Ooit dachten we dat ons transportleven beter zou worden als we onderweg te horen zouden krijgen waar de file staat. Dat horen we nu via radio of navigatiesysteem… en nu staan we dus allemaal in de file op die alternatieve route… Concreet voorbeeld is de jaarlijkse 5 december file waar we allemaal al om 13:00 uur in gaan staan om op tijd thuis te zijn voor Sinterklaas.
Het punt is dat we met z’n allen de vrijheid en de middelen hebben om onze reis flexibel in te plannen… en dat we vervolgens allemaal dezelfde reactie hebben, dezelfde oplossing kiezen, waardoor het probleem verplaatst wordt naar een andere locatie of een ander tijdstip… Wel hetzelfde probleem dus… vertraging en file… niet veel opgeschoten dus met al die apps, middelen en vrijheid.
Mooie wereld
Zou de wereld niet mooi zijn als we niet alleen dynamische reisinformatie ontvangen, maar die ook dynamisch en individueel toepassen? In Tokyo loopt een groot experiment waarbij data uit vele bronnen bij elkaar worden gebracht om ‘slimme’ en persoonlijke adviezen te geven. Daarbij zijn dan twee belangrijke aspecten: Je moet heel veel data bij elkaar brengen en op voorhand weet je niet altijd welke vraag je moet stellen om informatie te kunnen maken uit de data die je hebt… Dit laatste klinkt cryptisch en daar kom ik op terug.
Terug naar Tokyo; een niet uitputtend lijstje voorbeelden van de data die verzameld wordt:
- Sensoren in auto’s geven op basis van remgedrag inzicht in welke delen van de stad te maken hebben met gladheid.
- Sensoren in auto’s of de snelheid van gsm’s die door het gps-netwerk gaan geven aan hoe snel of traag een verkeerstroom gaat.
- Gsm’s geven aan waar individuele mensen in de verkeerstroom zitten. En via deze data is er veel bekend over die specifieke persoon (getrouwd, woonlocatie, reisverleden, meest waarschijnlijk reisgedrag, agenda, et cetera).
- Social media data om te bepalen waar flashmobs en project-X evenementen zullen zijn.
- Data over ongelukken in de stad die voor vertraging kunnen zorgen.
- Data over locaties van alle modaliteiten van transport: tram, trein, auto, bus, et cetera.
- Data over beschikbare faciliteiten in de stad zoals restaurants, bloemisten, et cetera.
Als nu een specifiek gebied last heeft van gladheid, krijgt niet iedereen via zijn mobiel of navigatiesysteem het advies om dezelfde alternatieve route te kiezen, maar wordt er gedifferentieerd naar individuele situaties:
- Afhankelijk van de situatie elders in de stad (ongelukken, files, en dergelijke) en de reisbestemming van het individu, krijgt de reiziger het advies om een specifieke alternatieve weg te kiezen.
- Afhankelijk van de situatie elders in de stad en de reisbestemming van het individu, krijgt de reiziger het advies om een andere modaliteit te nemen.
- Afhankelijk van de persoonlijke situatie van de reiziger, krijgt hij de suggestie om liever maar even om te rijden via de bloemist omdat hij vandaag acht jaar getrouwd is.
- Afhankelijk van de agenda van de reiziger krijgt hij de suggestie om misschien maar een hapje te eten in de stad.
- Afhankelijk van zijn social media vrienden krijgt hij informatie over wie van zijn vrienden ook in de buurt zijn, aangevuld met een suggestie om ergens af te spreken voor een drankje en de mogelijkheid om meteen maar een confcall op te zetten met deze vrienden om de afspraak vast te leggen.
Kortom: Doordat iedereen een ander – op maat gesneden advies – krijgt, worden problemen zoals vertragingen en opstoppingen niet verschoven naar een andere locatie of tijd, maar daadwerkelijk opgelost. Voorwaarde is dat we heel veel data beschikbaar hebben die we slim kunnen combineren.
Utopie?
Is dit een utopisch wereldbeeld? Misschien toch iets minder dan op het eerste gezicht lijkt. Diverse scenario’s die hierboven zijn beschreven, zijn al realiteit in een testomgeving. Er zijn gelukkig ook nog wel wat uitdagingen.
De technologie die aan dit alles ten grondslag ligt, is big data. Big data biedt vele mogelijkheden voor de transport en openbaar vervoer wereld. De uitdagingen voor het gebruik van big data in de vervoerswereld zijn onder andere:
- Beveiliging: Mensen moeten zich bereid verklaren dat de data gebruikt mag worden, terwijl de klant nog niet weet hoe de data precies gebruikt gaat worden en welke informatie gedestilleerd gaat worden uit die data.
- Vaardigheden en algoritmen: Systemen en applicaties moeten slim worden in hun algoritmen. Tevoren is niet altijd duidelijk welke vraag aan de pool van data gesteld moet worden om zinvolle informatie te krijgen. Een geheel nieuwe competentie ontstaat bij technici, engineers, wiskundigen, et cetera om grip te kunnen krijgen op hoe je om moet gaan met zoveel data.
- Real time: De berg data is zo groot dat je maanden bezig kan zijn om uit te rekenen hoe je één persoon van het juiste advies kan dienen. Dat heeft niet zoveel zin om een vertraging in een file van drie uur op te lossen. Data moet dus real time omgezet kunnen worden in informatie.
Er zal nog wel even gewerkt moeten worden aan een oplossing die minstens op stadsniveau geïmplementeerd kan worden, laat staan op nationaal niveau. Toch zijn de ontwikkelingen niet meer te stuiten. SAP werkt met HANA aan in-memory data bases die real time enorme hoeveelheden data kunnen verwerken. Hadoop is een ontwikkeling die kan helpen met de vindbaarheid van data. Fujitsu werkt in Tokyo aan de Owl-omgeving die op stadsniveau bovenstaande scenario’s realiteit maakt. De wereld wordt gevuld met sensoren in allerlei devices zoals auto’s en internet en cloud oplossingen geven toegang to heel veel aanvullende data.
Big data brengt ons vele uitdagingen en ook heel veel mogelijkheden. Transport en openbaar vervoer gaat een belangrijk toepassingsgebied worden. Wie maakt de eerste stap in Nederland? Wanneer gaan NS, Rijkswaterstaat, TLS, Facebook en andere data owners bij elkaar zitten?
