De afgelopen jaren hebben MICD en TU Delft samen met andere partijen de Crowd Safety Manager getoetst en verfijnd. Dit systeem geeft inzicht in de drukte op de boulevard van Scheveningen. Omdat ook het verloop van de drukte zichtbaar is, weten politie en gemeente wanneer ze in moeten grijpen. Maar het zou natuurlijk nog mooier zijn als het systeem vooruit kan kijken. TU Delft wetenschapper Serge Hoogendoorn werkt met zijn team aan modellen om drukte te voorspellen.
Project Voorspeller voor de Crowd Safety Manager, januari-december 2022
Team Serge Hoogendoorn, Panchamy Krishnakumari, Sascha Hoogendoorn-Lanser
Wat is precies de bedoeling?
“De Crowd Safety Manager helpt gemeente en politie om de drukte op de boulevard van Scheveningen te beheersen: welke tactische en operationele stappen moeten ze wanneer nemen? Wij kregen de vraag om ook een model te ontwikkelen dat de drukte in Scheveningen kan voorspellen, op basis van weersvoorspellingen in combinatie met real-time en historische data. Het gaat zowel om de korte termijn, tot zo’n twee uur vooruit, als verwachtingen voor de langere termijn, tot een week vooruit.”
Prof. dr. ir. Serge Hoogendoorn, hoogleraar Smart Urban Mobility
Het systeem geeft al een goed beeld van de situatie nú. Waarom is het zo belangrijk om ook vooruit te kunnen kijken?
“Het is bij crowd management, het managen van grote mensenmassa’s, niet alleen belangrijk dat je de juiste maatregelen treft, maar ook dat je er op tijd bij bent. Stel dat je bijvoorbeeld ergens extra handhavers wilt inzetten, om de doorstroming van de voetgangers een beetje op gang te houden. Zij hebben zeker een kwartier nodig om op die plek te komen. Dan loop je altijd achter de feiten aan. Als je een voorspelmodel hebt, kun je tijdig de handhavers oproepen en zijn ze er op tijd bij. Dan moeten deze medewerkers natuurlijk wel beschikbaar zijn. Daarom willen we ook tot een week vooruitkijken, zodat voldoende personeel wordt ingepland.
“Er is wel een ‘maar’: menselijk gedrag is lastig te voorspellen, of het nu gaat om files of menigten. Ook zijn er ingewikkelde relaties tussen de beslissingen van individuen en de uiteindelijke mensenstromen die we waarnemen. Bovenop de complexiteit van het menselijk gedrag, zijn er ook veel andere factoren van invloed. Dat maakt het wetenschappelijk gezien ook erg interessant! Kunnen we met alle nieuwe databronnen die we tot onze beschikking hebben, zinvolle voorspellingen doen? Zo hebben we data over de locatie van mobiele telefoons, het openbaar vervoer, de bezetting van parkeergarages, de gemeten verkeersdrukte op straat, maar ook weersverwachtingen en zelfs data uit sociale media over de ‘sentimenten’ van een menigte.”
En? Kun je daar wat mee?
“Het was in ieder geval snel duidelijk dat we al die verschillende datatypen niet zo makkelijk in traditionele verkeerskundige modellen krijgen. Deze zijn gebouwd door verkeerskundigen en bevatten dus ‘impliciete verkeerskundige kennis’, maar met informatie over bijvoorbeeld het weer of sentimenten kunnen ze niks. Een heel andere benadering is moderne AI, artificiële intelligentie. AI is juist ideaal om in heel uiteenlopende datastructuren te herkennen, maar die ontbeert weer de verkeerskundige kennis.
“Dat bracht ons op het idee om te gaan voor een combinatie van beide aanpakken. Zoals wij het noemen: ‘model-based meets data-driven’. Het komt erop neer dat we AI-technologie toepassen die enerzijds expliciet rekening houdt met hoe loop- en verkeersstromen in netwerken zich gedragen en tegelijkertijd leert welke verbanden er uit de enorme hoeveelheden data te destilleren zijn. Dus de niet-triviale relaties tussen drukte en invloedsfactoren.”
“De eerste resultaten zijn zeer veelbelovend. We zien dat onze aanpak potentie heeft om tot voldoende nauwkeurige en betrouwbare voorspellingen te komen. Dit geldt zowel voor de korte als de langere termijn. Bovendien geeft de aanpak inzicht in de factoren die bepalend zijn bij het voorspellen van drukte. Denk hierbij aan werkdagen of het weekend, weersverwachtingen en specifieke evenementen.”
Mooi! En hoe bruikbaar zijn de resultaten van jullie experimenten? Is het uitsluitend gericht op Scheveningen of is er meer mogelijk?
“Er is zeker meer mogelijk. Onze aanpak is generiek, omdat de twee hoofdelementen generiek zijn. AI is breed inzetbaar en de verkeerskundige kennis is natuurlijk ook plaatsonafhankelijk. Daarom verwachten we dat onze methode op verschillende plekken en in verschillende situaties werkt. Om dit te toetsen zijn we nog op zoek naar andere toepassingen. Dat kan buiten zijn, zoals een model voor de drukte in binnensteden, maar ook binnen: drukte in stations of in onderwijsgebouwen. Hoe meer typen omstandigheden we kunnen beproeven, hoe beter. Een gewone zaterdagmiddag in de Kalverstraat tegenover een zaterdagmiddag met een demonstratie op de Dam bijvoorbeeld. Dat zal ons helpen om de methodiek verder te verbeteren. Ook voor de Crowd Safety Manager van Scheveningen.”
Wanneer zie je het onderzoek echt als geslaagd?
“Onze focus lag tot nu toe vooral op het voorspellen van de drukte. In mijn ogen is dit experiment pas echt succesvol als we deze voorspelde drukte kunnen vertalen naar een concreet risico op een calamiteit. Daarvoor is inzicht in de drukte alleen niet voldoende. We moeten we ook naar ‘verzwarende factoren’ kijken, zoals het sentiment van de menigte, de samenstelling, waarom mensen hier naartoe komen enzovoort. En ook hier geldt weer: dat wil je dan het liefst weer op verschillende locaties en onder verschillende omstandigheden beproeven. We zijn er dus nog niet klaar mee!”
Meer informatie:
Crowd Safety Manager
AI for Mobility Lab