managing21.be

Artificiële intelligentie en machine learning maken het mogelijk om congestie-patronen nauwkeurig te detecteren en te volgen over grote gebieden. De combinatie van dronegegevens met klassieke meetsystemen zoals wegdetectie-lussen de kunnen de nauwkeurigheid van voorspellingen met 15 procent tot 20 procent verhogen. Dat is belangrijk voor het optimaliseren van verkeerslichten en het coördineren van verkeersstromen. Dat blijkt uit een onderzoek van het Laboratory of Urban Transportation Systems (LUTS) aan de École Polytechnique Fédérale de Lausanne (EPFL).

Verkeersopstoppingen vormen een hardnekkig probleem in grote stedelijke gebieden. De uitbreiding van het wegennet is vaak geen optie, waardoor onderzoekers zoeken naar alternatieve oplossingen om de doorstroming te verbeteren. “Intelligent verkeersbeheer wordt gezien als een belangrijke hefboom om congesties te verminderen, vooral in stedelijke contexten”, zeggen de onderzoekers Weijiang Xiong, Jasso Espadaler Clapés en Manos Barmpounakis. “De klassieke aanpak heeft beperkingen omdat die zich vooral richt op voertuigen en is vaak beperkt in ruimte en tijd. Drones bieden een breder en gedetailleerder beeld van de toestand van het wegennet.

In 2018 voerde het team een experiment uit boven Athene, waarbij drones grote hoeveelheden verkeersdata verzamelden. Op basis van de gegevens ontwikkelden de onderzoekers algoritmen om voertuigtypes en trajecten te herkennen. Volgens Xiong kunnen dergelijke modellen verkeerslichten al aanpassen voordat een file zich volledig vormt. “Hoewel ongevallen niet te voorspellen zijn, kan wel worden ingeschat hoe het netwerk daarop zal reageren”, werpt de wetenschapper op.

Omdat verkeersproblemen lokaal verschillen, moeten modellen worden aangepast aan de context van elke stad. Drones kunnen daarbij helpen door extra data te leveren op een efficiënte en relatief milieuvriendelijke manier.

Naast doorstroming wordt ook het rijgedrag onderzocht. Drones maken het mogelijk om bijvoorbeeld rijstrookwissels en interacties tussen voertuigen te analyseren zonder de privacy van bestuurders te schenden. Ze worden ook gebruikt voor onderzoek naar luchtkwaliteit en geluidsoverlast. De wetenschappers stellen dat op basis van de snelheid, de acceleratie en het motortype van voertuigen een schatting kan worden gemaakt van uitstoot en geluidsproductie, die vervolgens kan worden vergeleken met metingen in de openbare ruimte. De onderzoekers benadrukken dat hun doel niet is om directe kant-en-klare oplossingen te ontwikkelen, maar om beter te begrijpen op welke manier data en artificiële intelligentie kunnen bijdragen aan verkeersbeheer.

De École Polytechnique Fédérale de Lausanne werkt daarnaast aan modellen die het verkeersgedrag niet alleen als afzonderlijke verplaatsingen beschouwen, maar als onderdeel van de dagelijkse activiteiten binnen huishoudens en levensfasen. Deze aanpak moet betere voorspellingen mogelijk maken, bijvoorbeeld voor het woon-werkverkeer en het gedeeld autogebruik.

De onderzoekers stellen dat transportkeuzes niet alleen individueel worden gemaakt, maar vaak binnen huishoudens worden afgestemd. “Door deze interacties mee te nemen, kunnen modellen realistischer gedrag voorspellen en beter inspelen op beleidsvragen rond mobiliteit op korte, middellange en lange termijn”, werpen de wetenschappers op.