De bijdragen van deze dissertatie zijn de volgende. Allereerst behandelt het proefschrift het combineren van vervoersgegevens uit verschillende bronnen. Er zijn twee soorten waarnemingen van de vervoerstroom in het wegennet. De ene is de linkstroom die wordt waargenomen met lusdetectoren in het wegdek en Weigh-in-Motion installaties; en de andere is de padstroom die wordt waargenomen met camera’s en Bluetooth scanners, die voertuigen kunnen identificeren. Het gebruik van informatie over de padstroom kan tot een aanzienlijke verhoging van de nauwkeurigheid van de geschatte vraag leiden, omdat het de onzekerheid over de fit tussen de stroomwaarneming en de vraag vermindert.
Daarnaast introduceert en valideert het proefschrift een innovatief concept van Herkomst-Bestemming-Tupels. Aangezien camera’s en Bluetooth scanners voertuigen kunnen identificeren, bieden ze de mogelijkheid om inzicht te geven in de routeketens van vrachtwagens. Deze routeketens worden kwantitatief uitgewerkt als Herkomst-Bestemming-Tupels, verzamelingen van herkomsten en bestemmingen. Het innovatieve concept van Herkomst-Bestemming-Tupels kan worden uitgewerkt met enquêtegegevens, maar nauwelijks door een koppeling van stroomwaarnemingen. De combinatie van de enquêtegegevens en de padstroom maakt de routeketens van vrachtwagens zichtbaar.
Verder presenteert het proefschrift de Kullback-Leibler methode als generalisatie van de informatieminimaliseringsmethode, waarmee de aanname van Stirling’s formule wordt omzeild. Toepassing van de hiërarchische Bayesiaanse methode houdt rekening met de stochastische aard van de vervoersvraag en -stromen. Deze aanpak is realistischer dan de deterministische modellering van de vraag in bestaande informatieminimaliseringsmethoden. De vraaginformatie gepubliceerd in officiële statistieken wordt gebruikt als priorinformatie met een bepaalde verdeling. De posterior vraaginformatie wordt verkregen door het updaten met waargenomen stroomgegevens over het wegennet. Hierbij worden twee situaties onderscheiden.
De eerste situatie is gebaseerd op de veronderstelling dat fouten normaal verdeeld zijn. Deze veronderstelling leidt tot een analytische oplossing die snel tot de berekening van de posterior vraag leidt. Een nadeel van de veronderstelde normale verdeling is dat de symmetrische vorm een ondervertegenwoordiging van de kans op grote vervoersstromen impliceert.
De tweede situatie is daarom gebaseerd op de veronderstelling dat fouten niet-symmetrisch, in het bijzonder log-normaal, verdeeld zijn. In dit geval is een analytische oplossing niet langer binnen bereik en wordt gebruikgemaakt van Markov Chain Monte Carlo simulatie in combinatie met Gibbs sampling, genest in Metropolis-Hastings sampling. Hoewel deze niet-symmetrische modellering een meer plausibele weergave van vervoersstromen nastreeft, is de benodigde rekentijd voor het bereiken van een evenwicht zodanig dat de praktische inzetbaarheid van de methode op dit moment beperkt is.
De laatste bijdrage van het proefschrift, van belang vanuit het oogpunt van multidisciplinariteit, betreft een toepassing van een hiërarchisch Bayesiaans netwerk met een multi-proces model op het voorspellen van de vraag. Voor zover ons bekend, zijn er geen studies die dit eerder op deze manier hebben gedaan. Het gebruik van een multi-procesmodel in een Bayesiaans kader heeft het voordeel dat de vraag op verschillende voorafgaande dagen in beschouwing wordt genomen in plaats van alleen de vraag op de direct voorafgaande dag. Hierbij worden prior kansen op vooraf gedefinieerde scenarios met wegingen van de vraag op voorgaande dagen bijgesteld tot posterior kansen op deze scenarios. Meestal krijgt het scenario met de kortste Euclidische afstand tot het werkelijke scenario een posterior kans gelijk aan een, en de andere scenarios een kans gelijk aan nul. Deze vooraf gedefinieerde scenarios maken het mogelijk dat de ervaringen van mensen worden meegenomen in het multi-proces model.
Ma, Y. (2016). The use of advanced transportation monitoring data for official statistics. Dissertation, Erasmus University Rotterdam, handle:1765/80174.