Met big data rijgedrag ZE-bussen beoordelen

Steeds meer ov-bussen rijden elektrisch. Per kilogram kunnen batterijen veel minder energie opslaan dan fossiele brandstoffen. Het is voor vlooteigenaren nodig goed inzicht te hebben in het energieverbruik, om de inzet en het opladen optimaal op elkaar af te stemmen.

In de praktijk blijkt het aantal kWh per gereden kilometer sterk te schommelen. Dat komt door legio factoren, zoals verschillen in hoogteprofiel, kwaliteit van het wegdek, snelheidsbeperkingen en genomen maatregelen op de routes. Maar zelfs voor eenzelfde traject verandert het verbruik van rit tot rit als gevolg van externe factoren, zoals het weer, aantal passagiers, gemiddelde verkeerssnelheid en -drukte. Daarbovenop komt nog de variatie als gevolg van rijgedrag van bestuurders: dat kan wel 20 procent of meer verschil uitmaken. 

Rijgedrag beïnvloeden 

In tegenstelling tot andere externe factoren is het mogelijk om het rijgedrag te beïnvloeden. In het verleden zijn tools ontwikkeld om geautomatiseerd het rijgedrag van chauffeurs te beoordelen. Het gaat meestal om een oordeel op aspecten als comfort en veiligheid (voor passagiers), energieverbruik en het vermijden van schade of slijtage van het voertuig. Deze beoordelingen worden vaak teruggekoppeld aan bestuurders en kunnen leiden tot verbeterprocessen. 

Deze hulpmiddelen zijn een combinatie van hardware en software, waarmee onder meer voertuiggegevens over snelheid en locatie worden verzameld. Met die informatie wordt het optreden van vooraf gedefinieerde gebeurtenissen vastgesteld, die karakteristiek zijn voor ongewenst rijgedrag. Een voorbeeld is te hard optrekken. Door voor elke soort gebeurtenis het aantal per gereden km te tellen, kunnen verschillende ritten worden vergeleken. Met dezelfde meetgegevens worden soms andere ritkarakteristieken bepaald, zoals de gemiddelde voertuigsnelheid, de tijd dat met cruise control wordt gereden of de gemiddelde positieve versnelling. Deze getallen worden gebruikt als indicator voor het energieverbruik. 

In de praktijk beïnvloedt ook de context langs een bepaalde route het rijgedrag van de chauffeur: het aantal passagiers, weer en verkeer is van invloed. Maar de meeste tools houden geen rekening met deze context bij het geautomatiseerd beoordelen van een chauffeur. Het gevolg hiervan is dat een bestuurder die echt zuinig wil rijden als gevolg van tegenzittende externe factoren toch een slechte score haalt. Hierdoor is deze beoordeling niet motiverend en kan mogelijk een averechts effect hebben. 

Praktijkonderzoek Eindhoven  

Recent is door docenten en studenten van hogeschool Fontys onderzocht of het mogelijk is om de bestaande tools contextgevoelig te maken. In het kader van het project VETIS (Verder komen met Elektrisch Transport in Steden) zijn, met de steun van VDL en vlooteigenaar Hermes, acht maanden metingen verricht op vier elektrische Bravo-bussen die rondrijden op tien verschillende lijnen in regio Eindhoven. In totaal zijn gegevens verzameld van 13240 ritten in de periode juli 2019 tot maart 2020. Bij die metingen is, naast informatie omtrent positie en versnelling van de bussen, ook het verbruik opgemeten. De resulterende database is verrijkt met gegevens rond weersomstandigheden, verkeersdrukte en aantal passagiers en daarna met big data-technieken geanalyseerd. 

