Voorbij het dashboard: de operationele digital twin in verkeersmanagement
Gepubliceerd op Verkeerskunde.nl
Veel mobiliteitstoepassingen die we digital twins noemen zijn eigenlijk digital models of digital shadows. Die zijn waardevol om inzicht en grip te krijgen, maar operationeel verkeersmanagement vraagt om digitale representaties die niet alleen kijken en voorspellen, maar ook (al dan niet zelfstandig) kunnen sturen met de beschikbare DVM-maatregelen in de stad.
Het begrip digital twin is ongekend populair in de mobiliteitswereld. Allerlei verkeersmodellen, dashboards, 3D-omgevingen, realtimeviewers en dataplatforms worden onder deze noemer geschaard. Dat lijkt logisch: al deze toepassingen vertalen de fysieke verkeerswerkelijkheid in een digitale, gemakkelijk te analyseren weergave. Toch zijn het niet allemaal digital twins.
Een dashboard kan een realtimeverkeersbeeld geven. Een verkeersmodel kan onmisbaar zijn voor analyse en planning. Een kortetermijnvoorspelling kan een operator helpen om vooruit te kijken. Een operationele digital twin gaat echter verder: die gebruikt actuele informatie om de verkeerssituatie te interpreteren, maatregelen af te wegen en de operatie aan te sturen.
Vier niveaus van digitale representatie
De digital twin heeft zijn wortels in de ruimtevaart, waar al in de jaren zestig werd gewerkt met simulatoren en modellen. NASA-technoloog John Vickers en wetenschapper Michael Grieves formuleerden de volgende definitie:
Digital twin: De virtuele representatie van een fysiek systeem, waarmee het gedurende de hele levenscyclus verbonden blijft. Cruciaal is het continue tweerichtingsverkeer: actuele data uit de werkelijkheid voeden het digitale model, en de inzichten uit dit model leiden direct tot beslissingen of acties in de fysieke werkelijkheid.
Op basis van deze definitie onderscheiden we vier niveaus van digitale representatie:
- Digital model: Een digital model heeft geen automatische koppeling met de actuele werkelijkheid. Offline verkeers-, simulatie- of scenariomodellen zijn voorbeelden van digital models.
- Digital shadow: Een digital shadow wordt automatisch gevoed met actuele data uit de werkelijkheid. Denk aan dashboards met detectielusdata, VRI-data, floating-car-data, parkeerdata of brugopeningen. Digital shadows geven operators een actueel beeld, maar hebben geen invloed op de werkelijkheid.
- Decision-support shadow: Een decision-support shadow gaat een stap verder. Actuele data worden hier verrijkt met analyse of een kortetermijnvoorspelling. De operator of verkeerskundige kan deze informatie gebruiken, maar de stap van voorspelling naar maatregel is handmatig.
- Operationele digital twin: Een operationele digital twin wordt gevoed met actuele data en past aan de hand daarvan de werkelijkheid aan. Bijvoorbeeld via scenarioselectie, automatische sturing of menselijke besluitvorming. Het kenmerkende verschil met een decision-support shadow is dat de stap van digitaal inzicht naar fysiek handelen is opgenomen in het systeem.
Van verkeersbeeld naar DVM-keten
Een operationele digital twin kan worden gezien als het onderdeel van een DVM-keten dat de volgende stappen uitvoert:
- Het verzamelen van actuele data uit alle beschikbare bronnen (meten).
- Het reconstrueren en interpreteren van de actuele toestand (begrijpen).
- Een model of simulatie voorspelt de nabije ontwikkeling (voorspellen).
- Het doorrekenen en afwegen van maatregelen of scenario’s (afwegen).
- Het via een operator of automatisch voorbereiden of activeren van de actie (ingrijpen).
- Het meten van het effect in de fysieke wereld en het terugkoppelen daarvan (evalueren).
Organisaties als DMI en Geonovum hebben een belangrijk fundament gelegd voor operationele digital twins in DVM en regie op de openbare ruimte, met aandacht voor onder meer data, interoperabiliteit, standaarden, governance en veilige ‘vangrails’. Voor operationeel verkeersmanagement is daarnaast operationele bedienlogica nodig, met korte tijdvensters en concrete vragen:
Welke beslissing moet wanneer worden genomen? Welke data zijn betrouwbaar genoeg? Welke maatregelen zijn beschikbaar? Wie mag ingrijpen? Hoe wordt het effect gemeten?
