Mobiliteitsdata Utrecht
InTraffic en KPN

Multimodal Analytics geeft inzicht in mobiliteitsdata Utrecht

Mobiliteitsdata van Utrecht wordt in het M2A smart mobility platform gecombineerd en daardoor inzichtelijk.iStock

Om te onderzoeken wat de knelpunten in de mobiliteit van de stad zijn, of wat het effect is van de herinrichting van een kruispunt op het gebruik ervan, heeft de gemeente Utrecht samen met InTraffic en KPN het Mobiliteit Data Systeem (MDS) ingericht. Dit systeem is via design thinking tot stand gekomen en biedt inzicht in uiteenlopende mobiliteitsvraagstukken.

Verkeerslichten, detectielussen, camera’s, sensoren; de stad levert een schat aan informatie als het om het verkeer gaat. De afdeling Mobiliteitsonderzoek van de gemeente Utrecht vergaart al deze data. Maar om van al die data chocola te maken, is nog niet zo eenvoudig, weet Martijn van Aartrijk, senior business consultant bij InTraffic. “Want die data zijn afkomstig van verschillende bronnen. Tientallen partijen leveren data aan, in verschillende formaten. In deze wereld is nog weinig sprake van standaardisatie. Het is een enorme klus om de data centraal te ontsluiten en zo te structureren dat je met algoritmes inzicht krijgt.”

Real-time data

InTraffic en KPN hebben samen ervaring op dit gebied. InTraffic is specialist in het beantwoorden van vragen op gebied van mobiliteit aan de hand van data. KPN heeft een robuuste infrastructuur voor datadeling ontwikkeld: de Data Services Hub (DSH). Dit is een platform dat real-time data uit vele verschillende bronnen centraal ontsluit.

Met het Multimodal Analytics (M2A)-platform heeft InTraffic op de KPN DSH een oplossing gebouwd om mobiliteitsvragen te beantwoorden. “Dit is een omgeving waarmee we data uit voor ons bekende bronnen kunnen omzetten naar een geïntegreerd datamodel, zodat we verschillende bronnen kunnen samenvoegen en met elkaar kunnen laten praten. Ons M2A-platform bevat daarnaast standaardalgoritmes en dashboards voor mobiliteitsvraagstukken. We breiden deze omgeving steeds verder uit om steeds meer Smart City mobiliteitsvraagstukken met M2A te kunnen beantwoorden”, aldus Van Aartrijk.

Mesh data-principe

Data-governance, zoals bijvoorbeeld het goed regelen van de privacy, speelt in dergelijke Smart City-vraagstukken een belangrijke rol. En laat dat nu één van de sterke punten zijn van DSH. “Je kunt in het platform eenvoudig aangeven wie welke data mag gebruiken”, vertelt Bob Beelen, partnermanager bij KPN. “De DSH maakt gebruik van het mesh data-principe: de data blijft in de bron. In tegenstelling tot bijvoorbeeld een datalake maken wij er geen kopie van; we regelen alleen dat een andere partij bepaalde data mag gebruiken, die via de DSH toegankelijk wordt gemaakt. Als eigenaar van de brondata kun je zelf bepalen wie wat met welke data mag doen. Op die manier kun je dus heel goed de data-governance regelen. Zo kan de mobiliteitsdata eenvoudig en veilig gekoppeld worden aan andere systemen, zoals de systemen die de veiligheid in de stad in de gaten houden.”

Het is mogelijk om onbeperkt databronnen op het M2A smart mobility platform te ontsluiten. In theorie zelfs alle Nederlandse gemeenten en alle partijen die op een of andere manier data verzamelen voor die gemeenten. “Het unieke van de samenwerking met de gemeente Utrecht is dat zij niet vroegen om een kant-en-klaar product, maar dat ze op zoek zijn naar partners die hen op lange termijn helpen bij het ontwikkelen van een smart mobility-omgeving”, zegt Martijn. “We pakken dit aan via design thinking. Er is geen vast omschreven einddoel, we weten alleen dat we samen de weg willen afleggen en tijdens die route zoveel mogelijk willen leren.”

Tientallen uitdagingen

En leren, dat doen de drie partijen volop. Van Aartrijk kan tientallen uitdagingen noemen waar het team tegenaan liep. “Meet een sensor of lus bijvoorbeeld altijd wel wat je denkt dat hij meet? Je kunt ander gedrag van een lus verwachten op een industriegebied dan in een Vinex-wijk. Daar moet je expliciet rekening mee houden. Alleen maar naar de ruwe data kijken, is onvoldoende.”

Je kan er bovendien niet van uitgaan dat alle data betrouwbaar zijn. Van Aartrijk: “Met het MDS kunnen we snel achterhalen welke data onbetrouwbaar zijn, wat de oorzaak daarvan is en of we er een automatische interpretatieslag overheen kunnen doen waardoor we toch met die data kunnen werken.”

Een andere uitdaging is dat een IoT-device zoals een camera, sensor of detectielus altijd maar één aspect meet. “Je kunt data van meerdere IoT-devices bij elkaar brengen, maar dan nog heb je geen totaalbeeld. Want er gebeuren ook dingen die je niet kunt meten. Je zult data dus altijd moeten interpreteren.”

Grote complexiteit

De uitdagingen op het gebied van mobiliteitsdata in de stad Utrecht waren nog veel complexer dan bij aanvang gedacht. Inzicht krijgen in deze complexiteit is iets wat past bij de design thinking-aanpak. Van Aartrijk: “Hoewel KPN en wij heel goed weten tegen welke uitdagingen je aanloopt en ook Utrecht al veel ervaring heeft op het gebied van smart mobility, waren we alle drie toch verrast door de complexiteit in een stad als Utrecht. Via de design thinking-aanpak hebben we deze complexiteit gekanaliseerd. Dat was mogelijk omdat we niet een dashboard of ander kant-en-klaar dataproduct opleveren, maar een platform dat om kan gaan met een diversiteit aan datavraagstukken.” Een platform dat nu alleen geschikt is voor mobiliteitsvraagstukken, maar in de toekomst wellicht ook gecombineerd kan worden met andere Smart City-vraagstukken.

Lees ook:

Auteur: Marloes Kanselaar

Marloes Kanselaar is vaste redacteur voor VerkeersNet en werkt nauw samen met de redacteuren van OVPro.nl en TaxiPro.nl. Na een studie Journalistiek werkte ze voor het AD/Rotterdams Dagblad en deed ze commerciële schrijfervaring op bij webwinkel Coolblue. Een Rotterdamse in hart en nieren, die de lezer van VerkeersNet graag op de hoogte houdt van alle ontwikkelingen in de verkeers-en mobiliteitswereld.

Reageer ook

Nog maximaal tekens

Log in via een van de volgende social media partners om je reactie achter te laten.