Vervoersvraagvoorspelling met big data

Dankzij de alomtegenwoordigheid van smartphones komt er steeds meer en betere data beschikbaar over verplaatsingsgedrag. Een voorbeeld hiervan is het Mijn040Routes-onderzoek van Studio Bereikbaar in Eindhoven. Voor vervoersvraagvoorspellingen is deze data vooralsnog niet bruikbaar: ze bevat veel informatie over reisgedrag, maar niets over eigenschappen van de reiziger waar dat gedrag mee samenhangt. De potentie is groot: nu Nederland steeds verder vastloopt, en meer infrastructuur niet altijd een wenselijke en/of haalbare optie is, wordt gedragsbeïnvloeding een steeds belangrijker instrument. De evaluatie van gedragsmaatregelen stelt nieuwe, veel zwaardere eisen aan verkeersmodellen: om gedrag te beïnvloeden, moet er immers eerst een goed beeld van bestaand gedrag, en wat daarmee samenhangt, zijn.

Ontwerp voor informatiestromen in vervoersvraagvoorspellingsmodel

Studio Bereikbaar en DiTTlab (TU Delft) werken samen om een methode te ontwikkelen om de informatie in deze “big data” toch te kunnen gebruiken voor vervoersvraagvoorspellingen. De kern is de manier waarop verbinding gemaakt wordt tussen reisgedrag en socio-economische eigenschappen van de reiziger en de ruimtelijke eigenschappen van de herkomst en bestemming. Allereerst wordt middels machine learning gezocht naar patronen in de data, resulterend in clusters van typerend reisgedrag. Op dit geaggregeerde niveau is het wèl mogelijk om de verbinding met socio-economische eigenschappen te leggen, via enquête-data zoals het OViN. Uiteindelijk geeft dit rijke informatie over het reisgedrag gerelateerd aan een gebied, op basis van de (toekomstige) eigenschappen van het gebied en zijn inwoners.

Het onderzoek wordt in samenwerking met DiTTlab (TU Delft) uitgevoerd.