Inzichten in mobiliteitsgedrag met AI: een eerste verkenning

In het huidige tijdperk waarin steeds meer databronnen beschikbaar komen, groeit de complexiteit van de te modelleren systemen. De opgaven op het gebied van infrastructuur, mobiliteit en leefomgeving vragen om nieuwe inzichten die bijdragen aan nieuwe  oplossingsrichtingen. Nieuwe mobiliteitsconcepten en -technologieën bieden daarbij kansen om bij te dragen aan de maatschappelijke doelen bereikbaarheid, veiligheid, leefbaarheid en duurzaamheid. Een van die technologieën betreft Artificial Intell…

In het huidige tijdperk waarin steeds meer databronnen beschikbaar komen, groeit de complexiteit van de te modelleren systemen. De opgaven op het gebied van infrastructuur, mobiliteit en leefomgeving vragen om nieuwe inzichten die bijdragen aan nieuwe  oplossingsrichtingen. Nieuwe mobiliteitsconcepten en -technologieën bieden daarbij kansen om bij te dragen aan de maatschappelijke doelen bereikbaarheid, veiligheid, leefbaarheid en duurzaamheid. Een van die technologieën betreft Artificial Intelligence (AI) en  gerelateerde data science technieken die in het mobiliteitsdomein kunnen worden ingezet om automatisch inzichten af te leiden uit datasets. De grotere beschikbaarheid van hoogfrequente en dynamische data lenen zich daar goed voor om die technieken steeds meer te introduceren en toe te passen ten behoeve van het opdoen van nieuwe type inzichten. Traditionele (keuze)modellen zullen namelijk steeds meer moeite hebben om diverse kenmerken in de data goed mee te nemen in het model. Zowel TNO als het Ministerie van Infrastructuur en Waterstaat willen daarom graag een verbeterd begrip van nieuwe type analyse technieken, in dit geval AI, om tot inzichten te komen ten behoeve van beleidsopgaven. Daarom is een verkenning gestart naar de inzet van AI technieken om in dit specifieke geval te bekijken  of modaliteitkeuze optimaler kan worden voorspeld. Met behulp van AI kan namelijk op automatische wijze de datarepresentatie geleerd worden waardoor relevante vrijheidsgraden en kenmerken die potentieel bepalend zijn voor vervoers- en keuzegedrag kunnen worden 
vastgesteld op basis van de inputdata en niet zozeer op basis van een vooraf voorgesteld (fysisch)model. Dit geeft een groot voordeel ten opzichte van de meer traditionele aanpak omdat het weinig domein voorkennis vereist. De resultaten zijn dan echter niet altijd goed uitlegbaar en soms zelfs in strijd met expertmatige kennis en vereisen daarom ook een verbeterd begrip van de uitlegbaarheid van een AI model. Deze verkenning geeft een kort inkijkje in zowel de toepassing als het verkrijgen van een verbeterd begrip hoe een AI model keuzes maakt waarbij in dit geval is gekeken naar hoe modaliteitskeuze voorspeld kan worden.