際際滷

際際滷Share a Scribd company logo
Serge Hoogendoorn
De TU Campus
als de plek voor
data-gedreven
mobiliteits-
onderzoek
Bruce
Greenhields
1934
Grondlegger van de
verkeersstroomtheorie

Mobiliteitsonderzoek
begint en eindigt
met data
Meten, schatten en identificeren Begrijpen en theoriseren
Modelleren en voorspellen
Ingrijpen:
regelen, ontwerp en beleid
Meten, schatten en identificeren
 Meten: hoe druk is het? Hoe fietsen mensen? Hoe lang
staan mensen voor een verkeerslicht te wachten en
hoeveel mensen zijn dat dan?
 Schatten: kunnen we door combinatie van
verschillende databronnen de kwaliteit van de
informatie verbeteren? Kunnen we informatie bepalen
die we niet direct kunnen meten?
 Identificeren: waar ontstaan problemen? Welke
factoren leiden tot deze problemen?
Het intelligente fietspad verzameld unieke
verkeers- en contextdata (weer, gladheid, etc.)
Stress meten met Fitbits
 Meten van hartslag met Fitbits
 Schatten van stress door afwijking van
hartslag (bij inspanning) vast te stellen
 Identificeren van situaties waarin stress
hoog is en vaststellen onder welke
condities dit voorkomt
Unieke pilot stressmeting op de TU Campus op 14 juni 2022 toont locaties waar stress
relatief hoog is. In combinatie met andere data (e.g., van het intelligente fietspad)
kunnen we opmaken wat hier de oorzaak van is (drukte, kenmerken locatie, etc.)
16 juni opening fietspad.pdf
Werkzaamheden waardoor
fietsers de weg op moeten
Vanaf Sebastiaanbrug:
Drukke onoverzichtelijke en
complexe kruising met verkeer
uit meerdere richtingen
Drukke Mekelpark route
heeft relatief hoog stressniveau
Begrijpen en theoriseren
Stressniveau fietsers
Drukte
Weer
Doel reis
Interactie
ander verkeer
Wegontwerp
Verkeers-
regelaars
 Welke factoren (e.g., drukte, interactie ander
verkeer, wegontwerp, weer) zorgen voor stress
bij fietsers en voetgangers?
 Factoren vaststellen op grond van gegevens
intelligente fietspad en andere databronnen
uit de Outdoor Mobility Digital twin
 Toepassen Kunstmatige Intelligentie voor het
vaststellen - soms complexe - relaties factoren
en stress (of level-of-service, of risico ongeval
of besmetting)
 Drukte lijkt een rol te rol te spelen bij stress,
maar ook bij serviceniveau en risico
HB patronen
Lokale
metingen,
e.g. fietspad
Huidig en
verwacht weer
Lesrooster
Parkeerdrukte
OV data
Schatten en voorspellen
verkeersdrukte
Met geavanceerde AI
kunnen we gegevens
combineren zodat we
optimaal schatten en
voorspellen
Stressniveau fietsers
Drukte
Weer
Doel reis
Interactie
ander verkeer
Wegontwerp
Verkeers-
regelaars
Geavanceerde
AI identificeert
complexe
relaties tussen
factoren en
stressniveau
HB patronen
Lokale
metingen,
e.g. fietspad
Huidig en
verwacht weer
Lesrooster
Parkeerdrukte
OV data
Schatten en voorspellen
verkeersdrukte
Stressniveau fietsers
Drukte
Weer
Doel reis
Interactie
ander verkeer
Wegontwerp
Verkeers-
regelaars
Vlinderdas
model
Met het vlinderdas model
koppelen we de hoofdfactor
(i.c., drukte) aan verzwarende
omstandigheden om zo
stress (of risico) vast te
stellen
Weer
Crowd-
managers
Vlinderdas
model CSM
Vlinderdasmodel wordt
toegepast voor het CSM project
voor voorspelling risico
Risiconiveau
HB patronen
Lokale
metingen
Huidig en
verwacht weer
Evenementen
kalender
Parkeerdrukte
OV data
Schatten en voorspellen
drukte voetgangers
Doel
bezoekers
Sentimenten
Drukte
Regelgeving
Schatten en voorspellen
verkeersdrukte
HB patronen
Lokale
metingen
Huidig en
verwacht weer
Lesrooster
Parkeerdrukte
OV data
Modelleren & voorspellen
 Onderzoek binnen DAILab XAIT richt
zich op ontwikkelen van
interpreteerbare AI voor het
netwerkbreed voorspellen van
multimodaal verkeer op grond van de
gegevens uit het OMDt
 Resultaten Gedistribueerde Graph
Neural Networks + Federated Learning
zijn veelbelovend (nauwkeurig*,
betrouwbaar, schaalbaar,
generaliseerbaar en secure)
* Relatieve fout ~8% voor 5-min en ~13%
voor 30-min flow voorspelling!

