Webapplikaasje Impact Monitor Bridge Opening

Provinsje Súd-Hollân

In webapplikaasje dy't brêgebestjoerders stipet by it kiezen fan it optimale momint foar in brêgeapning. Ferkearsstream en útstjit (CO2-footprint) wurde meinommen. De applikaasje is ynrjochte om ferkearsnivo's oant 21 minuten fan tefoaren te foarsizzen yn kombinaasje mei aktuele (echte) ferkearsynformaasje.

Lêst feroare op 8 novimber 2024 om 13:29 | Publikaasjestandaard 1.0

• Publicatiecategorie: Heechrisiko AI-systeem
• Impacttoetsen: Fjild net ynfierd.
• Status: Bûten gebrûk

Algemene ynformaasje

Tema

Romte en ynfrastruktuer

Begjindatum

Fjild net ynfierd.

Kontaktgegevens

Voor vragen en opmerkingen kan je terecht bij: [e-mail]. Wil je bezwaar maken, dan kan je terecht bij de Juridische afdeling van dienst beheer organisatie. https://www.zuid-holland.nl/contact/

Link nei publykspagina

https://werkenvoor.zuid-holland.nl/artikelen/slimme-bruggen-door-data-deeplearning/ https://baae58888c14f40f89d08821.blob.core.windows.net/paper/SmartShipping_paper_nl.pdf

Link nei boarneregistraasje

Niet bekend.

Ferantwurde gebrûk

Doel en impact

De provinsje Súd-Hollân spilet in wichtige rol yn de ferkearsstream binnen de regio troch mear as 100 brêgen te eksploitearjen en te ûnderhâlden. Smart ICT-oplossingen biede nije kânsen om aktuele ferkearsynformaasje te keppeljen oan realtime ferstjoerynformaasje fia sensors en algoritmen.

Fan dizze 100 brêgen hawwe 55 sensoren dy't kontrolearje oft de brêge iepen of ticht is. Foar in tanimmend tal fan dy brêgen stiet de provinsje foar de útdaging om de ferkearsstream mei de skipfeart en it fergrutsjen fan de ferkearsmûzen optimaal te koördinearjen. De provinsje set him yn foar slimmer, feiliger en effisjinter passaazje om dizze útdagings te realisearjen.

Yn it projekt 'Impact Monitor Brêgeopeningen' is in essinsjeel stap set yn it foarsizzen fan ferkearsintensiteiten om in tal wichtige brêgen yn de provinsje Súd-Hollân. De brûkte neuronale netwurken foar lange koarte termyn ûnthâld kinne foarsizzings meitsje oant 21 minuten foarôf mei in korrelaasjekoëffisjint fan 75-95%. De ûntwikkele algoritmen binne útrôle binnen in Azure wolkomjouwing. It is levere as in brûkerfreonlike webapplikaasje wêryn live ferstjoering en ferkearsynformaasje wurdt presintearre. Dizze ynformaasje wurdt brûkt troch de applikaasje foar in riede it optimale momint foar in brêge iepening oan in brêge operator.

Yn in folgjende faze kin dizze ynformaasje direkt weromfierd wurde nei it ferkearsnetwurk, sadat bygelyks navigaasjesoftware mei plande brêge-iepeningen rekken hâlde kin. Gearfetsjend brûkt de ûntwikkele webapplikaasje resinte technology op it mêd fan keunstmjittige yntelliginsje dy't brêgebestjoerders mooglik makket om profesjonele kennis te kombinearjen mei de lêste technology.

De Bridge Opening Impact Monitor is boud om brêgebestjoerders te stypjen by it kiezen fan it optimale momint foar in brêge-iepening. De applikaasje is ynrjochte om ferkearsnivo's oant 21 minuten fan tefoaren te foarsizzen yn kombinaasje mei aktuele ynformaasje oer skipferkear. De Impact Monitor fan Bridge Openings is oanpast oan it gedrach en wurkproses fan brêgebestjoerders. De brêgebestjoerder sjocht 3 tiidslots fan 7 minuten yn de applikaasje by in brêge. De app berekkent yn hokker fan de trije perioaden in brêge-iepening it minste oerlêst foar it ferkearsferkear soarget. De brêgebestjoerder nimt dan it beslút wannear en hoe lang de brêge iepen giet.

Afwagings

It algoritme ferwurket gjin persoanlike gegevens (lykas leeftyd, geslacht, ynkommen, sûnens, ensfh.). De ynformaasje kin op gjin inkelde manier weromfierd wurde nei in natuerlik persoan. Boppedat komt der altyd minsklik yngripen en bepaalt de brêgeman úteinlik noch wannear't it it bêste is om in brêge te iepenjen. It algoritme sels is allinich beslútstipe.

Minskele tuskenkomst

It algoritme sels is allinich beslútstipe. De brêgeman nimt it definitive beslút sels. De brêgeman is dêr ferantwurdlik foar. Der is noch altyd minsklike ynteraksje belutsen. It algoritme bepaalt sels net wannear't de brêge iepen en ticht giet.

Risikobehear

De brûkte neuronale netwurken foar lange koarte termyn ûnthâld kinne foarsizzings meitsje oant 21 minuten foarôf mei in korrelaasjekoëffisjint fan 75-95%. Dit is net 100%. De krektens fan it algoritme kin te leech wêze, wat jo minder ynsjoch jaan en it makliker meitsje foar jo om in beslút te nimmen as brêgeman.

It algoritme kin ek ferkeard ynterpretearre wurde troch de brêgeman. Dy kâns bestiet, mar syn ynfloed is hiel lyts. Dêrom wurdt der no in pilot útfierd om brêgebestjoerders hjirby op te nimmen, sadat se it algoritme goed begripe.

