen maar toenemen.

Bereikbaarheidskaarten

Voor veel strategische mobiliteitsstudies is het van belang om de bereikbaarheid van en naar locaties in kaart te brengen. Hoe goed zijn gebieden bereikbaar per auto, fiets of openbaar vervoer? En hoeveel banen kan ik vanuit een woonlocatie bereiken? Veel gebruikte bereikbaarheidsmaten zijn de bezoekerspotentie, bereikbare arbeidsplaatsen en bereikbare voorzieningen binnen een bepaalde reistijd. In figuur 3 is per postcode gevisualiseerd hoeveel banen er in de ochtendspits bereikbaar zijn met het openbaar vervoer. Voor deze analyse is gebruik gemaakt van een voetgangersnetwerk op basis van OpenStreetMap en de OV-dienstregeling uit GTFS. Vergelijkbare berekeningen worden ook uitgevoerd voor de fiets en de auto, waarbij gebruik wordt gemaakt van daadwerkelijk gereden snelheden op basis van FCD-data zoals TomTom of Flitsmeister.

Figuur 4 – Intensiteiten per wegvak op een gemiddelde werkdag in OmniTRANS next.
Figuur 5 – Verkeersstromen langs een locatie aan de A20 in OmniTRANS next.

Van traditionele kaart naar interactieve webmaps

Traditionele statische kaarten worden steeds vaker ingewisseld voor online toepassingen. De grote voordelen van een online tool zijn het gemak van delen, de koppeling met dynamische databronnen en de eenvoud ten opzichte van traditionele GIS-applicaties en verkeerskundige software. Voor web-ontsluiting hebben we onze eigen tooling ontwikkeld waarmee het eenvoudig is om verkeerskundige data te ontsluiten, te bestuderen en te bevragen. Een screenshot is zichtbaar in figuur 4. De applicatie toont hier de verkeersintensiteit per wegvak op een gemiddelde werkdag, waarbij de intensiteiten met mobiele telefoniedata zijn bepaald. Door gebruik te maken van vector tiling is het mogelijk om grote hoeveelheden vectordata op een vlotte wijze te ontsluiten. Online toepassingen lenen zich uitstekend voor interactiviteit via kaarten en dashboards. In figuur 5 is een locatie aan de A20 geselecteerd. De stromen op de kaart tonen vanuit welke richtingen het verkeer komt dat deze locatie passeert. In de grafieken naast de kaart is verdiepende informatie zichtbaar over het aantal en type passanten.

Nederland bereikbaar houden door data-analyse

Stedelijke dichtheid en infrastructurele complexiteit nemen alsmaar toe. Onze activiteitenpatronen worden ingewikkelder. En daarmee ook de verplaatsingsketens. Hoe en waarheen reizen we en hoe verandert dat? Welke loca- ties bezoeken we en hoelang blijven we daar? Welke routes gebruiken we? Hoe combineren we fiets, auto en openbaar vervoer om ergens te komen? Hoe beïnvloeden onvoorziene omstandigheden en overheidsbeleid ons verplaatsingsgedrag? De antwoorden op deze vragen zijn relevant voor alle organisaties die actief zijn in mobiliteit om daarmee Nederland duurzaam bereikbaar te houden. De ongekende en steeds groter wordende rijkdom aan databronnen biedt de potentie om hier een bijdrage aan te leveren. Het is onze uitdaging als data scientists om deze bronnen op een verantwoorde wijze te analyseren en de resultaten in kaart te brengen. Betrouwbare informatie over de veranderende mobiliteit is cruciaal om optimaal te plannen, beleid te maken, openbare ruimte in te richten en de juiste locaties voor voorzieningen te vinden.

Afbeelding voor Sander van der Drift

Sander van der Drift