Introductie
Begin 2021 erkent het Smart Flanders-programma van het Agentschap Binnenlands Bestuur (ABB) de noodzaak om mobiliteitsstromen van alle transportmodi overzichtelijk in kaart te brengen om (de mobiliteitsexpert van) de steden te ondersteunen bij de uitwerking van hun datagedreven mobiliteitsbeleid. Het vooropgezette plan was om een totaalbeeld van de mobiliteitsstromen te ontwikkelen door de al bestaande databronnen rond mobiliteit te integreren met eenvoudige wiskundige fusies. Samen met imec werd er binnen het kader van het CityFlows-traject gezocht naar twee pilootsteden die het datafusiemodel wilden gebruiken en hieraan een use case konden koppelen.
Als pilootsteden werden Stad Mechelen en Gent geselecteerd. In Mechelen moest de invoering van een schoolstraat getoetst worden aan de hand van het model. Er moest beoordeeld worden of en hoe het mobiliteitsgedrag was veranderd nadat de schoolstraat ingevoerd was. In Gent moest een wijkmobiliteitsplan (Zwijnaarde) geëvalueerd worden als onderdeel van het project. In beide pilootsteden moest de evaluatie uitgevoerd worden op basis van een combinatie van databronnen, zodat er niet enkel uitspraken gedaan konden worden op plaatsen waar gemeten werd, maar ook daar waar niet werd gemeten
Het model dat hiervoor ontwikkeld werd, bouwt verder op een proof of concept (PoC) dat de universiteit van Antwerpen ontwikkelde in de Sint-Andrieswijk die de naam Antwerp Smart Zone kreeg. Hier werden verschillende technologische toepassingen getest in een echte leefomgeving. Een van die toepassingen was een datafusiemodel dat verschillende databronnen rond mobiliteit combineerde om het aantal deelnemers aan het verkeer te bepalen per modaliteit in elke straat en op elk moment van de dag. Het model dat daarvoor gebouwd was, combineerde databronnen zonder echte regels (bijvoorbeeld de regel dat mensen ’s ochtends hun woongebied verlaten en ’s avonds weer terugkomen), maar op basis van een wiskundige verdeling. Het oorspronkelijke model in de PoC had slechts een beperkt aantal modaliteiten (twee: wel en niet-gemotoriseerd) werkte slechts op een kleine geografische oppervlakte met beperkte databronnen.
De opdracht van imec was om het ontwikkelde model van de PoC op te schalen naar meer modaliteiten en meer databronnen. Er moest ook een mechanisme ontwikkeld worden dat de accuraatheid van de output van het model controleerde. imec voegde meer databronnen toe (Telraam, fietstellussen van Signco, tijdelijke tellingen en ANPR-data) en trachtte het model bruikbaar te maken op stadsniveau en voor alle modaliteiten (voetgangers, fietsers en gemotoriseerde voertuigen).
Het mechanisme dat de accuraatheid van de output van het model controleerde (validatiescore) werd ontwikkeld aan de hand van Straatvinkendata (ground truth). Bij het samenvoegen van de eerste databronnen bleek de validatiescore echter laag. Onze hypothese was dat de validatiescore zou toenemen naarmate er meer databronnen toegevoegd zouden worden. Die hypothese werd echter niet bevestigd. Om de kwaliteit van het model te optimaliseren werd ook de verdeling van de modaliteiten per straat geoptimaliseerd, maar ook hierna bleef een positief effect op de validatiescore uit.
We kunnen daaruit concluderen dat deze versie van het opgeschaalde model geen betrouwbaar middel is om de use cases in de pilootsteden op te lossen. Delen van het model zijn mogelijk wel herbruikbaar, zodat de data-uniformisatie en - ingestie. Die zullen dan ook samen met de andere componenten van het model beschikbaar worden gemaakt. Onze belangrijkste aanbeveling is dat een toekomstig model meer rekening zal moeten houden met het dynamische karakter van een stad. Dat wil zeggen: de wegingscoëfficiënten die wij hebben toegepast, zouden dynamischer moeten zijn en bedacht moeten zijn op het menselijke verplaatsingsgedrag. Artificiële intelligentie kan daarvoor mogelijk een oplossing zijn.
Nadat de lage betrouwbaarheid van het model aan het licht was gekomen, zijn de use cases met de pilootsteden herbekeken om te onderzoeken hoe die wel opgelost konden worden. Na nauw overleg met de twee centrumsteden en de stuurgroep van CityFlows heeft imec een analysetoolbox ontwikkeld die de mobiliteitsexpert in staat stelt met enkele muisklikken een bepaalde beleidsuitdaging op vlak van mobiliteit te evalueren. Op die manier creëerden we meer zekerheid dat de steden echt vooruitgeholpen waren met hun problematiek.
De opdeling van deze pagina bestaat er als volgt in: in de eerste sectie worden de gebruikte databronnen geëvalueerd waarna er opvergegaan wordt op een beschrijving van het model in deel 2. In deel 3 benoemen we de uitdagingen en de mogelijke oplossingen. In dit deel wordt ook de toolbox toegelicht.
Input van het model
Zoals aangegeven in de inleiding worden de databronnen die gebruikt zijn voor het CityFlows-project met de twee pilootsteden, als eerste nader bekeken. In iedere sectie komt een andere databron aan bod. Aan de hand van een SWOTanalyse wordt elke databron afzonderlijk geanalyseerd en op basis van die analyse worden er enkele aanbevelingen voor de sensoren en databronnen gedaan.
Imec voegde meer databronnen toe (Telco-data, data van deelfietsen, Telraam, signco fietstellussen en ANPR) en maakte het model bruikbaar op stadsniveau. Het mechanisme dat de output van het model controleerde (validatiescore) werd ontwikkeld op basis van de straatvinken data (ground truth). Na de eerste samenvoeging van enkele databronnen bleek de validatiescore echter laag. Onze hypothese was dat door de toevoeging van meer databronnen, de validatiescore ging toenemen.
Deze hypothese werd echter niet bevestigd nadat er meer databronnen werden toegevoegd. Om de kwaliteit van het model te optimaliseren werd ook de kennis van het netwerk van de straten aan de hand van een gewigen verdeing (weights map) geoptimaliseerd maar ook dit bleek zonder positief resultaat op de validatiescore.
Concluderend kan gesteld worden dat het opgeschaalde (op stadsniveau) model met meer databronnen geen betrouwbaar middel is. Het model is wel herbruikbaar en zal ter beschikking gesteld worden (open source). Delen ervan kunnen hergebruikt worden. Als belangrijkste aanbeveling hebben we vooral dat een toekomstig model het dynamische karakter van een stad meer in rekening moet brengen. De gewogen verdeling (weights map) die we toegepast hebben zouden meer dynamisch moeten zijn en het menselijk verplaatsingsgedrag dient meegenomen te worden. Dit kan door middel van enkele regels te introduceren en dus niet te werken met enkel een wiskundige verdeling van de modaliteiten per straat.
Ook van de gebruikte databronnen werden conclusies opgesteld binnen het kader van het CityFlows project. Belangrijk hierbij is dat deze conclusies komen uit het gebruik binnen dit project en binnen dit doel van een verkeersmodel: inschatting geven in hoeveel gebruikers per modaliteit zich per straat bevinden. Het is perfect mogelijk dat deze databronnen voor andere use cases wel gebruikt mogen worden:
Databronnen
| Bron | Conclusies | Kerninzichten |
| Telraam | Data enkel van de situatie overdag. Wanner het te donker wordt werkt camera niet. | Nauwkeurigheid niet perfect. Wanneer fietsers naast elkaar fietsen/voetgangers naast elkaar wandelen ziet Telraam dit soms als één |
| Fietstellussen Signco | Data fluctueert sterk van dag tot dag
Data gaps kunnen groot worden Zomer-wintertrend is niet duidelijk Corona-effect niet duidelijk Weekend en week geeft ander patroon Geen duidelijk ochtend-avondspits |
Onbetrouwbaar; data lijkt geen normaal patroon te vertonen; data gaps aanwezig. |
| ANPR | Typisch dagpatroon
Duidelijk zichtbaar effect van verplaatsingsverbod tijdens lockdown Onduidelijkheden bij de locatie, straatnaam, richting etc. van de camera’s. |
Betrouwbaar; beperking dat er enkel stadinwaarts wordt gemeten.
Nood aan context van de camera |
| Telco data | Transformatie is noodzakelijk maar data is wel bruikbaar | Data geeft een idee van hoeveel mensen in één bepaald stadsdeel zitten. Deze data update echter traag en telt bovendien al de mensen met een smartphone in deze cel (denk bv aan passagiers in een trein of bewoners) |
Per stad waren er ook enkele specifieke databronnen aanwezig die ook kort worden toegelicht:
- Floating Car data: Deze werd in de 2 proefsteden gebruikt voor Mechelen en Gent. Het ging echter telkens om een beperkte zone van de stad waarbij het opvallend was dat het aantal gebruikers van de specifieke app zeer laag was. Deze apps worden gebruikt om voor en naar een stad te rijden maar veel minder als het gaat over lokaal verkeer. Daarom was deze data, hoewel beschikbaar, weinig tot niet bruikbaar.
- Snelheidsmetingen: in Mechelen werden voor de evaluatie van de use case (schoolstraat) specifieke metingen uitgevoerd door de politie met rubberen telslangen. De resultaten hiervan waren zeer bruikbaar. Deze installatie is echter zeer arbeidsintensief en daarom ook zeer kostelijk om overal uit te voeren.