Deze website gebruikt cookies die nodig zijn om de website te laten functioneren. Daarnaast gebruiken we cookies die op anonieme wijze het gebruik van de website bijhouden. Onze cookies dienen nadrukkelijk niet om je te volgen of om je iets te verkopen.
Slimme bruggen door data en deeplearning
Voor een goed bereikbaar Zuid-Holland
Smart Shipping Provincie Zuid-Holland
Slimme bruggen app
Naar aanleiding van die vraag is de ‘Webapplicatie Impactmonitor Brugopening’ ontwikkeld. Ook wel de ‘Slimme Bruggen App’. Een schip moet, met oog op goede doorstroming, niet te lang voor een brug hoeven wachten. Tegelijkertijd veroorzaakt een brugopening overlast op de wegen; het zorgt voor wachtrijen voor de brug. De app helpt om die twee zo goed mogelijk op elkaar af te stemmen. Daardoor kunnen we de doorstroming op de weg én de vaarweg optimaliseren. Zo geeft een brugopening zo min mogelijk hinder voor het wegverkeer, terwijl de scheepvaart efficiënt over onze vaarwegen kan bewegen.
Michael de Winter, Joana Cardoso en Daniël Overdevest zijn het team van data scientists achter de app. Zij leggen ons uit wat de app doet, hoe het werkt en hoe ze deze ontwikkeld hebben.
De app helpt, de brugbedienaar besluit
Daniel: “De slimme bruggen app is een beslissingsondersteunende applicatie voor brugbedienaars. De brugbedienaar ziet in de applicatie bij een brug 3 tijdsvakken van 7 minuten. De app berekent in welke van de drie tijdsvakken een brugopening de minste overlast voor het wegverkeer veroorzaakt. De brugbedienaar neemt vervolgens het besluit wanneer en hoe lang de brug opengaat.”
Joana: “De app is een real-time voorspelmodel dat tot 21 minuten in de toekomst de overlast voor het wegverkeer als gevolg van een brugopening kan voorspellen (voertuigverliesuren op basis van verkeersintensiteit en verkeerscongestiemodel).”
Ontwikkeling van de applicatie
Michael: “Ik startte twee jaar geleden met een analyse van de beschikbare data. Een belangrijk principe in mijn werk is: ‘Garbage in, garbage out.’ Om een model te bouwen dat de toekomst accuraat kan voorspellen, heb je voldoende relevante data nodig. In dit geval bleek er al veel goede data aanwezig te zijn. De provincie heeft veel datasets die al jaren worden opgebouwd en geschikt zijn voor voorspellende modellen.
De Coenecoopbrug (Waddinxveen), Lammebrug (Leiden) en Kruithuisbrug (Delft) zijn als eerste opgenomen in de app. Elke brug vereist maatwerk en over deze bruggen was goede data beschikbaar, onder andere doordat de meetlussen in de weg dicht genoeg bij de bruggen lagen. Vervolgens hebben Daniël en ik twee algoritmen geschreven. Eén voor filevorming op de weg en één voor de verkeersintensiteit. De standaard rekenmethode van DBI voor de verkeersintensiteit is aangepast om real time data te kunnen gebruiken.”
Joana: “Daarna heb ik de modellen geselecteerd en getraind. De provincie heeft twee jaar verkeersintensiteit-data over de Coenecoopbrug, Lammebrug en Kruithuisbrug. Het model kreeg de data over het eerste jaar (bijvoorbeeld van de Coenecoopbrug) en voorspelde vervolgens het opvolgende jaar. De data over het tweede jaar gebruikte ik om te controleren hoe accuraat het model op basis van de beschikbare informatie kon voorspellen. Door dit te herhalen met dezelfde data en verschillende parameters in het model, kon ik zien welk model de toekomst het meest accuraat voorspelde.
Het eerste model dat ik testte was ARIMA. Het model kon zoveel data (data per minuut) niet bewerken. Daarom is een LSTM-deeplearning-algoritme op basis van Tensorflow (gemaakt met behulp van Keras) geselecteerd. Een deeplearning-model is een neuraal netwerk, gebaseerd op de werking van het menselijk brein. De gebruikte Long Short Term Memory neurale netwerken kunnen met een nauwkeurigheid van 60-80% voorspellingen doen tot 21 minuten vooruit.”