Mobiliteitsonderzoek
begint en eindigt
met data.
en daarom investeren we
in grootschalige dataverzameling

Maar wat is die data nu waard?
Voorbeelden
Smart & Green
Mobility Innovaties
Toepassingen en waardeketen
Meten, schatten, voorspellen, identificeren
Voorbeelden
applicaties
Toepassingen en waardeketen data
Impact?
Investeren in
nieuwe
datacollectie
Ontwikkelen
nieuwe x-AI
methoden
Nieuw ontwerp-
en regelmethoden
Waardegedreven ontwerp sensor
en informatiesystemen
Eisen aan
dataverzameling Eisen aan informatie
Gewenste
impact
Optimaal
ontwerp
sensorsysteem
volgt uit de
utiliteit van de
uiteindelijke
toepassingen
ervan!
Dit vormt een
grote weten-
schappelijke
uitdaging!
Bedankt voor uw aandacht
Serge Hoogendoorn
Serge Hoogendoorn
De TU Campus
als de plek voor
data-gedreven
mobiliteits-
onderzoek

More Related Content

16 juni opening fietspad.pdf

  • 1. Serge Hoogendoorn De TU Campus als de plek voor data-gedreven mobiliteits- onderzoek
  • 4. Meten, schatten en identificeren Begrijpen en theoriseren Modelleren en voorspellen Ingrijpen: regelen, ontwerp en beleid
  • 5. Meten, schatten en identificeren Meten: hoe druk is het? Hoe fietsen mensen? Hoe lang staan mensen voor een verkeerslicht te wachten en hoeveel mensen zijn dat dan? Schatten: kunnen we door combinatie van verschillende databronnen de kwaliteit van de informatie verbeteren? Kunnen we informatie bepalen die we niet direct kunnen meten? Identificeren: waar ontstaan problemen? Welke factoren leiden tot deze problemen? Het intelligente fietspad verzameld unieke verkeers- en contextdata (weer, gladheid, etc.)
  • 6. Stress meten met Fitbits Meten van hartslag met Fitbits Schatten van stress door afwijking van hartslag (bij inspanning) vast te stellen Identificeren van situaties waarin stress hoog is en vaststellen onder welke condities dit voorkomt Unieke pilot stressmeting op de TU Campus op 14 juni 2022 toont locaties waar stress relatief hoog is. In combinatie met andere data (e.g., van het intelligente fietspad) kunnen we opmaken wat hier de oorzaak van is (drukte, kenmerken locatie, etc.)
  • 8. Werkzaamheden waardoor fietsers de weg op moeten Vanaf Sebastiaanbrug: Drukke onoverzichtelijke en complexe kruising met verkeer uit meerdere richtingen Drukke Mekelpark route heeft relatief hoog stressniveau
  • 9. Begrijpen en theoriseren Stressniveau fietsers Drukte Weer Doel reis Interactie ander verkeer Wegontwerp Verkeers- regelaars Welke factoren (e.g., drukte, interactie ander verkeer, wegontwerp, weer) zorgen voor stress bij fietsers en voetgangers? Factoren vaststellen op grond van gegevens intelligente fietspad en andere databronnen uit de Outdoor Mobility Digital twin Toepassen Kunstmatige Intelligentie voor het vaststellen - soms complexe - relaties factoren en stress (of level-of-service, of risico ongeval of besmetting) Drukte lijkt een rol te rol te spelen bij stress, maar ook bij serviceniveau en risico
  • 10. HB patronen Lokale metingen, e.g. fietspad Huidig en verwacht weer Lesrooster Parkeerdrukte OV data Schatten en voorspellen verkeersdrukte Met geavanceerde AI kunnen we gegevens combineren zodat we optimaal schatten en voorspellen Stressniveau fietsers Drukte Weer Doel reis Interactie ander verkeer Wegontwerp Verkeers- regelaars Geavanceerde AI identificeert complexe relaties tussen factoren en stressniveau
  • 11. HB patronen Lokale metingen, e.g. fietspad Huidig en verwacht weer Lesrooster Parkeerdrukte OV data Schatten en voorspellen verkeersdrukte Stressniveau fietsers Drukte Weer Doel reis Interactie ander verkeer Wegontwerp Verkeers- regelaars Vlinderdas model Met het vlinderdas model koppelen we de hoofdfactor (i.c., drukte) aan verzwarende omstandigheden om zo stress (of risico) vast te stellen
  • 12. Weer Crowd- managers Vlinderdas model CSM Vlinderdasmodel wordt toegepast voor het CSM project voor voorspelling risico Risiconiveau HB patronen Lokale metingen Huidig en verwacht weer Evenementen kalender Parkeerdrukte OV data Schatten en voorspellen drukte voetgangers Doel bezoekers Sentimenten Drukte Regelgeving
  • 13. Schatten en voorspellen verkeersdrukte HB patronen Lokale metingen Huidig en verwacht weer Lesrooster Parkeerdrukte OV data Modelleren & voorspellen Onderzoek binnen DAILab XAIT richt zich op ontwikkelen van interpreteerbare AI voor het netwerkbreed voorspellen van multimodaal verkeer op grond van de gegevens uit het OMDt Resultaten Gedistribueerde Graph Neural Networks + Federated Learning zijn veelbelovend (nauwkeurig*, betrouwbaar, schaalbaar, generaliseerbaar en secure) * Relatieve fout ~8% voor 5-min en ~13% voor 30-min flow voorspelling!
  • 14. Mobiliteitsonderzoek begint en eindigt met data. en daarom investeren we in grootschalige dataverzameling
  • 15. Maar wat is die data nu waard? Voorbeelden Smart & Green Mobility Innovaties
  • 16. Toepassingen en waardeketen Meten, schatten, voorspellen, identificeren Voorbeelden applicaties
  • 17. Toepassingen en waardeketen data Impact? Investeren in nieuwe datacollectie Ontwikkelen nieuwe x-AI methoden Nieuw ontwerp- en regelmethoden
  • 18. Waardegedreven ontwerp sensor en informatiesystemen Eisen aan dataverzameling Eisen aan informatie Gewenste impact Optimaal ontwerp sensorsysteem volgt uit de utiliteit van de uiteindelijke toepassingen ervan! Dit vormt een grote weten- schappelijke uitdaging!
  • 19. Bedankt voor uw aandacht Serge Hoogendoorn
  • 20. Serge Hoogendoorn De TU Campus als de plek voor data-gedreven mobiliteits- onderzoek