Barry Ubbels
Part of
Keywords
Go to knowledge network
Methodiek en achtergrond korte termijn voorspelmodel LVMA
In Amsterdam zetten crowdmanagers en hosts in de openbare ruimte fysieke maatregelen in om voetgangersdrukte te beheersen en te spreiden. Het gaat om reguliere drukte waarvoor diverse grenswaarden (het is nu ‘Druk’ of ‘Erg Druk’) zijn opgesteld als servicelevels in de openbare ruimte.
Het doel van het voorspelmodel is crowdmanagers te ondersteunen in hun werkzaamheden door op basis van de data uit sensoren van het Langzaam Verkeer Monitoringssyteem Amsterdam (LVMA) een voorspelling te doen voor het aantal passanten in de komende twee uur. Zo kunnen crowdmanagers datagedreven voorbereiden op bijvoorbeeld het instellen van een eenrichtingsverkeersituatie. De voorspelling wordt per sensor gemaakt en is momenteel gekalibreerd voor de Wallen en de Kalverstraat. Deze methodiek kan ook uitgebreid worden naar andere locaties.
Uitgangspunten
Bij de bouw van het model zijn de volgende uitgangspunten gehanteerd:
• Het verloop van de drukte kent ongeveer hetzelfde patroon op het te voorspellen moment als op de momenten waarmee deze vergeleken wordt.
• Het model moet zeer eenvoudig zijn zowel wat betreft implementatie, de benodigde technische infrastructuur, als het onderhoud.
• Er is voldoende historische data beschikbaar.
• Als bestaande patronen veranderen moet het model dit zelf oppakken.
• Het is een model voor de korte termijn dat op straat gebruikt moet worden. Om deze reden is er voor gekozen maximaal twee uur vooruit te voorspellen.
o Dit model is niet geschikt om een uitspraak te doen wat bijvoorbeeld de drukte over een week gaat zijn om op deze manier de inzet van crowdmanagers te kunnen bepalen.
o Een voorspelling van 2 uur vooruit is voldoende voor de hosts op straat.
Modelbeschrijving
In hoofdlijnen werkt het model als volgt:
• Op basis van vergelijke dagen wordt een curve van drukte ontwikkeling bepaald voor de te voorspellen periode.
o Met vergelijkbare dagen wordt bedoeld dagen met een vergelijkbaar patroon, het hoeven niet vergelijkbare aantallen te zijn.
• Op basis van de daadwerkelijk gemeten aantallen wordt de curve die de basis is van de voorspelling verhoogd of verlaagd.
Kracht van het model. Het is:
• Eenvoudig
• Uitlegbaar (wanneer werkt het model en wanneer niet)
• Stabiel
• Snel in te regelen en in te zetten
• Inzetbaar op weinig data
• Mogelijk uitzonderingen apart te trainen.
Beperkingen:
• Het model kan onverwachte gebeurtenissen niet goed voorspellen.
• Het model kan niet goed omgaan met plotselinge toe- of afnames:
o Als het weer omslaat en het hard gaat regenen duurt het even voordat het model deze afnamen meeneemt in de voorspelling.
o Aantallen bij de aanlandingen van de IJveren, waarbij er steeds kortstondige pieken optreden zijn niet goed op 15 min niveau te voorspellen.
• Uitgangspunt is de vorm van de curve ongeveer gelijk is ten opzichte van de gekozen referentieperiode. In ons geval, de curve van deze maandag lijkt op de mediaan van de curve van de afgelopen 8 maandagen. Het gaat hier specifiek om de vorm van de curve, niet om de aantallen.
In bijgevoegd document wordt het model in detail beschreven. Hierin wordt een aantal keer verwezen naar een Excel bestand. Deze bevat een voorbeeld, waarmee de werking van het model wordt toegelicht. Als u deze wilt ontvangen, stuur dan een mail naar
verkeersonderzoek@amsterdam.nl