click here for the english version of this website u bekijkt nu de nederlandse versie van deze website klik hier om het originele lettertype te kiezen klik hier om een groter lettertype te kiezen klik hier om het grootste lettertype te kiezen

Nieuwsbericht


2

Geplaatst op: 21-04-2020

Data Science Society: lopende en afgeronde projecten

In de NDW Data Science Society is onlangs een aantal projecten afgerond en resultaten opgeleverd. Ook zijn er nog lopende projecten. U leest er in dit artikel meer over.

 

Ga direct naar:

Informatiedienst voor wegbeheerder op basis van voertuigdata

Reistijdbetrouwbaarheid op provinciaal en stedelijk wegennet

Combineren van incidentberichten

Toetsing Datakwaliteit op basis van Machine Learning

 

 

LOPEND - Informatiedienst voor wegbeheerders op basis van voertuigdata

Binnen de NDSS wordt gewerkt aan de ontwikkeling van een informatiedienst voor wegbeheerders, waarin veiligheidsgerelateerde voertuigdata wordt toegepast. Deze toepassingen zijn in lijn met een aantal vooraf bepaalde use cases. De dienst ontstaat op basis van een (aantal) algoritme(s) waarmee de voertuigdata van autofabrikanten en service providers die via het Nationaal Toegangspunt ITS (nt.ndw.nu) wordt gedeeld, kan worden ingezet. Dit kan bijv. een verrijking van Level 2-data naar Level 3-informatie zijn, inclusief bijbehorende validatie- en kwaliteitsregels en presentatie op een kaart/viewer, waarmee alerts worden gegenereerd die in een verkeerscentrale kunnen worden gebruikt.

 

Wegbeheerders die als koploper met voertuigdata aan de slag willen gaan, geven als begeleidingsgroep richting aan de opdracht door goede vraagarticulatie en het vertalen van de informatiebehoefte naar een product- of dienst op basis van voertuigdata. Zij bewaken de voortgang en sturen bij indien nodig. De wegbeheerder voor deze opdracht bestaat uit de volgende organisaties:

•             Rijkswaterstaat

•             KNMI

•             Provincie Overijssel

•             Gemeente Zwolle

•             Gemeente Amsterdam

•             Gemeente Utrecht

•             Gemeente Tilburg

 

De product owner groep heeft drie use-cases geselecteerd (waaronder de use-case ‘detecteren van incidenten’). De NDSS-partners  hebben inmiddels de eerste opzet van de algoritmes voor de verschillende use-cases ontwikkeld.  Deze algoritmes worden de komende periode doorontwikkeld op basis van de verschillende databronnen die geleidelijk beschikbaar komen. Doel is om de use-cases te testen bij onze partners. Wilt u meer informatie over deze ontwikkelingen of wilt u als wegbeheerder een van de use-cases testen? Neem dan contact op met Daan Arnoldussen (daan.arnoldussen(at)ndw.nu).

Naar boven

 

AFGEROND - Reistijdbetrouwbaarheid op provinciaal en stedelijk wegennet

Naast het elke minuut leveren van reistijden wil NDW ook reistijdbetrouwbaarheid gaan leveren over de FCD-reistijdtrajecten (Floating Car Data). De reistijdbetrouwbaarheid zegt iets over de mate van zekerheid van een reistijd, uitgedrukt in de variatie rond de gemiddelde reistijd. Door de groei van de mobiliteit in de afgelopen jaren is de spreiding in reistijden steeds groter geworden, waardoor ze steeds minder voorspelbaar zijn geworden. De betrouwbaarheid van de reistijd neemt daardoor af.

 

De huidige modellen en indicatoren voor het bepalen van de reistijdbetrouwbaarheid lijken vooral goed toepasbaar op het hoofdwegennet. Voor het provinciale en stedelijke wegennet lijken de bestaande indicatoren niet afdoende en is er verder onderzoek naar nieuwe algoritmen noodzakelijk.

 

De NDSS-partners hebben inmiddels naar tevredenheid het algoritme opgeleverd voor een reistijdbetrouwbaarheidsindicator op het stedelijke en provinciale wegennet. De indicator is een uitlegbare waarde waarmee gerekend kan worden. Het algoritme dekt de diversiteit in situaties die op deze wegennetten voor kunnen komen.

