Wikia



Gegevens uit regionale verkeersmonitoring kunnen nuttig zijn voor fundamenteel verkeerskundig onderzoek. Vooral nieuwe meetmethoden bieden de kans op nieuwe inzichten in het veld van de verkeerskunde. Hiervoor zijn echter wel metingen nodig van hoge nauwkeurigheid en een brede spreiding over verschillende verkeerssituaties.


InleidingEdit

Gegevens die met behulp van verkeersmonitoring worden verkregen, kunnen voor verschillende doeleinden worden gebruikt. Eén van de toepassingen van verkeersmonitoring is het vergroten van kennis over verkeer door middel van wetenschappelijk onderzoek.

Het uitvoeren van wetenschappelijk onderzoek leidt tot een bepaalde informatiebehoefte, waarop het onderzoek kan worden gebaseerd. Afhankelijk van het type onderzoek, kan deze behoefte geheel of gedeeltelijk worden ingevuld met gegevens uit de monitoring van verkeersstromen op het wegennet. Dit artikel gaat onder meer over de eisen en wensen die vanuit de onderzoekstoepassing aan de monitoringgegevens worden gesteld. Denk aan actualiteit, nauwkeurigheid, aggregatieniveau, beschikbaarheid en de frequentie van de inwinperiode. Ook wordt in het artikel aangegeven welke gevolgen deze eisen hebben voor de inwinning en bewerking van de gegevens. Onderstaand figuur geeft het verband tussen de toepassing, de informatiebehoefte, de gegevensinwinning en gegevensbewerking weer.


Overzicht toepassingen


Toelichting figuur

De figuur representeert de denkwijze voor het opzetten van een systeem om de gewenste informatie voor toepassingen van verkeersmonitoring te verkrijgen. Eerst wordt bepaald voor welke toepassing monitoring benodigd is. In het handboek is onderscheidt gemaakt in vijf toepassingsgebieden: beleid, dynamisch verkeersmanagement, actuele verkeersinformatie; ontwikkeling en evaluatie van maatregelen; onderzoek.

Op basis van de toepassing wordt bedacht welke informatie nodig is: de informatiebehoefte. Voor de benodigde informatie worden kwaliteitseisen opgesteld: actualiteit, aggregatieniveau, nauwkeurigheid, beschikbaarheid en frequentie inwinperiode. Om de gewenste informatie te verkrijgen moeten ruwe gegevens ingewonnen worden met behulp van meetsystemen. In veel gevallen zullen deze ruwe gegevens moeten worden bewerkt tot de gewenste informatie. Dit gebeurt bijvoorbeeld met behulp van datafusie, algoritmes of verkeersmodellen, die als input gebruik maken van de ruwe gegevens.

In de operationele fase van het systeem ligt de nadruk binnen het plaatje op het (continue) inwinnen van gegevens en het (automatisch) bewerken tot de gewenste informatie.

Fundamenteel verkeerskundig onderzoekEdit

Kennis over verkeer komt voort uit onderzoek. Met fundamenteel wetenschappelijk onderzoek wordt getracht om de achterliggende processen van het verkeer te doorgronden en beschrijven. Niet voor één tijd en één locatie, maar toepasbaar in zoveel mogelijk situaties. Theorieën en modellen die hier het resultaat van zijn, helpen met het voorspellen van toekomstige situaties en met het bepalen van de effecten van toekomstige maatregelen.

De meeste lezers van dit handboek voeren waarschijnlijk zelf geen fundamenteel onderzoek doen, of specifiek voor dit doel monitoringsystemen aanleggen. Dit neemt echter niet weg dat het nuttig is weet te hebben van de mogelijkheden die verkeersmonitoring biedt voor fundamenteel onderzoek.

TheorievormingEdit

Op basis van verkeersgegevens kunnen wetenschappers tot nieuwe inzichten komen. De geschiedenis leert dat met name nieuwe meetmethoden kunnen leiden tot nieuwe theorieën. Door op een andere of meer gedetailleerdere manier naar de verkeersafwikkeling te kijken, kunnen oorzaken voor gedrag worden verklaard die eerder verborgen bleven. Door middel van remote sensing bijvoorbeeld (monitoring van individuele voertuigen uit de lucht), kan heel precies worden gezien hoe voertuigen op elkaar reageren. Hieruit worden nieuwe theorieën over volggedrag afgeleid.

