Home » Data » Big Data in verkeer en vervoer

Big Data in verkeer en vervoer

Door Peter van der Mede, onderzoeker Big Data en mobiliteit bij DAT Mobility en docent op de opleiding beleidsmedewerker Verkeer en Vervoer, begeleidt en adviseert overheden en vervoersbedrijven op het terrein van Big Data en mobiliteit

Nieuw is het begrip niet, maar big data staat op het moment wel volop in de schijnwerpers – ook in onze wereld van verkeer en vervoer. Maar wat is big data eigenlijk? Wat kunnen we er op dit moment mee? En wat is in de nabije toekomst mogelijk?

Big Data

Big data laat zich het beste omschrijven als werken met zeer grote databestanden, afkomstig uit meerdere databronnen. Ook een snelle verversing van de gegevensstromen is een belangrijk element. In het Engels laat zich dat samenvatten als volume, variety, velocity. Hoe groot de databestanden precies moeten zijn om voor ‘big’ door te gaan, is overigens geen vast gegeven en verschilt per domein. In het ene vakgebied zijn gigabytes misschien al groot genoeg, terwijl in het andere werkveld petabytes (1.000 terabytes) pas tellen. Zolang processoren steeds sneller worden en geheugencapaciteit steeds goedkoper, zal het begrip ‘big’ binnen elk domein ook blijven verschuiven.

Big data in het mobiliteitsdomein

Het werken met grote databestanden is in ons vakgebied zeker niet nieuw. Het verkeerssignaleringssysteem MTM bijvoorbeeld werd in de jaren zeventig ontwikkeld en vanaf 1988 breed uitgerold.  Sindsdien verwerkt het 24/7 grote hoeveelheden meetdata. Toch spreken we pas sinds kort over ‘big data in verkeer en vervoer’. Dat heeft niet alleen te maken met de lichte hype die er rond het begrip is ontstaan. Feit is dat er dankzij nieuwe inwintechnieken en snelle processoren nu meer volume, variety en velocity is. De data die verzameld worden, zijn bovendien makkelijker beschikbaar. De Nationale Database Wegverkeersgegevens (NDW) bijvoorbeeld verwerkt en verzamelt zo’n 216 miljoen gegevens per dag – en al die data zijn voor geïnteresseerde partijen vrij te gebruiken. Wat ook meespeelt is dat het aantal gebruiksmogelijkheden is gegroeid. Waar veel data voorheen alleen interessant was voor de medewerkers in de verkeerscentrale, vinden datastromen nu steeds gemakkelijker hun weg naar (commerciële) apps en toepassingen gericht op logistieke bedrijven en weggebruikers.

De eerste big data-toepassingen…

Wat hebben de eerste big data-stappen ons vakgebied opgeleverd? Belangrijkste wapenfeit tot nu toe is dat ons beeld van het verkeer verbreed en verscherpt is. Lange tijd hadden we alleen zicht op de verkeerssituatie op het hoofdwegennet, omdat Rijkswaterstaat daar had geïnvesteerd in lussen. Maar dankzij gps- en gsm-data weten we nu ook wat er gebeurt op de duizenden kilometers aan provinciale en gemeentelijke wegen – en dat vrijwel real-time. Iets soortgelijks geldt voor wát we precies weten. Inductielussen bijvoorbeeld meten de intensiteit, maar ze vertellen je niets over herkomst-bestemmingsrelaties. Met floating car data is het omgekeerd: je meet er geen intensiteit mee maar je kunt er wel herkomst-bestemmingsrelaties uit afleiden. Beide bronnen vullen elkaar dus aan. Een ander voorbeeld is dat het tot voor kort niet mogelijk was om het aandeel buitenlandse weggebruikers of bezoekers in beeld te brengen. Met gsm-data kan dat wel.
Het bredere en scherpere verkeersbeeld dat we dankzij de grotere en gevarieerdere stroom data hebben, staat aan de basis van vrijwel elke serieuze ontwikkeling die ons vakgebied de laatste tijd heeft doorgemaakt. Neem netwerkmanagement: zou je ooit regionaal kunnen ingrijpen als je niet weet hoe het verkeer zich over de verschillende wegennetwerken beweegt, waar het knelt en waar nog ruimte is? Onmogelijk. De data hebben ook onze verkeersmodellen nauwkeuriger en betrouwbaarder gemaakt. We zijn nu met een redelijke precisie in staat kortetermijnvoorspellingen te doen, wat proactief regelen mogelijk maakt. De verbeterde langetermijnvoorspellingen zijn weer een zegen voor beleidsvorming: je kunt de verschillende varianten van een bereikbaarheidsaanpak van tevoren goed doorrekenen. Het beleid is dankzij de beschikbare data sowieso transparanter geworden. Waar we ons voor evaluaties voorheen op (tijdrovende en soms weinig representatieve) enquêtes moesten verlaten, beschikken we nu over een enorme bak meetgegevens waaruit we kunnen destilleren hoe het verkeer écht gereageerd heeft op de gekozen aanpak. Ten slotte is er het grote aantal reizigersinformatiediensten dat nu het licht ziet – ook die hebben data als basis. Interessant is dat er voor die toepassingen steeds beter uit ‘small data’-bronnen wordt geput: PRIS-gegevens over de bezetting van garages, VRI-gegevens over de verkeerslichten van het komende kruispunt, actuele planningsgegevens van wegbeheerders over wegwerkzaamheden enzovoort.

