Data gebruiken in je mobiliteitsvraagstukken?

Inzichten ontstaan door verschillende typen data te combineren. Als je dat op een slimme manier doet en de juiste analyses maakt, zie je ineens welke onderwerpen met elkaar samenhangen en hoe je gedrag van mensen kunt sturen. Je kunt ze dan bijvoorbeeld naar lege parkeerplaatsen leiden, de juiste omleidingsroute laten nemen of hun auto aan de rand van de stad laten parkeren en daarna verder laten reizen per bus, tram of fiets. Op die manier kun je een antwoord vinden op veel verschillende mobiliteitsvraagstukken. Prachtig, maar technisch komt daar het een en ander bij kijken.

Dialecten vertalen naar de standaardtaal

De eerste hobbel is dat de databronnen die je gebruikt vaak heel divers zijn, zegt Max Martens, technisch ontwerper en informatieanalist bij InTraffic. “Ze slaan natuurlijk een verschillend type informatie op, maar zijn vaak ook totaal anders opgebouwd. Bovendien spreken ze allemaal verschillende dialecten. Het ene systeem noteert bijvoorbeeld de tijd in uren, de ander in minuten of seconden; het ene systeem werkt met meters, het andere met centimeters. Die dialecten moet je eerst vertalen naar een standaardtaal, denk bijvoorbeeld aan SIRI, DATEX of BISON, om data uit verschillende systemen te kunnen combineren. In het datamodel bepaal je welke data je gaat verzamelen en hoe je die data vastlegt. Want pas als je een consistent geheel hebt, kun je verschillende data gaan combineren en daar nieuwe inzichten uit opdoen.”

Uitdagingen op gebied van netwerken en veiligheid

Een andere uitdaging zit in de te gebruiken netwerktechnologie. “Als je data real-time wilt gaan gebruiken om bijvoorbeeld de verkeerslichten aan te sturen, dan mag er geen vertraging zitten op de lijn. Je moet je dus goed bewust zijn van de latency. Je moet bovendien ook goed nadenken over de benodigde bandbreedte en de kosten die daaraan verbonden zijn.” Op dit vlak werkt InTraffic samen met partners.

Daarnaast heb je te maken met veiligheid; je kunt niet maar zo ieder datastroompje aftappen. Ook privacy speelt een rol: welke data mag je gebruiken voor welke toepassingen? En in welke vorm mag je die data gebruiken? Welke data moet worden geanonimiseerd en welke niet? Martijn: “Je hebt dus ook naast technische ook juridische kennis nodig zodat je geen oplossingen ontwikkelt die in strijd zijn met de AVG.”

“Je moet eerst de dialecten vertalen naar een standaardtaal. Want pas als je een consistent geheel hebt, kun je verschillende data gaan combineren en daar nieuwe inzichten uit opdoen.”

Max Martens, technisch ontwerper en informatieanalist bij InTraffic

Data visualiseren

Waar Max zich specialiseert in het binnenhalen en structureren van ruwe data uit steeds meer verschillende bronnen, houdt Chung Kit Lee zich als data scientist bij InTraffic binnen het team Data Solutions & Services, bezig met de volgende stap: inzichten opdoen uit die data. “Omdat het om ontzettend veel verschillende soorten data gaat, denken we na over hoe je die data zo presenteert dat er nieuwe inzichten ontstaan. Daarvoor gebruiken we verschillende typen visualisaties. Want één beeld zegt meer dan duizend woorden.”

Patronen herkennen

Om real-time te kunnen gaan sturen op data, heb je veel historische data nodig, vertelt Chung Kit. “De historische mobiliteitsdata laat zien hoe het verkeer en het OV zich normaalgesproken gedraagt. De real-time data vertellen of de situatie van vandaag afwijkt van hoe die normaal is, zodat je actie kunt ondernemen. De vraag is echter: wat is normaal? En hoeveel data heb je nodig om patronen te herkennen? Tijdens de corona lockdowns was er bijvoorbeeld veel minder verkeer op de weg dan in een periode zonder lockdowns. De ene winter heb je veel meer dagen waarop het glad is dan de andere. Vorig jaar had je de uitzonderlijke situatie van sneeuw en ijs tijdens de lockdown. Je hebt daarom domeinkennis nodig om de data goed te interpreteren en de juiste conclusies te trekken.”

Nieuwe databronnen toevoegen

Domeinkennis heb je ook nodig om te begrijpen welk type data gewenst zou zijn om nog betere beslissingen te nemen. De ogen van Chung Kit beginnen te glimmen als hij zegt: “Overheden spenderen momenteel veel geld aan smart mobility. Er komen steeds meer databronnen bij. Denk aan data uit Internet of Things (IoT). Er zijn sensoren die geluid kunnen meten, de hoeveelheid fijnstof in de lucht en ga zo maar door. En dan heb je nog open data zoals de weersvoorspellingen van het KNMI. Hoe meer van die data je in je model stopt, hoe nauwkeuriger je kunt monitoren en hoe gerichter je kunt ingrijpen. Gelukkig maken veel van die databronnen al gebruik van bestaande standaarden, zoals NeTEx, DATEX, SIRI of BISON, waar wij al ervaring mee hebben. Dat helpt bij interpretatie van data die binnenkomt. Maar we hebben ook veel te maken met ‘ruwe’ ongestructureerde data. Het is een uitdaging om deze data te structureren en verwerken, zonder dat de latency oploopt.”

Toch wil je die databronnen wel graag toevoegen, zegt Chung Kit. “Want hoe meer data je in je model stopt, hoe nauwkeuriger je kunt monitoren en hoe gerichter je kunt ingrijpen.”

“Je hebt domeinkennis nodig om de data goed te interpreteren en de juiste conclusies te trekken.”

Chung Kit Lee, data scientist in het team Data Solutions & Services van InTraffic

Verkeerskundige blik is onontbeerlijk

Je moet bij dit alles continu met een verkeerskundige blik blijven kijken, waarschuwt Chung Kit. “Het verkeer verandert namelijk continu. Nog niet zo gek lang geleden had je op het fietspad voornamelijk ‘gewone’ fietsen met af en toe een brommer of wielrenner. Nu zijn er bakfietsen, elektrische fietsen, elektrische steps. Je ziet ook dat steeds meer gemeenten nadenken over woonwijken met beperkte parkeervoorzieningen of alleen parkeervoorzieningen voor deelauto’s, zodat ze mensen richting het OV en deelvervoer duwen. Je kunt dus niet enkel en alleen op basis van historische data voorspellingen doen. Je hebt ook verkeerskundige kennis nodig, kennis van het OV en kennis van gedrag van mensen als het gaat om mobiliteit.”

Generiek platform dat op maat kan worden ingericht

InTraffic begeleidt veel gemeenten bij hun mobiliteitsvraagstukken. Daarbij hergebruiken we oplossingen die we al eerder hebben ontwikkeld. Max: “Iedere gemeente zal andere dingen willen doen met de data. De mobiliteitsvraagstukken zullen dus iedere keer anders zijn. Maar het platform daarachter kan generiek zijn. Je hebt immers continu te maken met hetzelfde type data – van verkeerslichten, lussen in de weg, van het OV, van parkeergarages, van sensoren die trillingen, luchtvervuiling of geluid meten en ga zo maar door. Doordat wij voor verschillende overheden werken kunnen we dat generieke model gebruiken als basis en daar dan een specifieke oplossing mee bouwen die past bij een specifieke gemeente. Zo voorkom je dat je als gemeente een wiel uitvindt dat al bestaat.”