Bij die analyse is voor elke rit een verbruiksscore bepaald. Als eerste wordt de totale dataset geordend volgens grootte van het verbruik en vervolgens de bijhorende cumulatieve verdelingscurve bepaald, zoals geïllustreerd in figuur 1. Uit die verdeling volgen minimale en maximale waarden van energieverbruik. Maar ook bijvoorbeeld de energieverbruikswaarde die de 50 procent van de ritten met laagste energieverbruik scheidt van de rest. In de statistiek spreekt men van het verbruik dat hoort bij het 50e percentiel, of kwantiel-percentage. Op dezelfde wijze kunnen de verbruikswaarden worden bepaald die horen bij het 25e percentiel en 75e percentiel. Deze waarden vormen de grenzen van het bijhorende boxplot-diagram. Dat is een vereenvoudigde manier om de (cumulatieve) verdeling van een dataset visueel voor te stellen. De onder- en bovenkant van de box stemmen overeen met het 25e en 75e percentiel. Tussenin wordt ook de mediaan (50e percentiel) weergegeven. De lengte van de staafjes die uitsteken buiten de box geven de grenzen aan waarbinnen statistisch gezien meetwaarden verwacht worden. De cirkeltjes buiten deze grenzen stellen de zogenaamde uitschieters voor. 

Cumulatieve verdeling van data en bijhorende boxplot

Door de verbruikswaarde van een nieuwe rit zijn plek te geven in die cumulatieve verdeling ontstaat meteen een waardering. In de praktijk wordt die waardering echter niet weergegeven door het bijhorende perecentiel. In plaats daarvan wordt een score-functie gedefinieerd, die het verbruik naar een getal vertaalt. In deze studie varieert de score van 1 (slecht) tot 10 (uitstekend). De vorm van de functie wordt zo gekozen dat de score 5,5 (krappe voldoende) overeenstemt met het 50e percentiel en dat het volledige statistisch relevante bereik omvat wordt. Figuur 2 illustreert de vorm van de functie die gehanteerd is voor het vastleggen van de verbruiksscore. Gelijkwaardige scorefuncties zijn ontwikkeld voor de gebeurtenissen die verband houden met comfort of andere karakteristieke getallen. 

Score functie voor verbruik  

Figuur 3 toont de verbruiksscore van alle ritten, opgesplitst naar de tien verschillende routes en naar de richting waarin de route wordt gereden. Het is duidelijk dat, voor een gegeven route en richting, het verbruik inderdaad een behoorlijke variatie vertoont. Tegelijkertijd is het verschil qua verbruiksscore tussen de verschillende routes relatief klein. Dat maakt dat het op het eerste zicht inderdaad toegelaten was om alle data in één verdeling op te nemen. 

Weergave van de verbruiksscore voor de tien bestudeerde busroutes (heen en terug) aan de hand van een boxplotdiagram.  

Ten slotte is met diezelfde dataset onderzocht in welke mate de verbruiksscore correleert met de externe factoren. Wanneer de verbruiksscore een correlatiecoëfficiënt van 0.5 heeft ten opzicht van een externe factor, betekent dit dat een toename van de waarde van deze externe factor volledig resulteert in een toename van het verbruik met 50 procent. In onderstaande tabel 1 is de correlatiecoëfficiënt tussen verbruiksscore en diverse externe factoren weergegeven. 

Tabel 1 Correlatie tussen verbruiksscore en externe factoren verkeer, weer, aantal passagiers en buslijn. Groene velden geven aan waar de correlatie het grootst is. 

Uit deze tabel blijkt dat de score wel degelijk beïnvloed wordt door externe factoren. Door de score hiervoor aan te passen (zodat die afhankelijkheid veel kleiner wordt en eventueel verdwijnt) moet het mogelijk zijn om een verbruiksscore te ontwikkelen die contextgevoelig is en bijgevolg makkelijker aanvaardbaar voor de bestuurder. De onderzoekers hebben de intentie om dit in de toekomst verder uit te werken.

Dit artikel is eerder gepubliceerd in OV-Magazine 4/2021. Wilt u OV-Magazine voortaan op papier of digitaal ontvangen? Neem dan een abonnement.