Wettlike basis

De provinsje Súd-Hollân spilet in wichtige rol yn de ferkearsstream binnen de regio en is ferantwurdlik foar it behear, ûnderhâld en eksploitaasje fan mear as 100 brêgen yn Súd-Hollân. Sjoch û.o.: https://lokaleregulation.overheid.nl/CVDR431299/1

Wurking

Gegevens

De brûkte gegevens wurde yn realtime lêzen út de National Road Traffic Database (NDW). Gegevens oer farwegen binne noch net beskikber.

- Oantal auto's

- Soart auto's

- Faasje per auto's

HIG Measurement loop gegevens

Op de provinsjale diken sitte mjitlusjes dy't de trochstreaming fan ferkear registrearje oangeande oantal weinen, type wein en snelheid per wein. Allinnich in subset fan dizze loops wurdt yn realtime beskikber steld oan de NDW (National Road Traffic Database) - de rest wurdt brûkt foar tafersjoch en evaluaasje. Om't net alle mjitlussen dy't relevant binne foar it projekt yn de NDW beskikber wiene, is foar de trije yn de ynlieding neamde brêgen in rûge dataset oanfrege by de leveransier. Dit befette de meast detaillearre gegevens fan alle auto's dy't oer in mjitlus ride, wêrby't elke line yn 'e dataset in auto is. Foar it fierdere gebrûk fan dizze gegevens wurde de yndividuele rigels per minuut aggregearre mei de som fan it oantal auto's, gemiddelde snelheid en gemiddelde lingte en nûmers per autoklassen. Tusken ien en twa jier histoaryske gegevens waarden brûkt om it foarsizzingsmodel te meitsjen, ôfhinklik fan beskikberens per mjitlus.

NDW realtime ferkearsintensiteiten foar dyk:

NDW hat aktuele ferkearsgegevens oer it oantal auto's dat in mjitpunt de minút passeart.

Central Object Operation Analysis Log Data (COBALD) brêge apningsdata. COBALD is in foar de Provinsje ûntwikkele systeem dat keppele is oan it kontrôlesintrum. Alle histoaryske brêge-iepeningen ynklusyf it momint (begjindatum/tiid) en doer fan 'e brêge-iepening wurde hjir neamd. Dizze histoaryske gegevens waarden brûkt foar it tarieden en analysearjen fan de mjitloopgegevens.

Bridge Sense realtime gegevens:

Oanfoljende sensoren binne pleatst op de measte brêgen dy't real-time brêge iepeningen detectearje en trochstjoere nei de Blauwe Golf Verbindend en de NDW - dy't it beskikber meitsje as Iepen Data. Dizze real-time gegevens wurde brûkt foar de hjoeddeistige brêgestatus yn 'e ûntwikkele webapplikaasje.

Technyske wurking

LSTM Lange koarte termyn ûnthâld. Djip learen algoritme

Untwikkeling fan ferkearsintensiteitsmodellen Djippe learmodellen wurde ûntwikkele yn 'e Keras-bibleteek (ferzje 2.2.4), in iepen-boarne neural netwurkpakket skreaun yn Python. Keras stelt ûndersikers yn steat om fluch te eksperimintearjen mei djippe neurale netwurken. Keras waard brûkt yn gearhing mei TensorFlow (ferzje 1.5.0) as in backend dêr't de GPU fariant fan it keazen model (seksje 3) waard brûkt yn de eksperimintele faze. In rastersykjen waard tapast parseard op 'e Scikit-learn-masine-learbibleteek foar Python. Alle analyzes foar gegevens skjinmeitsjen en ferkear yntinsiteit modellering waarden útfierd yn Python.

Artificial Neural Networks (ANN) binne in set algoritmen ynspireare troch it ekstreem effisjinte funksjonearjen fan it minsklik brein om patroanen te herkennen. In ANN bestiet út keunstmjittige neuroanen en kin de lêste jierren effisjint trainearre wurde ta grutte djipte en kompleksiteit troch saneamde djippe learalgoritmen. Foar tiidrige gegevens lykas yn dit gefal binne Recurrent Neural Networks (RNN) faaks in gaadlike oplossing, om't neuroanen net allinich rekken hâlde mei ynformaasje fan eardere lagen fan it netwurk, mar ek ynformaasje befetsje fan eardere tiidpunten. In krêftige fariant fan RNN's is it Long Short-Term Memory (LSTM) netwurk, dat spesjaal ûntwikkele is om lange tiidsearjes te modellearjen. Yn it hjir presintearre wurk waarden LSTM keazen as it definitive algoritme om realtime ferkearsintensiteiten foar trije brêgen te foarsizzen.

Earst waard in LSTM-model oplaat op histoaryske ferkearsgegevens mei in tiidrige fan ynfier om in fektor fan stappen foarút te foarsizzen (skript 1). Yn it twadde gefal, in encoder-decoder LSTM waard brûkt (skript 2) dêr't de ynfier tiid rige fan gegevens wurdt kodearre. De dekoder brûkt dizze kodearre gegevens en makket in foarsizzing ien stap foarút foar elk elemint yn de útfier folchoarder. It ferskil is lyts, om't yn 'e praktyk beide modellen in searje foarsizze. It wichtichste ferskil is dat in LSTM model encoder decoder model hat ynformaasje oer sawol de foarige stap dy't is foarsein en ek de opboude ynformaasje fan de encoder stap wurdt rekken holden by it foarsizzen fan de útfier folchoarder

Leveransier

Ynterne ûntwikkele