Contactonderzoek met behulp van verkeers- en transportdata

8 MEI 2020
Panchamy Krishnakumari 
Met bijdragen van Serge Hoogendoorn en Oded Cats

Verkeers- en transportdata zijn een belangrijke bron van informatie voor het begrijpen, voorspellen en voorkomen van de verspreiding van het coronavirus. We kunnen ermee kijken naar reispatronen en locaties waar veel mensen samenkomen. Met behulp van geavanceerde detectietechnieken kunnen we bijvoorbeeld de functionaliteit van apps verbeteren. Geavanceerde simulatiemodellen kunnen helpen om de impact van maatregelen tegen virusverspreiding in bijvoorbeeld openbaar vervoer, taxi's of vraaggestuurd vervoer in kaart te brengen.

Het afgelopen decennium heeft het gebruik van data in het verkeer en vervoer een enorme sprong voorwaarts gemaakt. Of het nu gaat om het gebruik van chipkaartgegevens, floating car data (FCD), sociale gegevens, of gegevens afkomstig van enquêtes, GPS, Wifi, Bluetooth, 3D-camera's, emotiedetectie of Lidar, we hebben een veel beter beeld van wat er binnen transportsystemen gebeurt. Wij geloven dat deze gegevens een belangrijke bron van informatie kunnen vormen voor het begrijpen, voorspellen en indammen van de verspreiding van het coronavirus. Dit kunnen we bereiken door te kijken naar reispatronen en locaties waar veel mensen samenkomen, of door gebruik te maken van moderne detectietechnieken om de functionaliteit van apps te verbeteren. We hebben ook de beschikking over geavanceerde simulatiemodellen om de impact op de virusverspreiding van maatregelen voor bijvoorbeeld openbaar vervoer, taxi's of vraaggestuurd vervoer in kaart te brengen

We kunnen verschillende databronnen gebruiken om reispatronen te onderzoeken. Daarmee kunnen we kwetsbaarheidsanalyses uitvoeren voor verschillende gebieden op zowel macro- (stromen) als microniveau (individuen). Gegevens op macroniveau kunnen we gebruiken om contactnetwerken te analyseren, terwijl we gegevens op microniveau kunnen gebruiken voor specifiek contactonderzoek.

Een tijdsafhankelijke herkomst-bestemmingsmatrix (hoeveel verkeer gaat er van punt A naar punt B) is een voorbeeld van gegevens op macroniveau die kunnen worden gebruikt voor het in kaart brengen van contactnetwerken. Je kunt analyseren hoe zo’n matrix met daarin gegevens van bijvoorbeeld Vodafone, correspondeert met de virusverspreiding (open-source covid19 datasets). Vervolgens kun je de connectiviteit van het contactnetwerk onderzoeken om de verspreiding van het virus te beperken. Het aanvullen van deze gegevensbronnen met demografische gegevens zoals open source CBS-gegevens kan verder helpen bij het identificeren van kwetsbare gemeenschappen (ouderen, laag inkomen, etc.) en het verminderen van de connectiviteit ernaartoe.

Een andere belangrijke gegevensbron zijn cameragegevens van openbare ruimten, zoals bussen, treinstations of fietsenstallingen. Hoewel deze gegevens misschien niet gedetailleerd zijn, kunnen ze een indruk geven van de drukte en kunnen we ze gebruiken om kwetsbare locaties te identificeren binnen deze ruimtes. 

Sommige van de bestaande gegevensbronnen op microniveau kunnen worden gebruikt om volledig of gedeeltelijk contactonderzoek uit te voeren, zoals chipkaartgegevens of data van mobiliteitsapplicaties zoals reisplanners of mobiele telefoongegevens. Het is al aangetoond dat chipkaartgegevens kunnen worden gebruikt om een compleet beeld te geven van het contactnetwerk binnen het openbaar vervoersysteem. De individuele mobiliteitsdata vormen echter slechts een steekproef van de bevolking. Dit is nog steeds relevant, omdat het verwijderen van zelfs maar één persoon uit de verspreidingsketen gevolg kan hebben een dergelijke besmettelijke ziekte.

De mogelijkheden voor het automatisch detecteren van mensen in het verkeer zijn al vergevorderd. Deze gedetailleerde gegevens kunnen voor vele doeleinden worden gebruikt, zoals het ontwikkelen en valideren van modellen, surveillance en handhaving, en crowd- en verkeersmanagement. Een goed voorbeeld is het  APV-conforme SmartStation-concept waarbij verschillende gegevensbronnen worden gecombineerd om een zeer gedetailleerd beeld te geven van verkeers- en reispatronen. 

Dr. Panchamy Krishnakumari

Panchamy Krishnakumari is gespecialiseerd in de analyse van verkeersgegevens. Haar onderzoek richt zich op patroonherkenning in grootschalige grootstedelijke netwerken. Samen met collega's combineert ze nu kennis van complexe netwerken, epidemiemodellen en data om de uitdagingen van het openbaar vervoer te midden van de coronaviruspandemie te bestuderen.

Prof.dr.ir. S.P. (Serge) Hoogendoorn

Serge Hoogendoorn is gespecialiseerd in verkeersmanagement. Hij richt zich daarbij op het waarnemen, begrijpen en modelleren van verkeersstromen in netwerken. Zijn interesse gaat vooral uit naar de sturingsprincipes om dat zo goed mogelijk te doen. Hoogendoorn en zijn collega’s zetten hun kennis en ervaring op dit gebied nu in voor het vormgeven van onze mobiliteit binnen de 1,5 metersamenleving.

Meer informatie

‘Stories of Science’ over Transport & Planning
Artikel ‘De gevolgen van corona voor verkeer en vervoer’ (NM Magazine) 

Dr. Oded Cats

Oded Cats is gespecialiseerd in passagiersvervoersystemen. In zijn richt hij zich op het ontwikkelen van netwerk-, operatie- en gedragsmodellen voor multimodale passagiersvervoersystemen. Samen met zijn collega's ontwikkelt hij nu empirische kennis en instrumenten om de rol van het openbaar vervoer in de anderhalvemetersamenleving te ondersteunen.

Meer informatie:

Smart Public Transport Lab

/* */