Webapplicatie Impactmonitor Brugopening
- Publicatiecategorie
- Hoog-risico AI-systeem
- Impacttoetsen
- Veld niet ingevuld.
- Status
- Buiten gebruik
Algemene informatie
Thema
Begindatum
Contactgegevens
Link naar publiekspagina
Link naar bronregistratie
Verantwoord gebruik
Doel en impact
De provincie Zuid-Holland heeft een belangrijke rol in de verkeersdoorstroming binnen de regio door het bedienen en onderhouden van meer dan 100 bruggen. Slimme ICT-oplossingen bieden nieuwe kansen om via sensoren en algoritmes haarfijn actuele verkeersinformatie te koppelen aan realtime scheepvaart informatie.
Van deze 100 bruggen zijn er 55 die sensoren hebben, waarmee gemonitord wordt of de brug open of dicht is. Voor een steeds groter wordend aantal van deze bruggen staat de provincie voor een uitdaging om de verkeersstroom optimaal af te stemmen met de scheepvaart en een toenemende verkeersdrukte. De provincie zet zich in voor een slimmere, veiligere en efficiëntere doorvaart om deze uitdagingen te verwezenlijken.
In het project ‘Impactmonitor Brugopeningen’ is hierin een wezenlijke stap gezet in het voorspellen van verkeersintensiteiten rondom een aantal belangrijke bruggen in de provincie Zuid-Holland. De gebruikte Long Short-Term Memory neurale netwerken kunnen met een correlatiecoëfficiënt nauwkeurigheid van 75-95% voorspellingen doen tot 21 minuten vooruit. De ontwikkelde algoritmes zijn uitgerold binnen een Azure cloud omgeving. Het is opgeleverd als gebruiksvriendelijke webapplicatie waarin live scheepvaart en verkeersinformatie gepresenteerd wordt. Deze informatie wordt door de applicatie gebruikt om het optimale moment voor een brugopening te adviseren aan een brugbediener.
In een volgende fase kan deze informatie direct teruggevoerd worden aan het verkeersnetwerk waarmee bijvoorbeeld navigatie software rekening kan gaan houden met geplande brugopeningen. Samenvattend, de ontwikkelde webapplicatie gebruikt recente technologie op het gebied van kunstmatige intelligentie waarmee brugbedieners vakkennis kunnen combineren met de laatste technologie.
De Impactmonitor Brugopeningen is gebouwd om brugbedieners te ondersteunen in het kiezen van het optimale moment voor een brugopening. De applicatie is uitgerust om de verkeersdrukte tot 21 minuten vooruit te voorspellen in combinatie met actuele scheepsverkeer informatie. De Impactmonitor Brugopeningen is aangepast op het gedrag en werkproces van brugbedieners. De brugbedienaar ziet in de applicatie bij een brug 3 tijdvakken van 7 minuten. De app berekent in welke van de drie tijdvakken een brugopening de minste overlast voor het wegverkeer veroorzaakt. De brugbedienaar neemt vervolgens het besluit wanneer en hoe lang de brug opengaat.
Afwegingen
Het algoritme verwerkt geen persoonsgegevens (zoals leeftijd, geslacht, inkomen, gezondheid, enzovoort). De informatie is op geen enkele wijze herleidbaar tot een natuurlijk persoon. Bovendien is er altijd nog een menselijke tussenkomst en bepaalt de brugbedienaar uiteindelijk nog altijd op welk moment een brug het beste open kan. Het algoritme zelf is enkel beslissingondersteunend.
Menselijke tussenkomst
Het algoritme zelf is enkel beslissingsondersteunend. De brugbediende maakt zelf de eindbeslissing. Hiermee is de brugbedienaar verantwoordelijk. Er zit nog menselijke interactie tussen. Het algoritme bepaalt niet zelf wanneer de brug open en dicht gaat.
Risicobeheer
De gebruikte Long Short-Term Memory neurale netwerken kunnen met een correlatiecoëfficiënt nauwkeurigheid van 75-95% voorspellingen doen tot 21 minuten vooruit. Dit is niet 100%. De nauwkeurigheid van het algoritme zou te laag kunnen zijn, waardoor je minder inzicht krijgt en je minder goed een beslissing kan maken als brugbedienaar.
Ook kan het algoritme mogelijk verkeerd worden geïnterpreteerd door de brugbedienaar. Die kans bestaat, maar de impact ervan is heel klein. Daarom wordt er nu een pilot gedaan om brugbedienaars hierin mee te nemen, zodat zij het algoritme goed begrijpen.
Wettelijke basis
De provincie Zuid-Holland heeft een belangrijke rol in de verkeersdoorstroming binnen de regio en is verantwoordelijk voor het beheer, onderhoud en bedienen van meer dan 100 bruggen in Zuid-Holland. Zie onder andere: https://lokaleregelgeving.overheid.nl/CVDR431299/1
Werking
Gegevens
De data die worden gebruikt, worden real-time ingelezen uit de Nationale Databank Wegverkeergegevens (NDW). Data over vaarwegen zit er nu nog niet in.
