Steden zijn levende, ademende systemen van enorme complexiteit. Elke dag bewegen miljoenen voertuigen zich langs een web van wegen, reagerend op verkeerslichten, het weer, ongelukken en de beslissingen van bestuurders. Decennialang hebben wetenschappers en planners computermodellen gebouwd om te voorspellen hoe deze verkeersstromen zullen verlopen. Deze modellen zijn uitstekend in het beantwoorden van de vraag: "Wat gebeurt er nu een klein beetje later?" op basis van wat er op dit moment gebeurt. Ze kunnen een verkeersopstopping over tien minuten met indrukwekkende nauwkeurigheid voorspellen. Echter, stadsplanning vereist vaak een ander soort vraag, een die veel moeilijker te beantwoorden is: "Wat zou er zijn gebeurd als we een andere keuze hadden gemaakt?" Als een stadsplanner gisteren een specifieke rijstrook had gesloten, of de timing van een verkeerssignaal had gewijzigd, hoe zou het verkeerspatroon dan zijn verschoven? Dit is het domein van contrafactisch redeneren—het voorstellen van een andere realiteit voor precies datzelfde moment in de tijd. De uitdaging is dat we in de echte wereld de klok niet kunnen terugdraaien en dezelfde dag twee keer kunnen laten lopen met andere regels. We hebben slechts één versie van de geschiedenis, en de willekeurige gebeurtenissen die plaatsvonden, zoals een plotselinge regenbui of een kleine aanrijding, zijn uniek voor die enkele tijdlijn.

Een team onderzoekers heeft een nieuwe aanpak voor dit probleem geïntroduceerd, genaamd CauCity-WM. Het is een type computermodel dat ontworpen is om stedelijke dynamiek te simuleren op een manier die de unieke willekeur van elke specifieke dag respecteert. In tegen tegenstelling tot eerdere modellen die misschien elke keer dat ze gevraagd wordt een ander scenario te bedenken, een nieuwe, willekeurige toekomst genereren, is dit systeem gebouwd om de onderliggende "ruis" van de dag constant te houden. Stel je een stad voor als een complexe machine waarbij het weer, de tijd van de dag en de algemene stemming van de bestuurders een specifieke achtergrondruis creëren. Wanneer de onderzoekers vragen: "Wat als we de verkeerslichten veranderen?", verandert hun model die achtergrondruis niet. Het houdt exact hetzelfde weer, exact dezelfde kleine incidenten en exact dezelfde willekeurige fluctuaties in het gedrag van bestuurders aan, en vervangt alleen de instelling van het verkeerslicht. Door alles anders gelijk te houden, kan het model het werkelijke effect van de verandering isoleren, en precies laten zien hoe de stad op die specifieke interventie zou hebben gereageerd zonder de verwarring van nieuwe willekeurige gebeurtenissen die het resultaat vertroebelen.

De onderzoekers testten dit idee met gebruik van echte wereldgegevens van zeven verschillende stedelijke voorspellingsbenchmarks, die gegevens bevatten over verkeerssnelheid en -doorstroming van duizenden sensoren in diverse steden. Ze vergeleken hun nieuwe model met de sterkste bestaande voorspellingsinstrumenten en gespecialiseerde causale modellen die ontworpen zijn voor het beantwoorden van "wat als"-vragen. De resultaten toonden aan dat, hoewel het nieuwe model net zo goed is in het voorspellen van normaal verkeer als de beste bestaande instrumenten, het aanzienlijk beter is in het beantwoorden van contrafactische vragen. Wanneer gevraagd werd om het effect van een hypothetische actie te schatten, verminderde het nieuwe model de gemiddelde fout in zijn voorspellingen met bijna 19 procent vergeleken met de op één na beste methode. Het behaalde ook een hogere nauwkeurigheid bij het bepalen of een actie de verkeerscongestie zou verhogen of verlagen, waarbij het de richting van het effect in meer dan 84 procent van de gevallen correct bepaalde. Bovendien was het model in staat om realistische betrouwbaarheidsintervallen te genereren, wat betekent dat het planners niet alleen kon vertellen wat er zou gebeuren, maar ook hoe zeker het was van die voorspelling; het dekt de werkelijke uitkomst in 89,6 procent van de gevallen in hun tests.

Om te waarborgen dat deze bevindingen niet louter mathematische trucjes waren, testten de onderzoekers het model ook in een zeer gedetailleerde microscopische verkeerssimulator genaamd SUMO. In deze simulaties creëerden ze gecontroleerde scenario's waarin ze het advies van het model konden vergelijken met een bekende realiteit. Ze vroegen het model om het verkeer te beheren door de signaaltijden, de snelheid van invoegstroken (ramp meters) en de rijstrookcapaciteiten aan te passen. Wanneer het risico-bewuste planning van het model werd gebruikt, daalde de gemiddelde reistijd voor voertuigen naar 27,1 minuten, een significante verbetering ten opzichte van andere methoden. Belangrijker nog, het model verminderde drastisch het aantal keren dat verkeersregels werden overtreden of wachtrijen gevaarlijk lang werden, waarbij het overtredingen van beperkingen terugbracht naar slechts 1,9 procent. Dit suggereert dat het model niet alleen het gemiddelde resultaat goed voorspelt, maar ook de zeldzame, extreme gebeurtenissen begrijpt die voor verkeersopstoppingen zorgen, waardoor planners deze kunnen vermijden.

