ETA-prediction
Definitie
ETA-prediction (Estimated Time of Arrival prediction) is de voorspellende berekening van de geschatte aankomsttijd van een voertuig op een specifieke bestemming, op basis van actuele positie, verkeerscondities, historische rijdata, voertuigprofiel en doel-eigenschappen (laad-/losvenster). Voor moderne fleet management-platforms is ETA-prediction een centrale capability die zowel de operationele klantcommunicatie als de interne planning aanstuurt.
Klassieke ETA-berekeningen waren statisch en gebaseerd op gemiddelde wegsnelheden. Moderne ETA-prediction-systemen integreren machine learning-modellen die zijn getraind op miljarden historische ritdata, gecombineerd met realtime verkeersfeeds (TomTom Move, HERE Real-time Traffic, Google Maps Platform), weerdata en evenementenkalenders (concerten, sportevents, files). Hierdoor liggen accurate ETA-voorspellingen tegenwoordig binnen een marge van 3-7 minuten op een 60-minuten rit, ten opzichte van 10-15 minuten in 2018.
Voor service- en distributievloten is ETA-prediction direct zichtbaar in twee gebruikspatronen: (1) klant-georiënteerde communicatie — automatische SMS of e-mail "uw bezoek arriveert om 14:32" met live-updatelink, (2) interne dispatch — herplanning bij dreigende vertraging, vroege waarschuwing als een chauffeur een laadvenster dreigt te missen. In het beroepsgoederenvervoer wordt ETA-prediction ook gebruikt voor cross-dock-planning op DC's en just-in-time leveringen aan productiefaciliteiten.
Voor proefritten, klantbezoek-administratie en SLA-rapportages is ETA-prediction een operationeel kwaliteitsinstrument. KPI's als "ETA-accuracy <5 min" en "on-time delivery rate >95%" zijn in moderne SLA-contracten gangbaar geworden. ETA-prediction wordt vaak gekoppeld aan geofence-alerts (arrival/departure-stempel) voor automatische tijdregistratie.
Een belangrijke beperking blijft de "long-tail" van uitzonderingen: ongelukken, plotselinge wegafsluitingen, extreme weer en zeer lange ritten (>4 uur) hebben grotere ETA-voorspellingsfoutmarges. Goede ETA-systemen geven daarom doorgaans niet alleen een puntschatting maar ook een betrouwbaarheidsinterval (e.g. "14:30 +/- 8 min"). Voor klantcommunicatie wordt het interval doorgaans niet getoond, maar voor interne planning is het essentieel.
Bron: TomTom Move — Traffic API documentation 2026; HERE Technologies — Real-time Traffic; TNO — ML-toepassingen in transportplanning 2023; CBS — Logistieke prestatiestatistiek Nederland.
Praktijkvoorbeeld
Een Rotterdams thuiszorgorganisatie met 35 mobiele zorgverleners verzendt sinds 2025 automatisch een SMS aan elke cliënt 20 minuten voor de geschatte aankomst, met live-update-link via een ETA-prediction-engine. Resultaat: 41% minder no-shows en frustratie-belletjes, 22% kortere rondetijden door betere routeplanning, en cliënt-tevredenheidsscore (NPS) gestegen van 38 naar 64.
Veelgestelde vragen over eta-prediction
Hoe nauwkeurig is moderne ETA-prediction?
Voor ritten korter dan 60 minuten doorgaans 3-7 minuten foutmarge bij gemiddelde verkeerscondities. Voor langere ritten en ritten in stedelijk gebied tijdens spitsuren kan de foutmarge oplopen tot 10-15 minuten. Goede systemen rapporteren naast de puntschatting ook een betrouwbaarheidsinterval.
Welke datafeeds gebruikt ETA-prediction?
Typisch een combinatie van: GPS-positie van het voertuig, realtime verkeersdata (TomTom, HERE, Google Maps Platform), historische rijtijddata per tijdvak en weekdag, weerdata, evenementenkalenders en voertuigspecifieke parameters (laadtijd, breakdown-historie).
Wat is het verschil met een statische ETA op basis van gemiddelde snelheid?
Statische ETA gaat uit van vaste gemiddelde snelheden per wegtype en is doorgaans 5-15 minuten onnauwkeuriger dan moderne ML-gebaseerde ETA-prediction. Voor SLA-gevoelige toepassingen (just-in-time, klant-SLA <5 min) is statische ETA in regel onvoldoende.