- Aantal voertuigen
- Soort voertuigen
- Snelheid per voertuigen
HIG Meetlusgegevens
In de provinciale wegen liggen meetlussen die de doorstroom van het verkeer in aantal voertuigen, soort voertuig en snelheid per voertuig registreert. Slechts een subset van deze lussen wordt real-time ontsloten aan het NDW (Nationale Databank Wegverkeersgegevens) – de rest wordt gebruikt voor monitoring en evaluatie. Omdat niet alle voor het project relevante meetlussen beschikbaar waren in het NDW is bij de leverancier een ruwe dataset opgevraagd voor de drie in de inleiding genoemde bruggen. Hierin stonden de meest gedetailleerde data van alle voertuigen die over een meetlus rijden, waarbij elke regel in de dataset ́een voertuig is. Voor het verdere gebruik van deze data zijn de individuele regels geaggregeerd per minuut met de som van aantal voertuigen, gemiddelde snelheid en gemiddelde lengte en aantallen per voertuigclasses. Hierbij is tussen de ́e ́en en twee jaar aan historische data gebruikt voor het maken van het voorspelmodel afhankelijk van beschikbaarheid per meetlus.
NDW real-time wegverkeersintensiteiten:
NDW heeft actuele verkeersgegevens van het aantal voertuigen dat per minuut een meetpunt passeert.
Centrale Object Bediening Analyse Log Data (COBALD) brugopening data. COBALD is een voor de Provincie ontwikkeld systeem dat gekoppeld staat aan de bediencentrale. Alle historische brugopeningen met daarin het moment (start datum/tijd) en de duur van de brugopening staan hierin. Deze historische data zijn gebruikt voor het prepareren en analyseren van de meetlusgegevens.
Bridge Sense real-time data:
Op de meeste bruggen zijn extra sensoren geplaatst die real-time brugopeningen detecteert en doorstuurt aan de Blauwe Golf Verbindend en het NDW – die het beschikbaar stellen als Open Data. Deze real-time data wordt gebruikt voor de actuele brugstatus in de ontwikkelde webapplicatie.
Technische werking
LSTM Long short term memory. Deep learning algoritme
Verkeersintensiteitenmodel ontwikkeling Deep learning modellen zijn ontwikkeld in de Keras library (versie 2.2.4), een open-source neural netwerk pakket geschreven in Python. Keras stelt onderzoekers in staat om snel te experimenteren met deep neural networks. Keras was gebruikt in samenhang met TensorFlow (versie 1.5.0) als backend waarbij in de experimentele fase de GPU variant van het gekozen model (sectie 3) is gebruikt. Een grid-search was toegepast ontleed aan de Scikit-learn machine learning library voor Python. Alle analyses voor het opschonen van data en het modelleren van verkeersintensiteiten zijn uitgevoerd in Python.
Artificiële Neurale Netwerken (ANN) zijn een set aan algoritmes geïnspireerd door de enorm efficiënte werking van het menselijk brein om patronen te herkennen. Een ANN bestaat uit artificiële neuronen en kan in recente jaren tot in vergaande diepte en complexiteit effici ̈ent getraind worden door zogenoemde deep learning algoritmes. Voor tijdseries data zoals in deze casus zijn Recurrent (Terugkerend) Neuraal Netwerken (RNN) vaak een geschikte oplossing omdat hierbij neuronen niet alleen informatie uit vorige lagen van het netwerk meewegen, maar ook informatie uit vorige tijdspunten meenemen. Een krachtige variant op RNN’s is het Long Short-Term Memory (LSTM) netwerk die speciaal is ontwikkeld om lange tijdsreeksen te modelleren. In het hier gepresenteerde werk zijn LSTM gekozen als uiteindelijk algoritme om real-time verkeersintensiteiten te voorspellen voor drie bruggen.
Als eerste is een LSTM model getraind op historische verkeersdata waarbij een tijdsreeks aan input gebruikt is om een vector aan stappen vooruit te voorspellen (script 1). In het tweede geval is een encoder-decoder LSTM gebruikt (script 2) waarbij de invoer tijdreeks aan data gecodeerd wordt (encode). De decoder gebruikt deze gecodeerde data en maakt een voorspelling een stap vooruit voor elk element in de output reeks. Het verschil is klein, aangezien in de praktijk beide modellen een reeks vooruit voorspellen. Het belangrijkste verschil is dat een LSTM model encoder decoder model informatie heeft over zowel de voorgaande stap die voorspeld is als ook de geaccumuleerde informatie uit de encoder stap wordt meegewogen in het voorspellen van de output sequentie