Methode om verstoringen te verminderen

“Het was een hele bijzondere dag”, blikt Yap terug op zijn promotie. “Ik had al vaak in mijn hoofd afgespeeld hoe de verdediging zou gaan en als het dan eenmaal zo ver is, gaat het ook best snel voorbij. De zaal zat behoorlijk vol, ook met geïnteresseerden van vervoerders en adviesbureaus. Het is goed om te zien dat men ziet dat dit van waarde kan zijn in de praktijk.”

De link tussen wetenschap en praktijk is voor Yap, die zelf parttime bij Transport for London werkt, van groot belang. “Ov-verstoringen staan vaak bovenaan als ergernis van mensen tijdens een reis”, weet hij. “Maar het is een complex proces om dat te kunnen verminderen. Je hebt te maken met vele typen verstoringen, onzekerheid, gedrag en keuzes van zowel reizigers als vervoerders.” Bovendien gaan daarmee vaak veel emoties gepaard.

Meten, voorspellen, beheersen

Daarom heeft de onderzoeker in zijn methode geprobeerd het proces te rationaliseren en daarin stelde hij de reiziger centraal. Dat deed Yap in drie stappen. “Aan de hand van databronnen heb ik eerst de verstoringsimpact op de reiziger gemeten, zoals meer overstappen, langere reistijden en ook de reiservaring. Met meer data en kennis kunnen we betere oplossingen bedenken.”

Vervolgens ontwikkelde hij AI-modellen (Artificial Intelligence), die op basis van verzamelde informatie de reizigersimpact van toekomstige verstoringen kan voorspellen en meet hoe reizigers daarop reageren. “Natuurlijk is niet elke storing te voorspellen vanuit historische data: er zijn echt honderden soorten en vaak incidentele verstoringen. Maar deze modellen zijn selflearning.”

En ten slotte ontwikkelde hij ook nog optimalisatie- en simulatiemodellen, waarmee hij kan onderzoeken hoe de impact van de verstoringen kleiner kan worden. “Stel dat op het RandstadRail-traject Den Haag – Zoetermeer een verstoring optreedt, in hoeverre kan de spoorlijn Den Haag – Zoetermeer dan als back-up fungeren? Als je dat kunt meten, weet je hoe robuust het systeem is.”

Praktische relevantie

De praktische relevantie van deze robuustheidstool is volgens de onderzoeker van groot belang. In zijn vierjarige onderzoek heeft hij echter al veel data gekregen van, en resultaten gedeeld met praktijkpartners, zoals HTM. “Als wetenschapper heb je natuurlijk te maken met theoretische modellen, maar of het praktisch werkt moet nog maar blijken. Doordat ik mijn modellen kon testen, weten we bijvoorbeeld in welke mate de reiziger de reistijd als erger ervaart in volle trams, dan in rustige trams.”

Vervolg

Nu hij is gepromoveerd met zijn robuustheidstool, is Yap nog niet klaar met onderzoeken. “Ik wil praktijkwerk en onderzoek graag blijven combineren. Wie weet kan ik onderzoek naar ov-verstoringen en robuustheid wel uitbreiden met andere modaliteiten, zoals MaaS-diensten als Uber of Lyft. Wellicht kan Uber best helpen om de impact van verstoringen in het ov verder te verminderen.”