Rijtijd van vrachtwagens op snelwegtrajecten in Duitsland op basis van FCD uit 2019

Waarom rijtijd van vrachtwagens ertoe doet

Elke online bestelling, supermarktvloer en productielijn is afhankelijk van vrachtwagens die op tijd aankomen. Iedereen die ooit in een snelwegfile heeft gezeten weet echter dat reistijden sterk onvoorspelbaar kunnen zijn—vooral voor zware vrachtwagens die aan lagere snelheden gebonden zijn en vertragingen niet gemakkelijk kunnen goedmaken. Deze studie pakt dat alledaagse probleem op nationale schaal aan: er worden gedetailleerde, op data gebaseerde rijtijden voor vrachtwagens opgebouwd voor het Duitse snelwegennet, waarbij miljarden echte verplaatsingen van verbonden voertuigen worden gebruikt om te onthullen wanneer en waar vrachtverkeer waarschijnlijk wordt vertraagd.

Reële vrachtwagens volgen op de weg

In plaats van te steunen op schaars geplaatste wegkantensensoren gebruiken de onderzoekers zogenaamde floating car data—signalen die door in-voertuignavigatiesystemen en onboardunits worden verzonden en die positie, tijd en snelheid vastleggen. Alleen al voor 2019 verzamelde de Duitse autoclub meer dan 25 miljard van dergelijke datapunten van voertuigen die op snelwegen reden. Deze ruwe signalen worden eerst gekoppeld aan een digitale kaart van het snelwegennet opgebouwd uit open kaartgegevens. Een gespecialiseerde routeringsengine plaatst elk GPS-punt op het meest waarschijnlijke weggedeelte, rekening houdend met de rijrichting en de structuur van het netwerk. Deze stap verandert een wolk van anonieme stippen in precieze trajecten langs wegstukken van 100 meter lang.

Vrachtwagens van personenauto’s scheiden

Aangezien de signalen van veel verschillende voertuigtypes komen, is de volgende uitdaging het identificeren welke voertuigen zware vrachtwagens zijn. De auteurs bouwen een database die beschrijft hoe snel elk anoniem voertuig gewoonlijk rijdt op verschillende soorten wegen. Wanneer ze deze snelheden plotten, verschijnen twee duidelijke groepen: langzamere voertuigen die zelden de typische vrachtsnelheden overschrijden, en snellere voertuigen die meer overeenkomen met personenauto’s. In plaats van de data simpelweg in twee groepen te splitsen, gebruikt het team een clusteringsmethode die drie snelheidsgebaseerde groepen creëert. De extra middelste groep helpt voertuigen in gemengde of drukke omstandigheden vast te leggen die anders mogelijk verkeerd als vrachtwagen zouden worden geïdentificeerd, waarbij men wat steekproefgrootte inruilt voor schonere, betrouwbaardere vrachtdata.

Van verspreide waarnemingen naar een continu beeld

Zelfs met miljoenen waarnemingen dekken de gegevens niet elke vrachtwagen op elk wegvak op elk moment. Om te beoordelen hoe representatief de steekproef is, vergelijken de onderzoekers deze met officiële telstations die verkeersvolumes en snelheden registreren. Ze vinden dat hun data gemiddeld ongeveer 6% van de vrachtwagens representeren, wat genoeg is om de algemene omstandigheden te beschrijven, vooral wanneer snelheden over meerdere minuten worden gemiddeld. Om de resterende gaten te vullen passen ze een gladmakingsmethode toe die veel wordt gebruikt in verkeersonderzoek en die nabijgelegen waarnemingen in ruimte en tijd mengt. Dit levert een continu beeld op van hoe snelheden zich langs elke snelweg ontwikkelen, en onthult bijvoorbeeld uitgestrekte middagdronge gebieden waar vrachtsnelheden scherp dalen voordat ze later op de dag herstellen.

Opbouwen van dynamische rijtijdtabellen

Met deze continue snelheidsvelden berekenen de auteurs hoe lang een vrachtwagen erover zou doen om elk snelwegsegment te doorkruisen bij verschillende vertrektijden. Ze verdelen elke weg in korte elementen van 100 meter en simuleren een vrachtwagen die zich van het ene element naar het volgende verplaatst, waarbij de veronderstelde snelheid elke tien minuten wordt aangepast om de actuele verkeersomstandigheden te weerspiegelen. Op deze manier kan een rit die begint voordat een file ontstaat de drukte snel passeren, terwijl een rit die later vertrekt oplopende vertragingen zal ervaren. Wanneer de resulterende rijtijden worden vergeleken met die rechtstreeks gemeten uit individuele vrachtritten in de data, zijn de verschillen meestal slechts enkele seconden, met grotere fouten die beperkt blijven tot een klein aantal uitzonderlijke gevallen.

Wat dit betekent voor de dagelijkse logistiek

Het resultaat van dit werk is een vrij beschikbare set gedetailleerde rijtijden voor vrachtwagens op de Duitse snelwegen, uitgesplitst per snelweg en segment in stappen van tien minuten over typische weekdagen. Voor verladers, vervoerders en planners zetten deze data het vage risico op vertraging om in concrete cijfers die in dienstregelingen, routeringssoftware en capaciteitsplannen kunnen worden verwerkt. Voor het brede publiek betekent het dat dezelfde verbonden voertuigen die al op de weg zijn stilletjes de informatie kunnen leveren die nodig is om toeleveringsketens betrouwbaarder te laten verlopen—waardoor goederen op tijd aankomen, verspilling van brandstof wordt verminderd en bestaande snelweginfrastructuur beter wordt benut zonder ook maar één nieuwe sensor in de grond te leggen.

Bronvermelding: Schlott, M., Abdul, L. & Leerkamp, B. Truck Travel times on freeway facilities and segments in Germany based on FCD from 2019. Sci Data 13, 588 (2026). https://doi.org/10.1038/s41597-026-07198-z

Trefwoorden: vrachttijd, snelwegcongestie, floating car data, goederentransport, verkeersbetrouwbaarheid