Betere voorspelling vrachtverkeer door ‘big data’ uit wegennet

Betere voorspelling vrachtverkeer door ‘big data’ uit

Om de toekomstige verkeersdruk op het wegennet te voorspellen, laten beleidsmakers regelmatig enquêtes uitvoeren onder weggebruikers, een dure en niet altijd even precieze methode van dataverzameling. Tegenwoordig produceren de detectielussen en camera’s in en rond de weg ook grote hoeveelheden verkeersgegevens. In haar proefschrift beschrijft Yinyi Ma van Rotterdam School of Management, Erasmus University (RSM) hoe deze data statistisch gecombineerd kunnen worden met de resultaten uit de enquêtes. Met haar methode kan de vraag naar vrachtvervoer nauwkeuriger worden voorspeld. Ze verdedigt haar proefschrift op 3 juni 2016.

Voorspellingen over het toekomstige weggebruik zijn erg belangrijk voor beleidsmakers. Op basis hiervan kunnen ze de wegcapaciteit plannen, files tegengaan en vervuiling terugdringen, zegt onderzoeker Ma. De gegevens die voor deze voorspellingen nodig zijn, zijn tot dusver altijd verzameld aan de hand van vragenlijsten die statistiekbureaus opsturen naar bedrijven in de transportsector, soms gecombineerd met databases die bedrijven bijhouden over het vervoersgedrag van hun werknemers. Voor bedrijven is het invullen van de vragenlijsten niet alleen tijdrovend, de resultaten zijn vaak ook niet erg nauwkeurig. Niet alle bedrijven rapporteren hun ritten namelijk even gedetailleerd of even vaak.

Detectielussen

De systemen die het wegennet monitoren produceren dan wel enorme hoeveelheden potentieel nuttige data over weggebruik, maar die gegevens zijn lastig onderling vergelijkbaar, zegt Ma. Detectielussen in het wegdek bijvoorbeeld meten het verkeer slechts op één locatie, maar ze registreren wel de lengte van een voertuig. Camera's die boven de weg hangen en kentekenplaten lezen, kunnen goed een voertuig traceren tussen meerdere punten, maar zijn slechts op een beperkt aantal wegen ingezet.

Ma ontwikkelde een statistisch model waarmee de enorme hoeveelheid gegevens uit al die verschillende bronnen kan worden gecombineerd met de uitkomsten van de traditionele vragenlijsten. Met dat model kan het CBS, dat haar promotieplaats heeft gefinancierd, nu veel gedetailleerder de vraag naar vrachtvervoer voorspellen voor een bepaalde plaats en tijd 

Meerdere gegevensbronnen

De traditionele vragenlijsten zullen waarschijnlijk niet verdwijnen, zegt de onderzoekster. Hoe waardevol de ‘big data’ van verkeerstoezichtsystemen ook zijn, in de toekomst zullen onderzoeken onder weggebruikers nog steeds nodig zijn om te weten te komen wat het doel van een rit is en hoe weggebruikers in de hun ritten combineren, stelt ze.

Rotterdam School of Management, Erasmus University (RSM) wordt consequent gerekend tot de meest toonaangevende business schools van Europa en tot de top drie voor onderzoek. RSM biedt baanbrekend onderzoek en opleidingen ter verdere bevordering van excellence in alle aspecten van management. RSM is gevestigd in de internationale havenstad Rotterdam, een bruisend knooppunt van bedrijven, logistiek en handel. RSM richt zich op het ontwikkelen van zakelijke leiders met internationale carrières die gewapend met hun innovatieve gedachtegang een duurzame toekomst kunnen inslaan dankzij een gamma bachelor, master, MBA, PhD en executive programma's van het hoogste niveau. De ondersteuningsdiensten van RSM voor executives en alumni worden ook aangeboden vanuit de kantoren in Chengdu, China en Taipei, Taiwan. 

Meer informatie

Ramses Singeling, Media Officer voor RSM, op +31 10 408 2028 of per e-mail op singeling@rsm.nl.