Praktijkvoorbeeld: Closed-loop corridorsturing (Marysville, Ohio)
In Marysville (Ohio, USA) heeft Technolution een Traffic Flow Engine (TFE) geïmplementeerd voor multimodale corridoroptimalisatie. Het systeem reconstrueert realtime de verkeerssituatie, voorspelt objectbewegingen, optimaliseert faseplannen en stuurt die terug naar de verkeersregelinstallatie.
Cruciale elementen in deze toepassing:
- Meten: FlowCube-sensoren op de kruispunten detecteren en classificeren alle weggebruikers (bijvoorbeeld auto’s, fietsers, voetgangers).
- Begrijpen: De TFE vertaalt de data uit de FlowCube-sensoren in een digitale weergave van deze objecten op de kaart van de stad.
- Voorspellen: Het systeem doet kortetermijnvoorspellingen over alle zinnige faseplannen.
- Afweging: De TFE weegt elke voorspelling aan de hand van multimodale prioriteiten en beleidskaders.
- Ingrijpen: De beste voorspelling bepaalt het komende faseplan en gaat automatisch terug naar het verkeerslicht.
De TFE in Marysville laat zien dat een operationele digital twin niet hoeft te lijken op een digitale maquette van de stad. Het systeem is sinds 2023 operationeel en ondersteunt de stad 24/7.
Praktijkvoorbeeld: Multimodaal Voorspellend Verkeerssysteem (Groningen)
In Groningen verzamelt MobiMaestro meetdata van detectielussen in de stad. Deze data worden doorgestuurd naar het MVVS-systeem van Goudappel/dat.mobility, waarin een macro-dynamisch OmniTRANS-model draait. Het model wordt automatisch gekalibreerd op nieuwe meetdata en levert een kortetermijnvoorspelling terug aan de operator.
Cruciale elementen in deze toepassing:
- Meten: Detectielussen meten voertuigenpassages bij kruispunten in Groningen.
- Begrijpen: Het MVVS-systeem verwerkt de data van detectielussen tot input-informatie voor de automatische kalibratie, aangevuld met actuele gegevens uit MELVIN.
- Voorspellen: Een macro-dynamisch verkeersmodel simuleert de verwachte verkeersstromen voor de komende 30 minuten.
- Afweging: De voorspelde verkeerssituatie gaat terug naar de operator als aanvullend inzicht naast het actuele beeld.
- Ingrijpen: De operator maakt de afweging welke ingreep nodig is. Automatische activatie van scenario’s is ook mogelijk.
Het MVVS illustreert dat de ontwikkeling naar operationele digital twins geleidelijk verloopt. Een voorspellend verkeersmodel dat automatisch wordt gekalibreerd op basis van realtimedata is van grote waarde voor de operator bij het plannen en activeren van scenario’s. Ook als we de stap naar scenarioactivatie en effectmeting vooralsnog nog niet volledig kunnen zetten zonder toezicht van de operator.
Wat vraagt dit van de verkeerskundige praktijk?
De verschillende digitale representaties vormen geen rangorde van goed naar slecht. Digital shadows zijn vaak noodzakelijk om data bruikbaar en inzichtelijk te maken. Decision-support shadows helpen operators om vooruit te kijken.
Maar wie de stap naar een operationele digital twin wil zetten, moet meer organiseren dan data en visualisatie. Dan gaat het ook om datakwaliteit, latency, validatie, uitlegbaarheid, fallback, operatorworkflow, mandaat, verantwoordelijkheden en effectmeting. Elk systeem dat een maatregel adviseert of activeert moet duidelijk maken en vastleggen op basis van welke data, welke aannames en welke onzekerheden dat gebeurt.
Daarmee wordt de digital twin niet alleen een technisch systeem, maar ook een verkeerskundig en organisatorisch instrument. Hij vraagt om expliciete keuzes: welke publieke waarden worden geoptimaliseerd, welke modaliteiten krijgen prioriteit, wanneer mag het systeem automatisch handelen, wanneer blijft menselijke autorisatie nodig en hoe leren we van de uitkomsten?
De operationele digital twin vervangt de verkeerskundige of verkeersleider niet. Hij maakt de DVM-keten explicieter. Wat zien we? Wat verwachten we? Welke maatregel past daarbij? Wie beslist? En hoe weten we of het werkte?
De waarde van de operationele digital twin ligt uiteindelijk niet in een rijker digitaal beeld van de stad, maar in een beter georganiseerde DVM-keten.