… maar het kan veel bigger!

Tegelijkertijd echter moeten we vaststellen dat de huidige toepassingen nog slechts het begin zijn. Zoals geïllustreerd in de figuur op bladzijde 11 in de pdf dijt het big data-universum continu uit. Op dit moment werken we een beetje in de tweede schil, die van de minuutgegevens en bronnen als lussen en floating car data. Zoals we hierboven opmerkten, hebben we er daarmee vooral voor gezorgd dat we meer weten over het verkeer: ons beeld is breder en scherper. Maar begrijpen we het verkeer ook beter? Of nog belangrijker: begrijpen we de reiziger? Dat nog niet. Maar juist het inzicht in menselijk gedrag is een van de interessantste beloften van big – of in ons geval: bigger – data. Het sociale gedrag van de mens is altijd lastig te ‘meten’ geweest. Sociologen waren gebonden aan methodieken als enquêtes en interviews, waarin een kleine, ‘representatieve’ groep mensen hun voorkeuren konden aangeven of waarin ze achteraf moesten verklaren wat ze ook alweer waarom hadden gedaan. Big data kan hier echter drastisch verandering in brengen. Door in te haken op continue datastromen uit OV-chipkaarten, smartphones, navigatiesystemen, CAN-bussen, connected voertuigen en sociale media ontstaat een groeiende verzameling van data die inzicht biedt in het feitelijke gedrag van individuen. Sociologie wordt op die manier sociokunde, social physics. Alex Pentland, hoogleraar op de Massachusetts Institute of Technology en groot voorvechter van werken met big data, noemt de techniek om uit data beelden van onze sociale interacties te halen, treffend ‘reality mining’.
Wat zou zo’n revolutie voor de wereld van verkeer en vervoer kunnen betekenen? Bijvoorbeeld dat we beter begrijpen wat mensen drijft om zich te verplaatsen, wat hun motieven zijn om voor de auto of het openbaar vervoer te kiezen, welke routes hun voorkeur verdienen, wanneer ze haast hebben en in hoeverre ze hun rijgedrag in termen van snelheid of inhaalgedrag daarop aanpassen. We leren hoe groepen zich verplaatsen, welke herkomst-bestemmingsrelaties zich omzetten in verplaatsingen over de weg en hoe dat verandert door het jaar heen. We zullen ontdekken hoe prijsontwikkelingen en golven van economische voor- en tegenspoed doorwerken in het mobiliteitsgedrag van mensen. Rond evenementen worden de paden die mensen volgen zichtbaar, en de interacties tussen groepen met verschillende herkomsten. Eindelijk gaan we de ‘bewegende mens’ begrijpen!

Nieuwe bronnen…

Zo ver is het nog niet. Maar het zou verstandig zijn om deze beloften wel als de spreekwoordelijke punt op de horizon te zien, zodat er bewust die kant op gestuurd kan worden. Waar is het wachten op? En wat zijn de hindernissen die we daarbij tegen zullen komen? Sociale media zullen voor een aanzienlijke verdieping kunnen zorgen, zeker als het gaat om het duiden van de mobiliteitsdata. Maar onze big data-pool zal zo ongeveer op z’n biggest punt belanden als er in groten getale extended floating car data (xFCD) beschikbaar komen. Dan zien we hoe mensen zich gedragen op de weg, welke snelheden en tussenafstanden ze aanhouden, hun rem- en optrekgedrag en de impact die dat heeft op de verkeersveiligheid en verkeersafwikkeling. Tot die tijd moeten we het maximale uit de beschikbare sensoren zien te halen – zie ook het kader in de pdf over de gangbare databronnen – terwijl we ons in onderzoeken en proefprojecten alvast voorbereiden op de nieuwe data. Op het gebied van sociale media-duiding gebeurt er trouwens al het nodige, getuige de diensten van bedrijven als Greencorn.

