Model voor verkeervoorspellingen
Goed inzicht in verkeersvoorspellingen leidt tot het kunnen anticiperen op drukte en het vergroten van de veiligheid. Met een voorspellings- en analysemodel konden wij bij Pouw Solutions op basis van historische gegevens, actuele metingen en externe factoren (zoals het weer en feestdagen) voorspellen hoe de verkeerssituatie zich de komende uren ontwikkelt. Hierdoor leren vervoerders en overheden meer over hoe drukte ontstaat, om vervolgens beter in te kunnen spelen op het verkeer van de komende uren (en dagen).
Door de brede econometrische basis is dit model niet alleen toepasbaar voor wegverkeer, maar ook voor bijvoorbeeld webverkeer en zelfs voor verkoopanalyses. Deze brede basis ontstaat door:
- data cleaning;
- analyse van de variabelen;
- robuuste voorspellingen.
Data cleaning
Voor het maken van uurlijkse verkeersvoorspellingen is ook data per uur nodig. Daarvoor verzamelden we allerlei soorten data, de uurlijkse verkeersintentsiteit, de uurlijkse weerdata, de feestdagen, etc. Daarvan analyseerden wij uitschieters om te leren of dit foute metingen waren of dat ze belangrijke informatie bevatten. Omdat we wilden inschatten of het verkeer in de komende tijd toe- of afnam, hadden we minder aan absolute waarden van onze variabelen (bv. de exacte hoeveelheid neerslag). We willen juist weten hoeveel onze variabelen veranderen, om in te schatten hoe het verkeer daar op reageert. Dit hielp ons model beter te begrijpen welke veranderingen op korte en op lange termijn invloed hebben op het verkeer, en levert daardoor realistischer en dynamischer voorspellingen op.
Analyse van de variabelen
Elk model staat of valt met de gebruikte variabelen. Te veel variabelen maken het model onnodig complex creëren ruis (overfitting). Te weinig variabelen zorgen voor onstabiele voorspellingen doordat er informatie mist (underfitting). In beide gevallen zullen de resultaten onbetrouwbaar zijn en moeilijk te interpreteren. Daarom gebruikten wij voor ons verkeersmodel eerst econometrische technieken (bv. Lasso of Ridge) om de belangrijkste variabelen te selecteren en ruis weg te filteren. Vervolgens controleerden wij deze selectie op ongewenste correlaties, multicollineariteit en andere ongewenste patronen die de betrouwbaarheid verstoren. Op deze manier houden we het model zowel betrouwbaar als robuust.
Robuuste voorspellingen
Niks is zo moeilijk als robuust voorspellen. In een kort tijdsbestek kan er veel veranderen in de data, zeker bij verkeersvoorspellingen. Zo kan het weer omslaan, maar kan er ook een nieuwe weg zijn aangelegd. Daarom gebruiken wij econometrisch onderbouwde voorspellingsmethodes, omdat deze beter bestand zijn tegen veranderingen in de werkelijkheid. Modellen die puur door data worden gestuurd (zonder theoretische basis) kunnen worden direct onbetrouwbaar wanneer de situatie verandert. Econometrische modellen, zowel regressies als voor machine learning, halen het black box concept weg en vervangen dit voor bewezen relaties en verbanden. Daardoor blijft het model stabieler, beter uitlegbaar en minder gevoelig voor de omstandigheden.
Analyse- en voorspellingsmodellen
Ontdek meer over onze modellen
Voorbeelden en ervaringen
Ontdek meer voorbeelden