Calibratie van modellenEdit

Een verkeersmodel is een wiskundige weergave van een theorie, waarmee een verband wordt gelegd tussen verschillende variabelen. Zo kan een volgmodel een verband aan geven tussen acceleratie en volgafstand. Voor veel van dit soort modellen worden parameters gebruikt, constante waarden die de werking van een model bepalen. In het voorbeeld van het volgmodel is de reactietijd een van de parameters.

Omdat parameters meestal niet te meten zijn, worden ze afgeleid uit metingen van de input en van de output van het model. Calibratie van het model is het aanpassen van de parameters op bekende input en output. Hoe meer gegevens er beschikbaar zijn, hoe nauwkeuriger de waarde van de parameter kan worden bepaald. Een complicerende factor is dat veel parameters gedragseigenschappen zijn. En daarmee zijn ze voor iedere bestuurder/voertuigcombinatie anders. Dit wordt opgelost door parameters als statistische verdelingen te beschouwen. Echter, voor het nauwkeurig schatten van een verdeling is zeer veel data nodig.

Daarnaast geldt nog dat een model alleen geldig is voor de situatie waar het op gecalibreerd is. Dit betekent dat voor een breed toepasbaar model gegevens nodig zijn van zo veel mogelijk verschillende situaties.

Validatie van modellenEdit

Om vast te stellen dat een model geldig is voor een bepaalde situatie, zijn gegevens van die situatie nodig waarmee wordt getoetst of het model de juiste uitkomsten levert. Hierbij geldt dat niet zozeer de hoeveelheid gegevens belangrijk is, maar vooral het aantal verschillende situaties waarvan metingen beschikbaar zijn. Hierbij kan worden gedacht aan verschillende locaties en wegtypen (snelweg, provinciale weg, stadswegen), maar ook aan diverse omstandigheden zoals weer, spits, recreatieverkeer, enzovoort.

Informatiebehoefte voor onderzoekEdit

In principe zijn alle soorten gegevens interessant om nieuwe theorieën te ontwikkelen of oude beter te onderbouwen. Op dit moment is vooral interesse in gegevens die kunnen leiden tot verbeterd inzicht in:

  • gedetailleerd individueel rijgedrag,
  • routekeuze,
  • reistijden van deur tot deur.

Vernieuwende monitoringsystemen die hiervoor gebruikt kunnen worden, zijn onder meer remote sensing, kentekenherkenning en verschillende vormen van Floating Car Data.

De informatie die nuttig is voor wetenschappelijk onderzoek moet aan een aantal specifieke eisen voldoen. De actualiteit van de data en frequentie van de inwinperiode zijn niet van belang. Onderzoek is namelijk over het algemeen eenmalig en gegevens worden offline geanalyseerd. Deze analyses duren maanden, zo niet jaren. Of data een minuut eerder of later beschikbaar komt, is dus niet van belang.

Voor aggregatieniveau en beschikbaarheid geldt dat ze sterk afhankelijk zijn van het type onderzoek. Over het algemeen is een representatieve steekproef noodzakelijk. Wanneer bijvoorbeeld interactie tussen individuele voertuigen wordt onderzocht, is het van belang dat alle voertuigen worden gedetecteerd.

De nauwkeurigheid moet zo hoog mogelijk zijn. Hierbij is met name van belang dat de nauwkeurigheid hoger is dan die van de bestaande kennis. Alleen dan heeft de meting toegevoegde waarde.

Openstaande vragen Edit

Geen specifieke openstaande vragen. Aanvullingen zijn welkom.


Terug naar -> Toepassingen van verkeersmonitoring

Ad blocker interference detected!


Wikia is a free-to-use site that makes money from advertising. We have a modified experience for viewers using ad blockers

Wikia is not accessible if you’ve made further modifications. Remove the custom ad blocker rule(s) and the page will load as expected.

Around Wikia's network

Random Wiki