… en hindernissen

Eén hindernis die we op weg naar bigger en biggest data zeker zullen tegenkomen, is de openheid van de data. Veel bronnen hebben een slot op de deur om de privacy van de ‘dataleveranciers’, in ons vakgebied voornamelijk de reiziger, te waarborgen. Maar er spelen ook (volstrekt legitieme) commerciële overwegingen: big data is geld waard! Het gevolg is dat de commerciële inwinners van data – en die zijn verantwoordelijk voor zo’n beetje alle nieuwe databronnen – bij voorkeur op hun data blijven zitten. Als er al data aan derden worden geleverd, dan zijn dat bij voorkeur geabstraheerde data, zoals floating car data, en niet de ruwe data. Hoe waardevol en nuttig het abstraheren ook is voor de meer gangbare toepassingen, er gaat veel informatie over onderliggende patronen en structuren verloren. Snelheidsinformatie en reistijden op basis van floating car data zijn bijvoorbeeld buitengewoon nuttig voor netwerkmanagement, maar ze zeggen niets over herkomst-bestemmingsrelaties of over individueel rijgedrag. Er wordt nog wel eens beweerd dat steeds meer data vanzelf open zullen worden, maar dan gaat het meestal om geabstraheerde, bewerkte data. Het vrij maken van ruwe data zal een beduidend complexer verhaal worden, waarbij issues als privacy én de commerciële waarde van de data serieuze aandacht verdienen. Een andere hindernis op weg naar ‘bigger data’ is meer specifiek voor data die via wegkantsystemen worden ingewonnen, zoals de data uit inductielussen, kentekencamera’s en bluetooth-meetstations. Deze wegkantaanpak gaat voorbij aan het principe van de wederkerigheid die hoort bij het afstaan van data: mensen staan vrijwillig de data af met als tegenprestatie een dienst die ze kunnen gebruiken. Zie bekende big data-verzamelaars als Waze, Google Maps, Facebook of
Twitter. Big data opbouwen uit metingen waar mensen niet vrijwillig hun medewerking aan verlenen, zal uiteindelijk op weerstand stuiten. Een treffend voorbeeld is de maatschappelijke discussie die er is over het dichte netwerk van kentekencamera’s zoals spitsmijden-projecten die gebruiken. Deze vorm van data inwinnen schuurt tegen de grenzen van wat nog maatschappelijk geaccepteerd wordt.
Hoe dit probleem te tackelen? Op dit moment hebben alleen grote internetbedrijven en serviceproviders de wederkerigheid goed ingebed. Zij bieden bijvoorbeeld navigatie aan als onderdeel van een brede visie op informatievoorziening, veelal gekoppeld aan een smartphoneapp. Vanuit dit aanbod zijn zij als beste in staat een groeiende hoeveelheid big data te verwerven. Zij hebben echter geen ander belang dan het individu te helpen – en werken dus niet vanuit een collectief ‘netwerkbelang’.
Wegbeheerders hebben behoefte aan betere data om een nieuwe kwaliteitsstap in netwerkmanagement te kunnen maken. Zij hebben juist wel een netwerkbelang. Wat is de voelbare tegenprestatie die zij de reiziger kunnen bieden, zodat die bereid is data over zijn eigen gedrag af te geven? Op termijn kan voertuig-infrastructuurcommunicatie als onderdeel van coöperatieve systemen helpen. De tegenprestatie is dan een verhoogd gevoel van veiligheid en comfort.
Fundamenteler is wellicht dat wegbeheerders de individuele waarde van het borgen van de netwerkprestatie moeten leren communiceren: zij moeten weggebruikers leren binden aan de netwerkprestatie. Een andere optie is om deze uitdaging over te laten aan marktpartijen, de weg die is ingeslagen met de Routekaart van het actieprogramma Connecting Mobility. In dat geval moeten ze minimaal leren de eigen regelingen en regelscenario’s en dan met name de motivatie erachter te communiceren met de serviceproviders.

Tot slot

Samenvattend kunnen we stellen dat het fenomeen big data allesbehalve een hype is. De toenemende stroom aan data heeft ons vakgebied al fors veranderd, vooral dankzij het feit dat we nu een veel scherper en breder beeld hebben van de situatie op de weg. Tegelijkertijd moeten we vaststellen dat de echte revolutie nog moet beginnen. Onze big data moet veel bigger worden, waarbij vooral de data over het gedrag van individuele weggebruikers van belang zijn. Daarvoor moeten we nog de nodige hindernissen nemen, zoals het ‘open’ maken van de (ruwe) data en het creëren van wederkerigheid bij de wegkantinwinning. Maar als we erin slagen die hindernissen te slechten en we uit de echt grote databronnen kunnen putten, dan zijn de beloften groot. De reiziger écht begrijpen – dat zal ons vakgebied revolutionair veranderen!

 

Meer weten?

Op de opleiding beleidsmedewerker Verkeer en Vervoer hoort u van Peter van der Mede hoe u met Big Data het verkeer en vervoer in uw gemeente kunt bevorderen.

Over Frank van Summeren

Frank van Summeren
Congres- en opleidingsmanager veiligheid bij het Studiecentrum voor Bedrijf en Overheid.

Bekijk ook

Wat moet de overheid doen om in 2050 volledig circulair te zijn?

De Nederlandse overheid heeft een doel gesteld om in 2050 volledig circulair te zijn. In …

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *