Data-driven aanpak laat modellen meebewegen met actualiteit

Data-driven aanpak laat modellen meebewegen met actualiteit

 

Voor het actualiseren van een verkeersmodel is veel en diverse data nodig, welke bovendien niet altijd direct beschikbaar is. De huidige praktijk is dat voor iedere modelactualisatie een lange periode van dataverzameling nodig is. Dit maakt dat veel verkeersmodellen maar eens in de zoveel jaar een grondige actualisatie ondergaan, waardoor ze – zeker in deze tijden – hopeloos achter de actualiteit aanhobbelen. Covid-19 toont eens te meer aan dat modellen flexibeler moeten zijn en juist beter moeten meebewegen met de actualiteit.

 

Door technologische ontwikkelingen komt er wel steeds meer data beschikbaar. Maar lang niet alle data kunnen we eenvoudig in modellen gebruiken. Het maakt dat we eigenlijk met twee problemen te maken hebben: (1) Dataverzameling voor verkeersmodellen is arbeidsintensief en (2) De huidige technieken van modellen maken het niet altijd mogelijk de beschikbare data te gebruiken.

 

Een nieuw ontwikkelende data-driven aanpak gaat uit van jaarlijks geactualiseerde centrale, landelijke database met inputgegevens. Dit maakt dat verkeersmodellen ineens een stuk sneller opgesteld en geactualiseerd kunnen worden. Binnen deze aanpak maken we tevens gebruik van een zwaartekrachtmethode die met meerdere randvoorwaarden kan omgaan. Dit maakt het mogelijk om waargenomen HB-matrices op een hoger liggend schaalniveau direct in de matrixschatting mee te kunnen nemen.

 

Deze methodiek leidt tot een landsdekkend, multimodaal en data-driven, verkeersbeeld van de huidige situatie als input voor regionale verkeersmodellen maar ook als bron voor rechtstreekse analyse van bijvoorbeeld herkomst-bestemmingspatronen. We presenteren de eerste uitkomsten en inzichten van dit proces en het verdere toekomstperspectief.

Download presentaties 2018
Don’t spoil…