De kerninnovatie achter dit succes is de manier waarop het model het concept van "tweelingwerelden" hanteert. In veel computersimulaties, wanneer je vraagt om een andere uitkomst, genereert de computer een volledig nieuwe set willekeurige getallen om die nieuwe wereld te creëren. Dit maakt het onmogelijk om te onderscheiden of het verschil in het resultaat komt door de verandering in actie of door de nieuwe willekeur. Het CauCity-WM model vermijdt dit door een "ruis-preserverende" techniek te gebruiken. Het kijkt eerst naar de werkelijke, geobserveerde dag en bepaalt de specifieke willekeurige verstoringen die plaatsvonden. Wanneer het vervolgens een contrafactische dag simuleert, gebruikt het exact diezelfde verstoringen. Het is alsof je een film bekijkt en dan vraagt: "Wat als de held een ander pad had genomen?" Het nieuwe model voert de scène opnieuw uit met hetzelfde weer, dezelfde achtergrondruis en dezelfde reacties van het publiek, waarbij alleen het pad van de held wordt veranderd. Dit stelt de onderzoekers in staat om het zuivere effect van de beslissing te zien, ontdaan van de verwarring veroorzaakt door het veranderen van de omgeving.

De onderzoekers ontdekten ook dat deze aanpak het model helpt om te werken over verschillende steden en situaties heen. Door de manier waarop het model leert van verschillende omgevingen af te stemmen, kan het zijn kennis overdragen naar steden die het nog nooit heeft gezien. Bij tests op een enorme dataset die duizenden sensoren in Californië beslaat, behield het model zijn nauwkeurigheid, zelfs wanneer het werd gevraagd de verkeerssituatie in regio's te voorspellen waar het niet expliciet op getraind was. Dit is cruciaal voor praktische toepassing, aangezien stadsplanners vaak beslissingen moeten nemen voor gebieden waar historische gegevens schaars zijn. Het model toonde ook robuustheid wanneer het werd geconfronteerd met ongeziene soorten interventies, zoals nieuwe combinaties van verkeersbeheersstrategieën, wat bewijst dat het de onderliggende regels van de verkeersstroom heeft geleerd in plaats van enkel specifieke voorbeelden te hebben gememoriseerd.

Ondanks deze successen zijn de onderzoekers voorzichtig met de beperkingen van hun werk. Het model vertrouwt op de aanname dat het genoeg van het verleden kan zien om de verborgen factoren die het verkeer aansturen te begrijpen. Als er cruciale stukken informatie ontbreken, zoals een niet-geregistreerde politieoperatie of een plotselinge verschuiving in de publieke opinie, kunnen de contrafactische voorspellingen van het model bevooroordeeld zijn. De onderzoekers benadrukken dat hun model een hulpmiddel is om mogelijkheden te verkennen, en geen kristallen bol die de toekomst met absolute zekerheid kan voorspellen. Het is het meest effectief wanneer het wordt gebruikt om acties te evalueren die binnen het bereik liggen van wat eerder is geobserveerd, in plaats van extreme, ongekende scenario's zoals een stad-brede evacuatie. De studie concludeert dat hoewel het model een belangrijke stap voorwaarts is in het begrijpen van stedelijke dynamiek, het deel uitmaakt van een grotere gereedschapskist die menselijk oordeel en andere databronnen moet bevatten.

De implicaties van dit werk reiken verder dan alleen het verkeer. Door een systeem te creëren dat betrouwbaar de gevolgen van verschillende acties in een complexe, ruisgevoelige omgeving kan simuleren, hebben de onderzoekers een nieuwe manier geboden om over besluitvorming in steden na te denken. Of het nu gaat om het plannen van een nieuwe busroute, het beheren van energieverbruik of het reageren op een volksgezondheidscrisis, het vermogen om met vertrouwen "wat als" te vragen is onschatbaar. Het CauCity-WM model laat zien dat het mogelijk is om computersystemen te bouwen die de complexiteit van de echte wereld respecteren en toch heldere, actiegerichte inzichten bieden. Het brengt het veld van stadsplanning van het simpelweg voorspellen van de toekomst naar het actief verkennen en vormgeven ervan, en biedt een praktisch fundament voor het nemen van beslissingen die niet alleen slim zijn, maar ook veilig en risico-bewust.