NDW  is momenteel aan de slag om de ontwikkelde reistijdbetrouwbaarheid code te implementeren in de big data omgeving, zodat deze gebruikt kan worden voor verkeerskundige analyses. De reistijdbetrouwbaarheid zal dan per traject worden opgeslagen.

Daarnaast willen partners van NDW de reistijdbetrouwbaarheid als KPI opnemen in hun dashboards. Gedurende de ontwikkeling zijn daarom de toekomstige gebruikers betrokken bij de ontwikkeling binnen deze NDSS-opdracht.

Naar boven

 

AFGEROND  -  Combineren van incidentberichten

Een ander project dat binnen de Data Science Society wordt opgepakt betreft de ontwikkeling van een algoritme dat incidenten kan detecteren op basis van locatie, tijd en andere kenmerken. Incidenten worden vanuit verschillende bronnen gedetecteerd:ONDA (bergingsverzoeken), VCNL (feed met informatie over incidenten, files, etc.) en Waze (meldingen Waze gebruikers).

 

De selecteerde NDSS-partner heeft inmiddels een werkende code en een beschrijving van het algoritme in een blokkenschema opgeleverd. Binnen dit algoritme komen drie aspecten aan bod: detectie, matching en verificatie.

 

In de ontwikkeling van code is rekening gehouden met de gehele levenscyclus van incidenten. Incidentmeldingen krijgen bewijsvoering mee (in welke bronnen is het incident gevonden) en een betrouwbaarheid indicator. Ook kunnen incidenten afgemeld worden. Het format waarin de data uiteindelijk gepubliceerd zullen worden, is in deze opdracht buiten beschouwing gelaten.

 

Het algoritme moet door de NDW als nieuwe datastroom geïmplementeerd worden. De codes worden verder ontwikkeld zodat meer incidentbronnen toegevoegd kunnen worden aan de datastroom (data uit voertuigen, FCD traces, anomaly detectie, etc.). Het toevoegen van additionele bronnen resulteert in het sneller detecteren van incidenten (en met een hogere betrouwbaarheid van de meldingen), waardoor het incident eerder afgehandeld kan worden.   

Naar boven

 

 

LOPEND  - Toetsing Datakwaliteit op basis van Machine Learning

Via de NDW Data Science Society (NDSS) is een opdracht gestart om met Machine Learning de datakwaliteitscontroles te generaliseren. Op dit moment moet voor elk fouttype een aparte test worden geprogrammeerd. Dit is relatief duur en kost veel tijd. Bovendien worden daarmee alleen fouten gevonden, waarvan we weten dat ze bestaan.

 

Het idee van deze Machine Learning pilot is om met één proces een veelvoud aan fouttypes te kunnen detecteren, waarvan we op voorhand nog niet weten dat ze bestaan. Er is gevraagd om een interactief proces, waarbij gegevens worden voorgelegd aan de NDW-medewerkers  die door het algoritme als goed, noch fout kunnen worden aangemerkt. De NDW-medewerkers  zouden dan moeten kunnen aangeven of dit foutieve of goede data betreft, zodat het model in het vervolg weet hoe dit te classificeren.

 

Er wordt met zes machine learning modellen getest op onze actuele verkeersgegevens. We gebruiken twee type modellen: ‘supervised’ modellen, die leren op basis van reeds beoordeelde gegevens (iemand heeft gezegd: dit is goed, dit is fout), en ‘unsupervised’ modellen die op basis van afwijkende patronen in de gegevens groepen maken. Het project is inmiddels halverwege de testen. Na afloop van de testen zal er een model worden geselecteerd, of een combinatie van verschillende modellen die het beste resultaat presenteren.

 

Een leuk en interessant traject, dat ons kwaliteitsproces op een hoger plan gaat brengen!

Naar boven

 

Home Nieuws Data Science Society: lopende en afgeronde projecten
line

Nieuwsbrief

Schrijf u in voor onze nieuwsbrief en blijf op de hoogte van het laatste nieuws over NDW.